X 24 小时热点第十三轮：METR 评估 AI 加速、特拉华 AI 公司、蚂蚁 Ling-3.2

这一轮 X 热点的主线词是「评估」：给 AI 加速评估、给科研能力出卷、给语音 agent 比武，连立法机构都开始给 AI 设计主体身份。

分量最重的是评估机制本身。METR 公布风险评估报告：自今年 8 月起，一个团队用 Anthropic 的内部信息评估 AI 是否在加速 AI 研发（报告结论以 METR 原文为准）。更值得记的是回应方式：Anthropic 联合创始人 Sam McCandlish 的首条公开帖确认，已把未发布模型的基准、进展估计与研究员访谈交给 METR 独立下结论；他认同「AI 在加快研究，但还不能独立完成训练里最重要的贡献」，并坦言大量细节因商业敏感与「避免变成加速路线图」被删，未来几周 Anthropic 将公布自己的进展分析。内部数据交外部评估，这个机制比任何单条结论都重要。

立法侧，MTS 发帖称特拉华州正在起草新公司形式 Artificial Intelligence Company：由 AI 管理的 AIC 可以提供服务、签合同、持有财产并以公司名义诉讼应诉（该帖口径，法案文本与进度未经独立核实）。AI 拥有实体这件事一旦落地，agent 经济的想象空间和监管问题会同时打开。

模型侧，蚂蚁 Ling 发布 Ling-3.2-flash：560B 总参数、25B 激活，强调复杂视觉理解、长程多模态 agent、3D 理解与医学智能；发布评测自称 OmniDocBench1.5 拿 92.21 对 Opus 5（max）的 90.56、ZEROBench（Sub）43.71 对 39.52、Vision2Web 85.86 对 80.20，均为发布方口径未经独立复现。值得注意的是这是蚂蚁 Ling 系列第一次直接拿 Opus 5 做对标，25B 激活的推理成本账也摆在了明面。

评测侧两条。Science's Last Exam（SLE）由 34 家机构联合出卷：给 agent 真实研究目标与工具，对照隐藏专家检查打分，9 个学科 113 个任务，8 个前沿模型最高 37.5 分，端到端研究轨道全部为零：问答能拿高分，真做研究全军覆没，材料 11 月 6 日开放。Cekura Bench 则给语音 AI 立了可比的尺子：对 OpenAI、Google、Nvidia、xAI 等 50 多个模型与平台，用真人任务录音比较自然度、性能与成本。

六条合起来的提示很实在：评估方法论本身就是可借鉴的工具箱。做 agent 产品的人，先想清楚用什么标尺量自己的东西，再谈谁家模型更强。