AI 前哨站第 008 期三款模型扩大开放；外部机构评估 AI 风险，机械臂测试检验实物操作能力。

10 月 13 日起，付费 Gemini API 用户可在 Google AI Studio 和 Android Studio 调用 gemini-4-argon；Google AI Ultra 订阅者可在 AI Studio 和 Google Antigravity 使用。当前回读的价格页注明免费 API 层不可用。

• 各层模型清单与套餐权益会变动，换模型前需回读当期价格页与更新日志。

本轮回读价格页：Standard（标准）档截至 2026 年 11 月 30 日，每百万输入 token 2 美元、每百万输出 token（含思考用量）10 美元、每百万缓存输入 token 0.10 美元；12 月 1 日起分别为 4、20 和 0.20 美元。只支持隐式缓存，即系统自动识别可复用的输入；不支持开发者手动创建的显式缓存。

• 以上仅为 Standard 档的 token 单价，不是整项服务的全部收费；缓存能否命中、实际用量及额外功能费用均须另核。

官方公布的分数包括 DeepSWE v1.1 77.9%、LVBench 91.7%、CWE-bench v1 68%、Zapier AutomationBench 51.3%，并称在 Vals Index 上领先；单次输出上限从此前的 64K token 扩到 100 万 token。这些是 Google 自己选取的基准与表述，本刊没有复现。

• 基准分只适用于官方任务与条件，不能替代自家工作流上的比较。

9 月 30 日首次公布时，它只面向受信任的网络防御方分批开放；10 月 13 日进入开发者付费通道。

• 公告日期与开放日期不同，本卡按开放日期记录事件。

总参数约 8160 亿，每个 token 激活约 420 亿；每层有 256 个专家子网络，每次选 8 个参与计算，但全部专家仍须放在内存中。BF16 是一种 16 位数值格式，以该格式保存的权重文件约 1.5 TB。

• 按 Hugging Face 的 BF16 计算口径，满 100 万 token 上下文的 KV cache（处理中间结果的缓存）还需约 266GB；它是权重之外的开销，不是所有精度版本的统一要求。

权重以 BF16 与 NVFP4 两种格式发布，可在 Hugging Face、Amazon SageMaker AI、Google Cloud Model Garden 和 Microsoft Foundry Models 下载；当天上线的托管服务商包括 Baseten、Fireworks AI、Groq、Modal、Nebius、OpenRouter 和 Together AI。

• 托管方的可用区域、价格与配额需在各平台单独核对，厂商公告不包含这些条件。

Meta 的桌面示例为两台各 512GB 统一内存（CPU 与 GPU 共用内存）的 Apple M5 Ultra Mac Studio，配合 MLX 运行。另一份 Hugging Face 测试记录：3 位量化版在 512GB M3 Ultra 上约占 344GB，在 1024 token 输入、128 token 生成时约 21 token/秒。

• 两台 M5 的示例未说明权重精度，不能推断它能装下 1.5TB 的 BF16 权重。M3 测试是另一种配置，本刊未重跑。量化是以更少位数存储权重，可能影响结果精度。

模型使用 Meta 自定义的 Muse Model License，厂商称允许许多开发者免费使用，但带有限制性商业条款。Artificial Analysis 在 10 月 16 日文章中给出智能指数 39，在该文比较的美国厂商开放权重模型中最高。

• 许可需按原文逐条核对，不能把免费使用概括为商用不受限制。智能指数是该机构综合多项测试的分数，不代表每项任务都领先。

Beam 采用混合专家结构，即每次只调用部分专家子网络；总参数 5010 亿、激活约 230 亿，上下文上限 100 万 token。权重按 Apache 2.0 发布，提供不同数值格式及用于辅助加速生成的草稿模型。

• 上下文上限是官方声明，实际可用长度受内存与运行配置影响。Apache 2.0 的使用仍须遵守版权、许可及适用的 NOTICE 等要求，修改后再分发还须标明改动；本稿不是完整许可解读。

官方称合作方超过 40 家，覆盖 AWS、NVIDIA NIM、Google Cloud、Microsoft Azure、Databricks、Cloudflare、Ollama、LM Studio 等，并提供开源的 Mirror 命令行工具。

• 合作方名单来自厂商公告；各平台的价格与配额需单独核对。

官方披露：训练 Beam 期间（含强化学习、评估与消融实验）累计运行约 13 亿个沙盒；最终一次强化学习训练的峰值时段跨 23 个集群达到 883,006 个 vCPU，约占可分配容量的 83%。

• 这是训练、评估及配套实验的资源投入，不是部署 Beam 所需的配置，也不证明模型能力。

Artificial Analysis 10 月 16 日测得 Beam 智能指数 30，在该文比较的美国厂商开放权重模型中排第二，Muse Spark Open 为 39。Beam 配合 Mirror 的编码任务指数为 28，比 Claude Code 配合 Qwen3.8 Max 低 15 分，输出 token 较少。事实问答 AA-Omniscience 正确率为 33%、幻觉率 47%、净指数 1.5。

• 按评测论文，幻觉率是错误作答数÷（错误作答数＋部分回答数＋未作答数），分母不含答对的题。因此 47% 不能解释成所有回答中近半数错误，也不能与 33% 直接相加。
• 这些结果只适用于该机构的题集和运行设置；编码分数比较的是模型与工具的组合，本刊未重跑实验。

Anthropic 已为六名 METR 员工提供公司硬件、办公位，以及与其内部风险评估团队大致相当的工具和系统访问权；METR 将自行发布风险评估结果。

• 这是厂商自愿安排，访问范围有明确限定；不能据此推断所有安全信息都已对外公开。

Anthropic 表示不能否决 METR 的发表，但可要求删去预先规定类别的敏感信息，如客户数据、受法律保密保护的律师客户沟通及模型架构信息。10 月 16 日更新后的公告注明，信息是否落入这些类别最终由 Anthropic 判断，METR 保留对所获访问及信息程度作某些说明的权利。

• 不能把这种披露安排概括为无限制发表；这段是厂商公告描述，未取得完整合作协议或独立安全验收。

Anthropic 说正在设计三层评估访问：第一层由 Anthropic 决定访问范围，发布需其批准；第二层可自行发布，但仍必须删掉指定类别的敏感信息；第三层即与 METR 的安排。SecureBio 正在评审其 8 月风险报告里关于生物武器和化学武器的章节，Anthropic 还在与 Accenture、Faculty 合作，并与 Hugging Face 等机构处于早期商谈阶段。

• 三层框架仍在建立，各合作方阶段不同。METR 获得访问权不等于已有最终评估结果，更不等于模型已通过安全验收。
• METR 的方法说明用于交叉核对评估范围与披露限制，不作为 Anthropic 六人团队具体权限的独立证明。

分数（满分 100）：GPT-6 Astra 69.4、GPT-6.1 Sol 64.6、Gemini 4 Argon 55.3、Claude Opus 5.5 48.8、Claude Fable 5.1 46.3。

• 仅 8 项桌面任务、单台机械臂、零样本设置，样本量小，不能外推到其他硬件或任务。

原报告概括为：四款模型每项任务约 30 分钟，Gemini 4 Argon 约 52 分钟，人类平均约 20 秒。报告中的模型每任务费用最低 1.93 美元（GPT-6.1 Sol）、最高 16.36 美元（GPT-6 Astra）；整体约 70% 费用花在输入上。

• 报告将人工时间按美国私营非农部门平均时薪 37.81 美元（2026 年 9 月初值）折算。20 秒约为 0.21 美元，与 1.93 美元相比约差 9 倍。这是报告口径下的模型使用费用与工资折算比较，不是机械臂购置、部署和监督的完整成本。
• 四款约 30 分钟是报告的概括，不是本刊重新计算的四款总体均值；不能写成五款平均都是 30 分钟。

抓取成功率：Claude Fable 5.1 与 GPT-6 Astra 约 45%，Claude Opus 5.5 为 40%，Gemini 4 Argon 为 36%，GPT-6.1 Sol 为 28%。

• 成功率按测评方定义的“抓住并搬运目标物体”判定，样本量有限。

评测在隔离的测试环境中进行：模型通过 HTTP 接口控制机械臂，用四个摄像头（三个固定、一个腕部）观察现场，可自行编写并运行代码；任务何时结束由模型自己判断，最终状态由人工按通过标准打分。

• 任务与打分标准由测评方自行设计，本刊没有重跑实验，也没有独立验证其硬件环境。
• Gemini 4 Argon 的活动时间为估算值，测评方说明 Antigravity 未为每一步记录时间戳。