今天的两条主线都很「工程化」。编码 Agent 这边，Chrome 团队把浏览器调试能力做成正式可用的 MCP 服务器，Agent 可以自己开页面、读控制台、跑性能 trace，再回头改代码——闭环里少了一个人；开源社区这一周则把力气花在模型外面那层运行时上。具身智能这边，行业报告把「缺数据」量化成了千万小时级，资本开始往关节与力控这类底层硬件集中。

Chrome DevTools MCP 转正：编码 Agent 终于能自己开浏览器查错

Chrome 团队把 chrome-devtools-mcp 做成了正式可用的 MCP 服务器，让 Claude Code、Cursor、Copilot、Gemini CLI、Antigravity 这类编码 Agent 直接控制和检查一个真实的 Chrome 实例。MCP 指 Model Context Protocol，一套让 AI 客户端以统一接口调用外部工具的开源协议，最初由 Anthropic 提出，现已成为编码 Agent 接工具的事实标准。该项目以 Apache-2.0 协议开源，版本 v1.11.0，GitHub 上约 5.38 万星、149 位贡献者。能力分三块：录制 trace 并提取可执行的性能洞察；分析网络请求、截图、读取控制台消息（带 source map 堆栈）；基于 Puppeteer 的可靠自动化，动作之后会等待结果而不是盲等。落到具体工具上，就是 take_snapshot、take_screenshot、list_console_messages、list_network_requests、get_network_request 这一组读状态的接口，加上 click、fill_form 这类写动作，以及 emulate_cpu、emulate_network、resize_page 用来模拟弱网与低端机，还有 performance_start_trace 与 performance_analyze_insight 负责把一次加载拆成可归因的指标。除 MCP 外还提供 CLI 与精简的 slim 模式；Chrome 144 及以上版本可以在 chrome://inspect 里打开远程调试，再用 --autoConnect 接入一个已经开着的浏览器实例。

值得关注：它补的是 Agent 工作流里最后一段盲区。前端 bug 过去必须由人复现、截图、贴日志，Agent 只能靠猜；现在它可以自己进浏览器验证「改完到底好没好」，验证成本从几分钟人工降到一次工具调用。边界同样清楚：浏览器里的内容对 MCP 客户端完全可见，接到日常用的浏览器等于把登录态交出去，官方建议用独立 profile；使用统计默认上报 Google，trace 的 URL 会发给 CrUX 接口，需要 --no-usage-statistics 与 --no-performance-crux 手动关闭；官方只保证 Chrome 与 Chrome for Testing，要跨浏览器得换 Playwright MCP。

来源：Chrome DevTools MCP 正式可用（AI 技术日报 2026-10-21） · ChromeDevTools/chrome-devtools-mcp

编码 Agent 的竞争点，正从「模型」挪到「运行时」

10 月 17 日至 21 日，GitHub 上冒头的几个项目指向同一件事。LemonCrow v0.8.0 是一个 Python 写的编码 Agent 运行时，官方目标是平均提速 25%、降本 30% 而不牺牲质量。Pi Harness v2.2.4 给 Pi Coding Agent 补上了可观测性、治理、崩溃恢复、评估与多 Agent 编排。Runner v0.16.4 用 Rust 把 Claude Code、Codex、Copilot CLI 放进同一个终端协同干活，各自保留独立的 TUI 界面。同期还有 NanoCoder v1.31.0，主打自己带模型、代码留在本地。

值得关注：这几件事拼起来是一张清晰的图——模型能力还在涨，但工程侧的差距越来越体现在 harness，也就是模型外面那层负责上下文管理、工具执行、权限、日志、长任务与成本的东西。当 Flash 档模型已经能把单任务成本压到一两块钱，真正决定生产可用性的就变成了「出错能不能恢复」「花了多少钱能不能解释」「多个 Agent 抢同一个仓库会不会打架」。对技术选型的含义是：评估一个编码工具，只看榜单分数已经不够，要看它能不能被审计、被限流、被回滚。

来源：AI model releases this week（AI on Radar）

伊塔动力完成超亿元种子系列融资：钱投在人形机器人的「动力底盘」上

机器人动力与操作平台企业 YITA Dynamics 伊塔动力在 10 月 20 日披露，已完成种子轮与种子+轮合计超亿元融资，由经纬创投、商汤国香资本、建银国际、光源 L2F 基金、银河通用及傅利叶智能联合投资，光源资本担任孵化方与独家财务顾问。公司的定位是打通具身算法与机器人的物理执行机构，路径从关节模组延伸到力控操作平台。创始人钟雪岗有十余年机器人产业化经验，此前在傅利叶智能负责人形机器人动力板块，主导三代共 20 余款执行器与关节模组开发，产品累计量产近 5 万台；首席科学家闫磊长期做力控机械臂算法与灵巧操作。技术路线上，公司选择自研复合行星力控方案，作为区别于传统谐波传动的一条独立路线。公司名取自希腊字母 η（Eta），在强化学习里代表学习率、在动力传动里代表能量转化效率，正好对应它的双重定位。

值得关注：这笔钱没有投给本体品牌，而是投给了决定「机器人能不能把力气用准」的那一层。灵巧操作场景对机械臂的约束是负载、体积、能耗、成本互相牵制，任何一项单独优化都会挤压其余三项，所以这一层的技术选择一旦定型就很难改，先发者拿到的是一段长期的结构性优势。投资方的判断也点明了范式变化：过去机器人控制靠固定规则编写，现在硬件系统要适配基于学习的智能模型，软硬件协同设计才是降低具身模型落地门槛的关键。需要保留的边界是，机构自己承认赛道商业化周期长、技术落地与客户验证仍存不确定性；「近 5 万台」是团队历史机型累计量产数，不等于新公司的出货量。

来源：伊塔动力完成超亿元种子系列融资，瞄准具身智能底层动力硬件（腾讯新闻）

《具身智能发展报告（2026）》：要等来机器人的「ChatGPT 时刻」，先得有千万小时级数据

10 月 13 日至 16 日，国际电信联盟（ITU）具身智能标准焦点组 2026 年第三次会议及标准高级研修班在杭州举行。该焦点组已汇聚 57 个国家和地区的 500 余名专家，设九大分组，覆盖基础架构与术语、多模态数据、具身智能模型、系统集成与接口、开源生态等方向，数十项标准工作项目正在推进。由中国信息通信研究院牵头推动的 ITU-T F.748.66《具身智能系统框架及能力要求》已于 2025 年 12 月获批生效，明确了具身智能的定义、系统框架以及感知、决策、执行、交互、学习等关键能力要求。会上，中国信通院、清华大学电子工程系与具身智能测试实验室联合发布《具身智能发展报告（2026）》，判断产业已走出实验室样机阶段，进入商业化落地的关键窗口期，北京、广东、江苏、浙江等地形成特色产业集群。

值得关注：报告给出了一个可用来校准预期的硬数字——要实现机器人自己的「ChatGPT 时刻」，模型需要千万小时级的有效数据。在高需求与大规模缺口之间，国内已有数十家公司进入具身数据赛道，仿真合成与真实数据并行推进，各自的能力边界逐渐清晰。仿真公司 Motphys 的判断是，产业关注点正从机器人本体转向数据与训练，如何获取高质量数据、提升训练效率、缩小仿真与真机之间的差距，才是落地的主要矛盾。这也是当前具身智能最像早期大数据的地方：算力和本体都可以买，唯独数据管线、治理与质量评估买不到，只能一单一单攒。

来源：具身智能落地呼唤可信数据标准 Motphys 仿真方案引关注（光明网）

首届全球具身智能应用创新挑战赛闭幕：2000 支队伍在杭州比「连续作业」

首届全球具身智能应用创新挑战赛暨 2026 中国机器人大赛于 10 月 18 日在杭州闭幕。赛事由中国自动化学会、国家具身智能应用中试基地主办，10 月 16 日开幕，赛场分布在白马湖国际会展中心与滨江智造谷。初赛阶段吸引全国 380 所高校及企事业单位约 2.8 万人次参与，决赛阶段 2000 支队伍、近 5000 名选手到场，最终产生 59 支冠军队伍、57 支亚军、52 支季军，共 168 支队伍进入各赛项前三。中国机器人大赛创办于 1999 年，本届大学组设 22 个大项、60 个子项目。

值得关注：赛制本身在变。传统赛项与具身智能应用任务同场展开，首届挑战赛覆盖柔性分拣、空地协同、居家服务、医疗辅助、未知地形探索和灵巧操作，其中含 3 个企业赛项，要求机器人在动态环境里连续完成感知、判断、规划与执行，评价重心从单项性能转向多步骤任务的完成质量。这是一个信号：人才评价标准正在跟产业需求对齐，能调通一个动作的人不缺，能把一串动作在不确定环境里稳定跑完的人才稀缺。边界也要说清楚，比赛成绩不等于产品可靠性，真实产线的节拍、良率与安全冗余是另一套考卷。

来源：首届全球具身智能应用创新挑战赛暨 2026 中国机器人大赛在杭州闭幕（央广网）

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

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。