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
本页的评论功能已关闭