今天最值得琢磨的不是谁又发了一个更大的模型，而是几份「账本」同时被摆到台面上：国产 Flash 档把旗舰级的分数压到一两块钱一个任务，一份大规模实验算清了编码 Agent 开多并发到底值不值，NVIDIA 则公开了自己在预训练与后训练之间插入的那一层训练配方。具身一侧，一条路线图把「数据从哪来」拆成四层，一台人形力控臂走到了万台交付。

MiniMax 发布 M3.1 Flash，把旗舰级分数打到一两块钱一个任务

MiniMax 本周推出 M3.1 Flash，定位是面向复杂 Agent、电脑操作、软件开发与网络安全的高性价比模型。官方口径里，它采用更激进的稀疏注意力架构，线上推理速度较上一代提升近 3 倍，日常输出可达 200+ TPS，Agent 类任务的综合使用成本下降约 70%。API 定价为输入每百万 Token 1 元、输出 4 元、缓存读取 0.1 元，稍后会开放权重。在成绩上，其 max 档在软件工程基准 DeepSWE v1.1 上拿到 73.7 分，超过点名对比的 GPT-5.6 Sol（73.0）与 GLM-5.3（66.9），单任务成本不到 2 元；在 Zapier 构建并开源的 Automation-Bench（600 个真实企业业务流程任务，跨销售、营销、运营、客服、财务、HR 等多套 SaaS 系统）上拿到 62.8 分，高于点名对比的 DeepSeek V4.1 Flash-1017（60.5）、OpenAI GPT-5.6 Sol 与 Claude Opus 5。另有 OSWorld V2 61.7 分、ALE 29.6 分、BankerToolBench 76.2 分、CyberGym 82% 等分数见诸转述。它上线的时间点很微妙：两天前，也就是 10 月 17 日，DeepSeek 才刚更新 V4.1 Flash-1017，两家国产厂商在不到 72 小时内接连出手。

值得关注： 这条新闻真正的意义不在某个榜单名次，而在单位成本的量级变化。据转述对比，同样在 DeepSWE 上拿到七十三四分，Claude Opus 5 一个任务的花费是 M3.1 Flash 的四十倍以上；也就是说，过去只有旗舰档才够到的分数，现在开始出现在单任务一两块钱的 Flash 档上。当能力相近而成本差一个数量级时，工程上的选型逻辑会跟着变——长流程、多轮重试、可以失败再来的 Agent 任务，会被大规模推给便宜的段位，旗舰则退到真正需要长程推理的场景。需要保留的判断边界是三点：其一，大部分分数来自 MiniMax 官方发布的总榜与各家媒体转述，尚未见独立第三方复现；其二，36 氪的测算显示两家的成本优势高度依赖缓存命中率——命中率 90% 时 M3.1 Flash 输入费 190 元、低于 DeepSeek 高峰时段的 236 元，但命中率提到 95% 后是 145 元对 138 元，已经基本打平，所谓「价格斩杀线」是有条件的；其三，两家的强弱并不是一边倒——DeepSeek 在 DeepSWE 上的 max 档约 77 分仍高于 M3.1 Flash，并不能说 MiniMax 全面反超。

来源：DeepSeek第一，MiniMax第二，国产Flash双子星杀疯了 - 36氪 ｜ MiniMax M3.1 Flash 上线：每百万 token 输入 1 元、输出 4 元，权重稍后开放 - 腾讯云开发者社区

一份 354 个任务的大规模实验：给编码 Agent 的动态并发算了笔细账

南京大学与伊利诺伊大学厄巴纳—香槟分校的研究者在 arXiv 论文 2610.10263 中对三种前沿编码 Agent——Codex 的 Multiagent V2、Claude Code 的 Dynamic Workflow、Kimi Code 的 AgentSwarm——做了配对实验。范围覆盖 RepoZero、ProgramBench、NL2Repo、LoopsBench 四个长周期基准，外加相对短周期的 SWE-bench Verified，共 354 个任务、2124 次执行，累计记录约 112 亿 Token，按标准 API 价格折算约 20780 美元。结果并不支持「多开几个子智能体就会更好」的直觉：在长周期的 LoopsBench 上确有收益，Claude Code 的任务完成率从 7.1% 升到 21.4%，Codex 从 21.4% 升到 25.0%；但在目标明确的 SWE-bench Verified 上，Codex 并发前后都是 71.0%，Claude Code 从 83.0% 掉到 59.0%，Kimi Code 从 77.0% 掉到 59.0%。全部 354 个任务加总，Codex 在并发模式下多完成 8 个任务但提升不显著，Claude Code 和 Kimi Code 分别少完成 42 个和 19 个，且下降具有统计显著性。

值得关注： 这是迄今对「编码 Agent 并行化」最扎实的一次量化，而且它给出的答案恰好是对 Anthropic 放开千级 Agent、Vals AI 测得多团队成本高出 1.8 至 5.1 倍那一类结论的交叉验证。三个细节尤其有价值：第一，代价被显式量出来了——并发模式的 Token 消耗是顺序模式的 1.41 至 3.31 倍，15 组「Agent × 基准」组合中有 14 组在开启并发后平均运行时间反而变长，Claude Code 在 SWE-bench Verified 上的平均耗时从 17.5 分钟升到 27.8 分钟，同时完成率还下降了；第二，失败模式被编成了一套分类法——研究者人工标注 1062 条并发轨迹，归纳出 4 大类、13 个子类、28 种具体失败模式，出现在 650 条轨迹的 804 次实例中，其中「共享状态与代码合并冲突」占 33.2%、「执行治理」占 29.0%、「任务编排」占 28.5%、「全局上下文管理」占 9.3%，这说明瓶颈主要不在模型写不好一段代码，而在谁负责什么、结果何时回收、冲突怎么合——本质上还是分布式系统那套老问题，只是参与者变成了会自己改文件的模型；第三，它没有一棍子打死并发，而是提炼出三类真正有效的机制——互补分工（Kimi Code 重建 justext 时主 Agent 写核心算法、8 个子智能体负责交付物，耗时从约 734 秒降到 468 秒且不降质量）、并行探索（Codex 重建 Halite 时主 Agent 采纳了子智能体的地图行为实现并保留自己的协议处理部分，最终通过 391 项测试中的 292 项，而顺序版本根本没能构建成功）、独立验证（一个密码学子智能体指出主 Agent 在 ECDSA nonce reuse 场景中漏掉了 P-256 椭圆曲线阶数的要求，从而修正了整体恢复算法）。论文的核心命题从「能并行多少个 Agent」换成了「怎样才算真正协作」，这与这一年来评测口径的迁移方向完全一致。需要注意的是，作者也指出即便任务最终完成，过程中仍常出现重复劳动与额外集成成本，且所有结论均基于这三种具体机制与当时的版本号，换版本重跑未必复现。

来源：当 Coding Agent 开始动态并行，软件开发变得更好了吗？- 腾讯新闻（新智元） ｜ 论文 arXiv:2610.10263 ｜ 研究数据与代码

NVIDIA 公开「中间训练」配方：在预训练与后训练之间插一层

来自 NVIDIA 的团队在论文（arXiv:2610.22019，10 月 18 日发布）中系统公开了一个名为 midtraining（中间训练）的阶段配方：它位于常规预训练与 SFT/RL 之间，目的是让基座模型提前接触真实软件工程所需的长结构化材料——完整仓库、Pull Request、提交历史、构建日志——并混入有限比例的 Agent 轨迹。关键设计包括：在 25.6 万 Token 的上下文窗口上训练、总量达数千亿 Token、以自然软件工程数据为绝对主体、为 Agent 轨迹保留约 10% 至 15% 的配比、保留 20% 的预训练数据重放以避免分布突变，以及在使用轨迹时把工具的返回内容（环境输出）从损失函数中遮蔽掉。落实到 Nemotron 模型上的结果是：30B 参数的 Nemotron 3.5 Lightning 经过 5000 亿 Token 中间训练后，在同样的 SFT 条件下，SWE-bench Verified 从 60.7% 升到 64.5%，Multilingual 从 55.8% 升到 62.8%，Pro 从 32.0% 升到 35.5%；120B 的 Nemotron 3.5 Super 经过 2800 亿 Token 后，长周期基准 DeepSWE 从 11.7% 升到 15.7%，SWE-bench Verified 从 72.9% 升到 74.3%。作者还观察到，这一阶段对跨不同 harness 的稳定性有正向作用。

值得关注： 今年以来「提升不再来自把模型做大」这条线索不断被补强——改外围 harness、让 Agent 自己改 harness、加一层记忆结构，现在轮到「加一个训练阶段」。这份工作的价值在于它不是观点而是可被别家复用的配方，配比、重放比例、损失遮蔽这些细节都写明了，甚至连负面结果也给了：作者发现把工具返回内容一起算进损失反而会损害后训练后的 Agent 表现。与此同时，限幅必须讲清楚——实验只在 Nemotron 单一模型族上做，主要面向编码与 Agent 任务，多处对比是单次运行，且作者没有做「把同样算力投到更长的预训练或 SFT 上」的对照，因此这几个百分点的提升还不能断言来自「中间训练」这个位置本身。这也给读者一个提醒：DeepSWE 上 11.7% 到 15.7% 的绝对值仍然很低，说明长周期软件工程任务远未被解决。

来源：Researchers publish an open 「midtraining」 recipe that boosts coding agents, with caveats - arXiv News ｜ 论文 arXiv:2610.22019

北京人形机器人创新中心公布统一具身模型路线图，用世界模型仿真器补数据

北京人形机器人创新中心（X-Humanoid）在 10 月 17 日上海举办的 ROSCon China 2026 上，由世界模型方向负责人邹世龙做了一场题为《探索具身智能统一基础模型》的主题报告，首次把既有散落的几个拼图组织成一份完整路线图。中心把泛化拆成四级：背景泛化（换了桌子、灯光、背景仍能完成）、组合泛化（把开门、抓取、旋转、悬挂等原子技能串成新的长程任务）、交叉泛化（场景、物体、动作、视角、本体的新组合）、域外泛化（超出训练分布时还能推理与适应）。支撑它的是四层数据与能力：不含本体的一手数据（第一人称视频、手持 UMI 采集）、仿真或生成数据、记录偏差与纠偏过程的失败恢复数据，三者共同训练出一个健壮的世界模型仿真器；第四层则是在这个仿真器内部做推理加上策略迭代，让模型持续从反馈中学习。配套的三个项目分别是：Pelican-VLA（0.5 版本代码自 7 月起在 GitHub，用 32 个 bottleneck 槽位把感知路由到动作，只保留与任务相关的特征）、Pelican-Sim 1.0（9 月 10 日的 arXiv 论文，用约 100 万条轨迹训练，能跨多种机器人预测给定当前图像与动作轨迹后场景如何变化）、以及最新提出的 Pelican-Unify（用共享任务表示与联合训练把场景理解、任务推理、未来视频与动作生成连在一起）。

值得关注： 这条路线的看点在于它把「数据从哪来」明码标价地分层了，而且把真机数据排在了第一层之外——也就是说，昂贵的一手真机数据不再是唯一的补给线，仿真与失败恢复数据被赋予了同等地位。论文口径的数字可以佐证这条路走得通：Pelican-Sim 论文报告，在每个任务 50 条原始演示的基础上加 500 条生成轨迹，策略在 RoboTwin 基准上的平均成功率从 70.0% 提升到 93.0%。这条正好戳中了「做机器人的数据」这一层——数据不必都从真机上采，但要有一条把仿真、失败纠偏与策略迭代串起来的管线。需要提示两点边界：一是中心并未给出 Pelican-Unify 的发布时间，二是这套说法目前仍是路线图与论文口径，没有第三方独立评测，读者宜把它当方向性信号而非已交付能力。

来源：X-Humanoid Sets Out Its Roadmap for a Unified Embodied Model and Self-Evolving Robot Policies - Pandaily

人形力控臂走到万台交付：珞石机器人在邹城下线第 10000 台

珞石（山东）机器人集团第 10000 台人形力控臂在位于山东济宁邹城市的智能制造未来工厂下线并完成交付，据企业与济宁当地媒体口径，这是国内人形力控臂领域首个实现万台级规模交付的企业。珞石自 2017 年锁定全关节力控技术路线，其柔性协作机器人已在汽车、3C 电子、新能源、金属加工等领域应用，随后把技术迁移到具身方向，推出仿人化七自由度、十字腕构型的太白 AR 系列人形力控臂，宣称具备全臂力觉感知与微秒级高动态力控。企业披露的数据显示，目前已与 80 余家产业头部企业开展合作，有 70 多家具身智能公司在把力控手臂接入各自系统。产能侧的背景是：该基地 2016 年落地邹城，2022 年 5 月一期数字化智能机器人装配工厂建成投用，年产能从 3000 套跃升至 3 万套，公开资料称可做到 37 分钟完成一台机器人本体装配。

值得关注： 这条的价值在于它提供了一个不同于「演示视频」的观察坐标——具身智能的核心执行单元开始出现可核验的量产数字。产业逻辑也值得琢磨：过去两年行业焦点几乎全在「大脑」，但当机器人真的走进场景，装配、插拔、搬箱贴靠这类接触式操作是摄像头描述不了的（视觉能看清位置到毫米级，看不见有没有接触、接触力多大、有没有插到底），于是「有分寸的手臂」重新回到产业中心。万台也意味着供应链的一致性、良率与成本曲线开始成为竞争项，而不是只有算法指标。必须标注的边界有三条：时间上，这一消息由济宁新闻网在 10 月 17 日首发、本周陆续被广泛转载，并非今天才发生；数据全部为企业与地方媒体自述，无第三方核验；「国内首个万台级」是企业自行宣称的口径，缺少行业统一统计支撑。

来源：联播快讯：珞石人形力控臂实现万台交付，国产具身智能实现规模化新突破 - 济宁新闻网 ｜ 国产具身智能迎来规模化突破，万台人形力控臂在山东邹城成功交付

今天的几条新闻有一个共同点：提升不再来自把模型做大。谷歌开源了一个不改模型权重、只改 Agent 外围配置的框架，法国 Kyutai 用 24 亿参数的 VLA 打赢了两倍体量的对手，国内具身厂商则用「大小脑分工」的架构去啃长链条家务。能力一侧的扩张也带来了新的配套动作：Anthropic 已经在为「Agent 替人谈判」找律所立规矩，而国内首个物理 AI 与世界模型大会同日在南京开幕。

谷歌开源 Harness²：不动模型权重，改模型外面那层

Google Cloud AI Research 在 GitHub 上开源了 Harness²，版本 0.1.0，Apache 2.0 协议，论文见 arXiv:2610.14224。所谓 harness，指的是模型之外决定 Agent 怎么干活的那部分——系统提示词、护栏、记忆、工具指引、子 Agent、技能、脚本、插件中间件，共 8 个可编辑组件，每个都以文件形式挂载。它运行两层递归：任务层用「提议—探测—合成」三步，先让 Agent 用原配置跑一遍留下参照轨迹，再由编辑器模型提出「通用型」与「领域型」两个候选，两个候选在同一任务上各跑一遍，最后由合成器比对轨迹、只保留被实际行为支持的改动；任务结束后，反思器把采纳的配置连同一份 EXPERIENCE.md 经验文件存进经验库。全程不训练任何参数，模型权重保持冻结，也不需要预先知道正确答案或外部验证器。

结果是：单步优化（k=1）让全部 4 组「模型 × 执行器」组合在全部 3 个基准上都有提升。最大涨幅是 GLM-5 在 OpenCode 下从 64.2 升到 75.7（WorkBuddy-Bench，+11.5 分）；最小涨幅是 GLM-5 在 Codex 下于 JobBench 从 23.6 升到 24.8。把预算提到 k=5 并行搜索后，Gemini 3.5 Flash 在 OpenCode 下达到 80.8（基线 72.4）。执行器是 Gemini 3.5 Flash 与 GLM-5，默认编辑器是 Claude Opus 4.8，结果为 3 次运行的均值。消融实验显示，去掉经验库后 WorkBuddy-Bench 从 77.5 掉到 74.4。三个基准（WorkBuddy-Bench、JobBench、Harvey 的 LAB）均出自论文自带，弱执行器获益更多——一步之后，GLM-5 在 WorkBuddy-Bench 上反超了基线状态的 Gemini 3.5 Flash。

值得关注： 同一周还有另一条独立路径撞到同一个结论。Google DeepMind 与伊利诺伊大学厄巴纳—香槟分校合作的 Evo²（arXiv:2610.13025，10 月 9 日上传，本周被中文技术社区重新解读后传播）同样改 harness，但多走一步：把「改了什么、效果如何」的记录反过来训练负责改进的那个模型，先做监督微调再做交错的 GRPO。在从 SWE-bench Verified 抽出的 60 道修复任务上，同一个 GPT-5-mini，Evo² 拿到 48.3%，对照方法里最强的 SICA 是 24.4%。这里有三个必须说清的边界：其一，这是不同「自动改进方法」之间的比较，不是同一个 Agent 优化前后的变化；其二，换成 Claude Haiku 4.5 后 Evo² 是 47.8%、最强对照 45.0%，差距大幅收窄，那个「近一倍」不能外推到其他模型；其三，论文与对照方法的候选选取规则不同（对照取排名第一的候选，Evo² 取前二候选中更好的一个），而训练改进器那一项的 p 值为 0.086，统计上并不显著。把两条放在一起看，信号是一致的：当换模型的成本越来越高，行业开始认真地把「模型外面那层」当成一条独立的、可自动优化的改进轴。

来源：https://www.marktechpost.com/2026/10/18/google-harness2-recursive-agent-harnessing-framework/ ｜ https://arxiv.org/abs/2610.14224 ｜ https://arxiv.org/abs/2610.13025

Kyutai REKI：24 亿参数的 VLA，靠记忆打赢翻倍体量

法国开源实验室 Kyutai 联合 Inria 与 École des Ponts 发布 REKI，一个 24 亿参数的视觉-语言-动作（VLA）模型，全部用公开数据预训练。骨架是 Qwen3.5-2B（22 亿参数），上面挂一个 2 亿参数的动作专家，用流匹配在 10 步欧拉积分内生成动作块。真正的看点不是参数，而是记忆怎么加：多数 VLA 只看当前帧，REKI 把记忆放进动作专家而非语言骨架——每帧的动作 token 之前放 32 个可学习的 register token，它们交叉注意力读取该帧的提示与视角，同时自注意力读取前几帧的 register；register 从不读动作 token，因此只依赖观测、与流时间和机器人状态无关，可以每帧算一次后缓存进滚动窗口（覆盖最近 3 帧、间隔 1 秒）。代价是每动作块多 0.1 毫秒、每帧显存约 2 MiB，编译后在单张 H100 上每个动作块 21.8 毫秒（两路 256×256 相机）。

这笔开销换来的是一个具体故障的消失：机械臂在两个位姿之间来回抖动，即感知混淆。在 RoboTwin 上，启用记忆后振荡回合从 18.6% 降到 4.1%。成绩方面，LIBERO 四个套件平均 97.6%，LIBERO-Plus 扰动下 90.4%（对比 Qwen-RobotManip 89.0%、π0.5 85.7%），RoboTwin Clean2Rand 65.8%（仅次于 Qwen-RobotManip 68.5%），但 RoboCasa365 只有 38.4%，明显落后于 Xiaomi-Robotics-1 的 57.4%。预训练的收益主要集中在分布外：Clean2Rand 上 +13.8 分，杂乱场景 +30.3 分。真机侧只有一条 UR5 机械臂的演示——每任务约 50 条演示、3000 步训练（约 1 小时）即可跑通。权重已在 Hugging Face 以 CC BY-NC-SA 4.0 发布（非商用），代码为 MIT 协议，从数据清洗到训练再到部署的完整栈一并放出。

值得关注： VLA 赛道过去基本是一场规模竞赛——更大的骨架、更多数据、更多 GPU，默认机器人智能会靠堆算力自己长出来。REKI 提供的是一个反方向的数据点：架构技巧加上公开数据，就能在同等体量里做到最好。24 亿参数单卡可跑是关键的差别，它把机器人研究的门槛从「有没有资本」拉回「有没有想法」，高校实验室和小公司都进得来。但两个限定必须同时写清楚：所有成绩都是仿真，模型卡自己注明除单臂 UR5 演示外没有真机与安全评估；非商用许可也意味着实验室可以在上面继续做，多数企业却不能拿去发货。

来源：https://kyutai.org/reki ｜ https://webainews.com/meet-kyutai-reki-the-2-4b-vla-model-bringing-efficient-memory-to-robot-manipulation

Anthropic 找律所，想在 Agent 学会谈判之前先立规矩

据《金融时报》报道，Anthropic 正在就「AI Agent 代表用户谈判」向律所征询规范意见，The Decoder 等媒体转述了这一消息。设想的场景很具体：跟卖家压价、处理客服纠纷、就现有合同条款提出修改、帮用户谈工作待遇。这跟「让 AI 帮你写封邮件」不是一回事——一旦 Agent 开始出价、回应还价、表示接受，它就在影响价格、期限、承诺和关系，且很难撤销。据报道，讨论中的问题包括 Agent 中途该多久回头问一次人、对对方的 Agent 该保持多大戒心（FT 的原话是不要变得「偏执」或陷入「阴谋论式思维」），以及一个具体方案：由用户签署文件来证明 Agent 的权限与必须遵守的规则，让对方 Agent 无需查看完整提示词就能验证其授权。目前没有公布参与的律所名单、规范将以什么形式落地，也没有发布消费级功能的时间表。

这件事有实验底子。Anthropic 的 Project Deal 让 69 名员工各派一个定制 Claude Agent，在一周的内部市场里买卖真实个人物品：Agent 自己挂商品、报价、应对还价，在没有预设谈判协议的情况下完成 186 笔交易、总额略高于 4000 美元。其中有个不舒服的发现——在混合不同模型的运行中，由更强模型代表的人拿到了客观上更好的结果，但用较弱模型的人普遍没察觉自己吃亏（公平感评分 4.05 对 4.06，七分制）。后续的 Project Swap 又指出，理想结果与用户实际所得之间的落差，主要来自 Agent 对用户偏好的理解偏差，而不是讨价还价本身。外部参照同样存在：哈佛商学院的 Michelle Vaccaro 做过超过 18 万次 Agent 对 Agent 谈判，其中出现过一次用提示注射套取对方私人信息的案例。与之配套的还有一个新岗位「概念推理研究员」——面向律师、哲学家、经济学家等，四个月期、薪酬 10 万至 16.7 万美元，任务是给那些没有干净可验证答案的领域构造评测。

值得关注： 值得注意的不是「Agent 会不会谈判」，而是顺序——Anthropic 在把会谈判的 Agent 推给用户之前，先去问规则应该是什么，这与行业常见的「先上线、出事后再补护栏」相反。真正的风险藏在 Project Deal 的细节里：Agent 不需要撒谎就能让用户吃亏，它可能误解你看重什么、多说了一句预算底线、被对方的操纵话术带跑，或者优化了一个看起来合理却偏离你真实优先级的指标。当标的从书和日用品换成房租、薪资、医疗账单、保险和采购时，这个偏差会被放大。还有一层分配问题：如果最强的谈判 Agent 只存在于最贵的订阅档位里，机器谈判就可能在规模化地复制并放大既有的议价能力差距——FT 明确点出了这一担忧。规范最后由谁写，决定了价值流向普通用户还是流向付费最高的一方。

来源：https://aistify.com/anthropic-ai-agents-negotiate-deals-lawyers

国内首个物理 AI 与世界模型大会在南京开幕

10 月 19 日，2026 物理 AI 与世界模型大会在南京国际博览中心启幕，会期 4 天（10 月 19 日至 22 日）。主办方为江苏省数据集团、南京大数据集团与中国人工智能学会，主题是「建模物理世界·智启美好未来」，采用「1 场开幕式 + 1 个配套展览 + N 场主题研讨」的架构，设 9 个平行分会场，方向覆盖医疗健康世界模型、工业世界模型、数据开发、自动驾驶与具身智能。三家主办方在 10 月 12 日的发布会上称这是国内首个聚焦该领域的高规格综合性行业大会，会期将发布一批标志性成果并举行重大项目签约，图灵奖得主、两院院士及行业领军人物参加。落点在建邺：建邺高新区已集聚原方智能、极佳视界、昂晟科技（江苏）、元意科技等一批具身智能企业，同期揭牌的还有具身智能场景开放与验证基地。

其中原方智能成立于今年 7 月，核心团队来自南京大学 LAMDA 实验室。创始人兼 CEO 林浩鑫（南京大学博士）介绍，团队做的是基于跨步预测世界模型的「物理智能 Rehearsal 框架」：让机器人先在数据驱动的虚拟世界里反复训练、推演试错，再走进真实物理空间作业，构成「数据—推演—优化—执行」的完整训练闭环；据其称，这套虚拟预演强化学习平台能把机器人在家庭场景中的决策成功率提升 20% 以上。主办方给出的落地理由是江苏在数据采集、高质量数据集建设、模型训练、场景应用等环节的基础，「数据供给—模型训练—场景验证—规模推广」的闭环已基本成形。

值得关注： 一个细分方向从论文话题变成有主办方、有会期、有签约、有产业基地的行业大会，本身就是阶段信号——它意味着物理 AI 与世界模型在国内已经不只是几家公司在讲的概念，而是开始争夺学术共识与技术评价范式的定义权。中国人工智能学会的表述里有一句值得记：目标是推动国内形成统一的学术研讨共识与技术评价范式。对具身智能这条链而言，评价范式往往比单点技术更能决定资源往哪里流。需要保留的判断边界是：会上提到的「决策成功率提升 20% 以上」是企业自述，无第三方复现；「首个」也是主办方自述的口径；而一个大会能落地多少真实订单，要等签约名单和后续履约数据，不能靠会期本身推断。

来源：https://www.nanjing.gov.cn/zzb/ywdt/njxx/202610/t20261013_5924499.html ｜ https://www.163.com/dy/article/L9J03T3P05568W0A.html

西湖机器人 WR1：灵巧手自主叠衣与双机协同折叠

西湖机器人（Westlake Robotics）的通用大脑 WR1 近日放出长程家务演示。先要交代日期口径：相关演示在 10 月中旬已经流出，10 月 17 日有媒体刊出对创始人兼董事长王东林的独家专访，10 月 19 日由财经媒体再度推送，并非当天首发。演示瞄准的是柔性衣物这个高壁垒课题：机器人先从晾衣架上取下长裤，像人一样把裤子搭在手臂上承托；取衣过程中晾衣架随之晃动、架上两件 T 恤的位置左右偏移，机器人持续观察并实时调整仍稳定完成；随后它把 T 恤抛送给机械臂自主识别折叠，人形机器人则转身把长裤铺展到桌面，与另一台人形机器人协同折叠——两台一边关注对方的动作，一边根据长裤的实时状态调整配合，把取衣、承托、转移、展开、折叠串成连续操作。公司称其中「灵巧手自主折叠衣物」属全球首个演示案例，难度高于业内常见的折叠毛巾、浴巾等规整织物。另有从冰箱取玉米、U 型转身走向空气炸锅、下蹲拖动收纳筐收纳玩偶、卧室整理被子等片段。

架构上，公司采用的是所谓「通用大小脑双预训练」：通用大脑融合世界模型（WM）与视觉-语言-动作模型（VLA），负责环境感知、任务拆解与全局路径规划，直接输出包含身体移动、躯干姿态、灵巧手操作在内的完整全身动作序列；通用小脑 GAE（General Action Expert，公司称是全球首个通用动作大模型）承接该序列，负责毫秒级肢体输出与动态姿态校准。针对长链条任务容易动作断裂的问题，WR1 配置了长短时运动状态回顾、实时动作分块衔接，以及 GAE 的前瞻延迟补偿。王东林在专访中称 GAE 以单个 Transformer 架构兼容全量动作，输出的是通用运动轨迹而非针对具体型号的关节角度指令，因此可以适配不同厂商的本体。

值得关注： 这条的价值不在「会叠衣服」这个动作本身，而在它把行业普遍的失败模式摆到了台面上：移动、姿态与手部操作分开规划，导致「能走的走不稳，能操作的动不了」，机器人往往需要站定才能干活，一遇到跨空间、多步骤、带扰动的场景就断链。把大小脑拆成两个预训练模块、中间用标准化接口连接，是眼下国内具身厂商给出的一种架构答案。同时必须保留足够的怀疑：没有任何基准数据被公布（这一点海外媒体也专门点出），「全球首创」「全球首个」均为公司自述，视频不等于可重复的成功率，晃动环境下的实时调整也没有量化指标。另外，这段演示与 Figure 的公开视频被放在同一语境下比较，但两者的任务条件、扰动设计与成功率口径并不相同，不能直接等同。

来源：https://finance.sina.com.cn/wm/2026-10-19/doc-inivtchx6272552.shtml ｜ https://news.qq.com/rain/a/20261017A04P4E00

今天有两个方向在同时发生：一边是模型权重、智能体 harness 和沙箱代码被一件件放出来，一边是开发者交出去的 API 密钥正在外流。门槛被拆掉的同一周，风险的存放位置也换了个地方。具身智能那边，真机数据第一次以「可确权、可计价、可出境」的整包形式卖向海外。

Reflection 开源 Beam：5010 亿参数、Apache 2.0，连训练用的 harness 一起给

美国初创公司 Reflection AI 把首个模型 Beam 的权重放上了 Hugging Face，采用 Apache 2.0 许可证。Beam 是一个稀疏 MoE 模型——MoE 即混合专家架构，把模型拆成许多小的专家网络，每次推理只激活其中一小部分，所以它的总参数是 5010 亿，而每个 token 实际参与计算的只有约 230 亿。上下文窗口 100 万 token，权重提供 BF16、FP8、NVFP4 三种精度。这次发布不只是放权重：Reflection 把训练 Beam 时用的 agent harness（智能体运行框架，负责组装上下文、调用工具、管理会话的那一层）Mirror CLI 也一并开源，它用 Rust 写核心、Python 做前端，支持断点续接和在独立工作树里并行跑多个 agent。公司同时拉来 40 多家伙伴，覆盖 vLLM、SGLang、Unsloth 等推理框架与 AWS、Azure、谷歌云等托管端点，戴尔与 HPE 提供内网部署。

值得关注： 数字上要分清两件事。Beam 的自测成绩并不都是第一：Reflection 自己的表格显示，在它主打的终端智能体基准 Terminal-Bench v2.1 上，智谱 GLM-5.3 拿到 88.2、月之暗面 Kimi K3 拿到 88.3，都高于 Beam 的 80.1。公司真正的论点是效率——它称 Beam 在推理任务上与 GLM-5.2 相当，而推理算力只花其中的三分之一到四分之一。跨源数字也有出入：SWE-bench Verified 一项，有报道写 80.9，也有报道写 81.6，两者都出自厂商材料，尚无第三方复现。

更值得注意的是它开放的范围。过去一年，前沿级开源权重几乎是中国公司的故事——DeepSeek、Kimi、智谱 GLM 系列，美国大厂多只提供付费 API。Reflection 由两位前谷歌 DeepMind 研究员创立、英伟达参投，明确定位成这条开源赛道上的美国选项。发布当天还有一层背景：《金融时报》报道英伟达在与 Reflection 洽谈收购，双方均未确认——在这个节点把权重散出去，本身就是一个姿态。硬件门槛也要说清：BF16 权重约 1TB，压到 NVFP4 仍有约 280GB，官方建议四张 B200 才留得下足够的 KV 缓存；这是机架级模型，不是能随手下载的桌面玩具。

来源：Reflection AI 官方博客 ｜ AlphaSignal ｜ Neural Daily

DeepSeek 发布 V4.1-Flash-1017：当天上线、当天开源，单任务成本压到 0.2 美元

DeepSeek 在 10 月 17 日上线了 V4.1-Flash 的新检查点 1017，官网、App 和 API 同日切换，调用方把模型名设成 deepseek-flash 即可，价格与调用方式都不变。同一天，权重以 MIT 许可证挂上 Hugging Face 和 ModelScope——发布即开源，这在今天仍是稀缺操作。官方给出的提升是：终端智能体基准 Terminal-Bench 4.0 从 31.2 涨到 42.3，DeepSWE v1.1 从 74.2 涨到 77.0，ProgramBench 从 20.3 涨到 29.1。DeepSeek 同时把自研搜索引擎开放成 Search 与 Fetch 两个 API，各按每千次 0.75 美元计费；通过 DeepSeek Harness、Claude Code、Codex 的服务端工具触发的调用，在 10 月 31 日 16:00 UTC 之前免费。

值得关注： 这次真正值钱的不是分数，是成本结构。DeepSeek 公布的曲线显示，在 DeepSWE v1.1 上拿到 77.0 的那个点，单任务平均成本约 0.2 美元，而上一版约 0.5 美元；横向对比里 Claude Opus 5 在同一基准上是 74.0，成本却高出近两个数量级。按技术报告口径，模型是 40 层（20 层因果编码器 + 20 层解码器）的多模态 MoE，骨干 5520 亿参数，另有 1960 亿 Engram 参数——Engram 是 DeepSeek 用来承载稀疏记忆的参数部分；Hugging Face 仓库页列出的 7630 亿则是含量化在内的总规模，两个数字不矛盾但口径不同，引用时极易混淆。架构侧的关键改动是每 token 全局 KV 缓存压到 890 字节，约为上一代 V4-Flash 的四分之一，解码算力因此几乎不随上下文长度增长。

分数要看两面。这些全是 DeepSeek 自测，Terminal-Bench 用 Claude Code 框架跑、DeepSWE 用 Mini-SWE-V2 框架跑，自家 harness 出自家的分；纯推理上限上，Opus 5 在 HLE（无工具）仍是 56.3 对 42.6，差距还在。但 +11 个点的终端智能体涨幅不像刷分能刷出来的，更合理的读法是：这一版的进步不在「更聪明」，而在「更会干活」。

来源：Artificial Watch ｜ Superpower Daily ｜ ccleaks

OpenCode 控制台密钥泄露：约 1.4% 用户，Anthropic 与谷歌已动手吊销

开源编码智能体 OpenCode 在 10 月 17 日确认遭遇一起安全事件，公司把它定性为「大规模蒸馏攻击」——蒸馏攻击指批量盗用他人模型访问权来训练自己的复制品。攻击者获得了对一个正在退役的遗留系统的未授权访问，导致部分用户此前存在 OpenCode Console 里的 OpenAI、Anthropic、谷歌 API 密钥可能暴露。OpenCode 称受影响的是约 1.4% 的 Console 用户，且仅限绑定过外部模型提供商密钥的账户。Anthropic 已主动吊销其认定受影响的 Claude 密钥，谷歌封禁了暴露的 Gemini 密钥，OpenAI 方面也在协同处置。开发方明确：泄露发生在 Console 这个托管控制台，不是 OpenCode 本地工具本身，本地跑开源 agent 用的密钥从未上传到他们那边。

值得关注： 这是 AI 编码工具普及后出现的一类新型风险面。过去密钥散落在各项目的 .env 文件里，现在被集中存进各类 agent 工具的云端控制台——方便是真方便，攻击面也真集中，一个 Console 被攻破，丢的不是一把钥匙而是一串。时间点上也有教训：有用户报告最早在 10 月 17 日凌晨前后就看到异常用量和扣费，而官方邮件通知发出时已过去约 22 小时。官方至今表示无法确认暴露密钥是否已被滥用，调查也未发现其他数据泄露的证据；已有用户自述出现约 100 美元的异常用量，但那是个案而非公司统计。

值得留意的是同期曝光的配套黑产：安全公司 Bitsight 本周报告了一个名为 MONST3R-AI 的犯罪工具，在地下论坛出售，买家把偷来的 OpenAI、Anthropic、谷歌密钥粘进面板，就能驱动自主扫描 agent 去打目标，账单记在密钥主人头上。印度 CERT-In 本周也就「AI agent 凭借代码与配置文件里暴露的凭据触达生产系统」发出警告。对团队来说，可操作的四条是：一个第三方服务一把独立密钥、给每把密钥设消费上限、用服务商提供的最窄权限范围、按月盯用量基线——因为「检查异常用量」这招只有在你知道正常长什么样时才管用。

需要点明一点：OpenCode 就是 10 月 13 日刚发布 2.0 正式版的那个项目，本次事件与 2.0 的功能改动无关，是托管控制台侧的事故。

来源：Code Your Craft ｜ ZAKER ｜ 网易

Perplexity 开源 SPACE：把 Computer 的沙箱连同红队报告一起交出来

Perplexity 把自家 Computer 产品背后的沙箱平台 SPACE 以 Apache 2.0 开源，代码用 Rust 写成，版本 0.8.0。SPACE 是 Sandboxed Platform for Agentic Code Execution 的缩写，通过 HTTP API 把 agent 生成的代码放进 Firecracker microVM 里执行——Firecracker 是亚马逊开源的一种轻量虚拟机监控器，启动快、隔离强，比容器更适合跑不可信代码。每个沙箱有自己的独立虚拟机和内核，凭据在网络层注入、从不进入虚拟机内部，出站流量由宿主机上的独立网关按白名单管控。它自 7 月起支撑全部 Computer 会话，每天创建数百万个沙箱；在同一生产流量下，创建速度比此前所用的商业沙箱快 3 到 5 倍，另一组口径给出中位数从 185 毫秒降到 60 毫秒。

值得关注： 安全数字要分清口径。Perplexity 对媒体的说法是：给九个前沿模型下指令让它们尝试逃逸，118 次尝试无一成功。而它发布的《Escaping SPACE: Part I》报告口径更细：两类任务、四种网络配置共 216 次运行，其中「沙箱逃逸」这一类 108 次全部失败，无网络配置下 54 次绕过尝试也全部失败；但在修复之前，部分网络配置下的 54 次里有 11 次成功绕过出站策略，Claude Opus 5.0、GPT-5.6 Sol、GPT-5.6 Cyber、Kimi K3 四个模型各找到一条通路，手法是 DNS 欺骗加共用 CDN IP。团队随后加了源地址校验，并让网关终止 TLS、同时校验 SNI 与 HTTP Host，复测后没有模型再产生可验证的绕过。同一团队还测了十家第三方沙箱，八家至少存在一处网络策略绕过，并已通报厂商。

这些全是 Perplexity 自己的声明，不是独立审计——这正是开源的意义：现在谁都能跑一遍。更值得注意的是它透露的行业判断：多个厂商在同一时期收敛到几乎相同的 Firecracker 每 agent 隔离方案，执行层正在变成大宗商品，护城河往控制面（编排、身份、凭据治理）移动。给开发者的建议也因此很直白：别再自己造沙箱了，把工程资源投到上层。

来源：GitHub perplexityai/SPACE ｜ TSN Media ｜ Lumien AI ｜ Forkast

真机数据被当成资产卖：2 亿元、30 万小时，走完确权、确价、出境三步

上海刻行时空启动了一笔合同金额超过 2 亿元人民币、总时长约 30 万小时的海外真机数据交付，首批以多本体为主的逾千小时已完成验收，公司称通过率接近 100%。数据产自刻行时空、宇树科技与上海技术交易所三方共建的「湾谷具身智能创新示范场」，覆盖全身运动控制、长时序连续任务和高复杂度操作三类。真正的看点不在金额，而在流程：这批数据经由上海技术交易所完成确权与确价，并在上海自贸区临港新片区完成合规跨境交付，形成「采集—确权—登记—交易—出境」的闭环。此前在 7 月 30 日，刻行时空的数据出境项目已一次性通过临港专家评审。

值得关注： 具身智能这两年的投入重心在本体——关节、灵巧手、运控算法。当本体开始批量交付，缺口转移到了另一侧：机器人在真实环境里积累的经验，此前没有稳定、合规、可计量的供给方式。这单生意的意义在于把这件事价格化了——30 万小时对应超过 2 亿元，折合每小时约 660 元（这是按合同总金额与总时长粗算的量级，不是公布的单价），数据第一次有了可对照的市场标尺。同时它把确权、质量验收和跨境合规这三件过去各自为政的事串成了一条链：来源能追溯、权益能明确、价值能形成、出境能合规。

同一周还有一条基础设施侧的消息可以对照着看：沈阳具身智能机器人创新中心 10 月 17 日开园，已布局零售、康养、工业、酒店服务等 13 类 24 个数据采集场景，部署 33 台套专业数采设备，东北首个银河通用「开拓者训练营」同步落地。一边是把数据当资产卖出去，一边是把采集场景园区化地组织起来——两者指向同一件事：具身智能的分工正在形成，在本体与模型之外，「谁能源源不断地产出高质量真机数据」成了独立的一环。

需要说明的是，金额、时长与通过率均出自企业自述与上海技术交易所的公开通稿，尚无第三方核验，买家身份、单价与交付排期均未披露。

来源：财经网 ｜ 上海技术交易所（网易转载） ｜ 沈阳日报

精准输入：搜索时主动"做减法"

避免信息泛滥的第一步，就是在搜索时提高精准度。

• 技巧性搜索：多使用 ""（精确匹配）、减号 -（排除特定词）、site:（限定网站）和时间范围等高级搜索语法，能直接过滤掉大量无关结果。
• 策略性搜索：每次搜索前问自己："我想用查到的信息解决什么问题？" 这能有效对抗算法推荐带来的无目的浏览。

即时处理：让大脑专注于思考

每打开一个新标签页，都应有明确的处理策略。

• 三秒决策：快速判断网页价值，并决定：归档保存（用稍后读工具）、立即精读并做笔记，或直接关闭。避免让未处理的页面堆积。
• "5 分钟原则"：如果预估能在 5 分钟内读完并消化，就立刻做。拖延是导致标签页堆积的主要原因。
• 初步结构化：看到一个有价值的观点时，可以立刻用"曼陀罗九宫格"这类简单工具，在中心写下主题，在周围快速发散记录相关想法，为后续整理奠定基础。

深度整理：从发散到收敛

这是将碎片信息转化为知识的关键一步。

• 运用"发散-收敛"思维方法：先无拘束地收集（发散），再用固定的时间进行汇总、分类、提炼核心观点和行动计划（收敛）。每天工作结束前，强制自己完成一次"收敛"操作。
• 构建知识体系：将整理好的内容，存入双链笔记软件（如 Obsidian、Logseq）或大纲工具（如 Workflowy）。关键在于建立笔记之间的关联，而非简单堆积。

行动与应用：从知道到做到

真正的消化意味着信息能改变你的思考或行动。

• 践行"应用策略"：遇到有用信息时，停下来问："这个具体可以如何用在我的工作/生活中？" 哪怕只记下一个微小的应用点，也比单纯收藏更有价值。
• 启动"数字清理"：可以参考专家建议，进行一个为期 30 天的轻度数字清理，例如：清理浏览器书签、取消无用订阅、设置每天固定的"无干扰浏览"时段，甚至睡前 1 小时不使用电子设备。这能从环境上减少干扰源。