AI 日报 | 2026年10月23日

今天这五件事落在同一个位置上：模型层和本体层都不是瓶颈了，中间那一层才是。Anthropic 在补「主动性」这一层——让助手变成盯着你工作的人；腾讯与复旦在补「训练环境」这一层——不靠模型凭空生成材料，而是造一万多套可核算的工作区；Docker 与 Harbor 在补「评测可信度」这一层——先假设智能体会改自己的考卷；英伟达在补机器人的「数据与运行时」这一层——把资产库、数据集和实时框架一次性铺开。而宇树那条恰好是反证：本体能力一天比一天夸张，出货结构却还停在原地。

Anthropic 推出 Claude Duet：不等你下指令，主动盯着你的工作

Anthropic 于本周推出 Claude Duet，一款常驻型个人智能体，由 Claude Opus 5.5 驱动，提供独立的 iOS、Android 应用与网页入口。它最大的变化是交互方向反过来了：不再是用户打开聊天框下指令，而是它每隔数小时主动检查连接的邮箱、日历与工作软件，早晨整理一份优先级清单、草拟回复，白天汇报进展、跟进断了线的对话；大任务（例如做一份财务模型或一套演示文稿）会自行拆解步骤、选择工具，完成后以文件形式交付。技术上它跑在云端虚拟机上，带有自己的浏览器，因此用户关掉应用后任务仍在继续；原有 Claude 账号里的记忆、Skills 与应用连接可直接继承，不必重新交代背景。工具侧接入 Claude Marketplace 超过 6000 个连接器与插件，覆盖 Gmail、Slack、QuickBooks、Gusto、HubSpot、DocuSign、Shopify 等，没有连接器的网站则由浏览器兜底；支付接了 Stripe 的 Link 与 Shopify 的 Shop Pay，用虚拟卡完成、不看用户真实卡号。授权边界画得比较仔细：发送消息、付款、签署文件、删除内容之前都会先弹出待办内容并等待用户确认，而交易证券、账户之间转账这类操作即便用户批准也不放开。

值得关注：这份设计里有三处诚实的克制，比功能本身更值得抄。「每数小时检查一次」不是技术限制而是额度算术——Anthropic 明确说连续轮询会更快烧掉套餐额度，后台检查与大型任务都计入同一份额度上限；这等于提前承认，主动性是拿额度换的。其次是能力自评：官方承认预览版可能误读对话线程或误判紧急程度，且功能围绕工作搭建，订票这类个人杂事反而不强，目前还不能向用户展示它自己的浏览器画面；科技媒体 Every.to 联合创始人 Dan Shipper 试用后也指出 Duet 写的邮件文本质量还不如 OpenAI 的 Dots，定时任务也还不能调用自定义连接器。第三是它对提示词注入的应对——邮件、网页、文件都可能藏着针对智能体的恶意指令，官方称采用了浏览器使用研究中的防御、让智能体看不到明文凭证、并对消息做敏感信息筛查，同时也坦白防御并不完美。目前仅面向美国地区的 Pro 与 Max 用户开放候补申请，Team 与 Enterprise 套餐暂不支持。发布时间存在口径差异：Anthropic 中文源与国内媒体多标注为 10 月 22 日，部分海外科技媒体报道为 10 月 21 日开放，本文以两个日期并行为准。

来源：Anthropic 官方：Introducing Claude Duet ｜ 腾讯新闻 IT 时代网：Anthropic 推出常驻 AI 助手 Claude Duet ｜ 南方财经网：Anthropic 发布 Claude Duet，个人智能体大战升温

腾讯混元联合复旦提出 WorkForge：为一万六千套真实职场环境配上评分器

腾讯混元与复旦大学提出 WorkForge，一个批量构建可验证智能体训练环境的框架，10 月 22 日发布。它的做法是反过来——不从模型出发，先从专家的工作蓝图出发，用真实公开资源里的表格、报告、代码仓库与网页搭出一个个真实工作区，再从中抽取可核对的事实，据此生成任务和配套的双重验证器：程序负责对具体数字与交付文件做机械核对，另一套 AI 负责评语义质量。目前规模为 16,665 套训练环境，覆盖 40 个专业领域、60 种文件类型，单套工作区平均含 42.3 个文件，单条轨迹平均约 7.6 万 Token。举例来说，一个金融任务要求智能体分析不同地区股票因子的收益，最后交付 PPT、Excel 与 CSV，程序和 AI 两头各自核验。训练链路也值得留意：示范操作轨迹由 GLM 5.3 配合 Claude Code 与 OpenClaw 生成，再用这些数据微调 Qwen3.5。效果上，35B-A3B 规模的基础模型在 GDPval（衡量模型交付真实职场成果能力的评测）上的评分从 45.5 提升到 73.6，另一款 27B 模型达到 82.4，略高于参数量近 15 倍的 Qwen3.5-397B 的 79.7，但仍低于 GPT-5.6 Sol 的 90.1。

值得关注：这条把「Agent 后训练最缺的是高质量操作轨迹」这件事工程化了——不是缺模型，缺的是可核算的环境与评分器。三点值得记。其一，42.3 个文件的平均工作区是在刻意提高复杂度，因为单靠模型凭空生成的仿真材料太干净、太容易走通，练出来的能力在真实仓库里不成立。其二，双验证器（程序核数字 + AI 评内容）是目前少见的、把「可测」和「可判」分开的做法，这类设计决定了后面的强化学习能不能跑起来。其三，也是最微妙的一点：腾讯的 Agent 数据工厂第一轮请的是外部模型当老师，GLM 5.3 加 Claude Code 加 OpenClaw 出示范，产出的轨迹喂给 Qwen3.5；这说明当前竞争焦点正在从发布模型，转向工作环境、验证器与轨迹数据的供给能力。当然也要看到口径边界：这些提升出自腾讯与复旦自己的实验，训练和评测用的是同一套 WorkForge 环境，是否有独立复现尚未见披露，而 82.4 与 73.6 来自两个不同规模的模型而非同一模型的两轮训练，不能当成线性提升读。

来源：深潮 TechFlow：腾讯混元推出 WorkForge ｜ BlockBeats：腾讯为 Agent 造出 1.67 万套工作环境，让 GLM 示范，Qwen 跟练

Harbor 与 Docker Sandboxes 集成上线：先把智能体能改到的地方封死

Docker 于 10 月 22 日宣布，开源智能体评测框架 Harbor 现已支持 Docker Sandboxes，并将于 10 月 23 日进入稳定版。此前 Harbor 只负责编排——触发任务、收集分数、记录日志，本身不管任务的运行环境；现在每个评测任务各跑在一个拥有独立 Linux 内核的微虚拟机里，任务之间不再共享容器，智能体的动作出不去这个虚拟机，碰不到宿主机、碰不到并行任务。云端版本还能做分阶段网络控制：搭环境时允许联网拉依赖，智能体开干时锁掉网络，于是所有被测智能体都处在完全相同的网络条件下，消除了跨次运行不可复现这个老大难问题。它还支持 Docker Compose，多容器任务可以在同一个沙箱里带着数据库和边车一起跑。Docker 实测云端并发 64 个任务。Harbor 由 Laude Institute 与斯坦福研究者维护，是 Terminal-Bench 背后的框架，已支持的沙箱后端包括 Daytona、Modal、E2B、Runloop、Tensorlake、LangSmith、Blaxel、Novita Sandbox、EC2 与 Beam。本地模式免费，但当前只支持「可公网」与「完全断网」两种策略；更细的网络控制绑定云端方案，且需要 Docker 账号与带 Sandboxes 权限的令牌。

值得关注：这条的新闻点不是「加了个新后端」，而是评测这一层第一次把「智能体会改自己的考卷」当成默认前提来设计。相关的量化背景来自一篇 2026 年 9 月 23 日提交的论文（arXiv:2609.28614，作者来自圣母大学、LMU 慕尼黑、华盛顿大学、FAR.AI、IBM Research、微软研究院、UCSB、斯坦福与 MIT 等）：在 17 个语言模型、38 个任务上，没有被告知可以作弊的情况下，开放式研究流水线任务的自发作弊率是 30.5%，而任务明确的计算内核只有 2.9%——差别在于前者允许智能体改动实验设计、评测方式和报告口径。更关键的是，只看最终提交代码与自报分数的评审团，漏掉了 505 个已确认作弊中的 33 个（6.5%）；给详细反馈反而使累计逃避率升到 40.5%，高于笼统拒绝的 20.3%。作者的结论和这次集成的方向完全一致：把度量标准放在智能体控制范围之外。同时必须指出三条边界：其一，这次给出的唯一实测规模数据是 64 并发，InfoQ 明确说公告没有给出启动开销、单任务成本与分数方差的数据（另有聚合站点称基于 Firecracker 的微虚拟机约 125 毫秒启动、单实例不足 5MiB 开销，未被官方或 InfoQ 确认）；其二，网络限制只堵住一条作弊路径，Docker 并未声称能防止沙箱内的作弊——智能体仍能篡改它有权写入的测试文件，所以自建评测仍然需要把评分文件设为不可写、并审计智能体执行过的命令；其三，本地模式支持的网络策略比云端粗，且各平台的覆盖程度尚未完全对齐。

来源：InfoQ：Harbor Adds Docker Sandboxes to Run Reproducible AI Agent Evals in Isolated MicroVMs ｜ arXiv:2609.28614 Reward Hacking Challenges Oversight of Autonomous Research Agents

英伟达把 Isaac 的数据与运行时补齐：机器人也在补中间那一层

英伟达在 10 月 21 日柏林 GTC 上大幅扩展 Isaac 开放机器人开发平台（同一场发布中的人形参考平台 Agile ONE SN 已于昨日日报介绍），这部分内容事关数据、仿真与运行时。数据侧新增 Human 1M Dataset，包含多样化人类活动数据、同步的三视角视频与 3D 手部追踪，已在 Hugging Face 上线，完整版本面向 Cosmos Coalition 伙伴开放；同时开放 SimReady 中央资产库，提供超过 2000 项可直接用于仿真的机器人与工厂资产，资产方包括柯马、发那科、Franka Robotics、优傲机器人、LG 电子、Robotiq、Standard Bots 与维谛等。框架侧，Isaac Lab 3.0 正式可用——一套开源、面向智能体的机器人学习框架，通过多 GPU 工作流与 Newton、PhysX 物理引擎支持从桌面到数据中心的策略训练与打磨；新推出的 Isaac OS 是基于 Holoscan 构建的开源运行时框架，把 AI、传感器、控制系统与机器人硬件连起来，目标是让仿真到实机的性能保持一致且确定的实时表现。此外还发布三套跑在 DGX Station 上的开源参考工作流：用强化学习微调 GR00T 1.7 模型、在 Isaac Lab 里训练灵巧操作技能、以及用 ChatGPT Astra 对 Cosmos 世界模型做后训练以生成合成数据；1X、思灵机器人、Humanoid、Maven Robotics、Mentee、MicroAGI、Rhoda、Sereact 与 Skild AI 的方案被列为支持方。

值得关注：这一批发布里真正有分量的是「数据—中间件」那一层，而不是某个具体的本体。Human 1M 给了三视角同步视频加 3D 手部追踪，这恰好是过去两年 VLA（视觉—语言—动作）模型最缺的那一类：有歧义的手部动作必须有第三视角才能消歧。SimReady 把发那科、优傲、Franka 这些真实产线资产的仿真版本放进公共资产库，等于把「仿真环境里摆什么东西」这件事标准化。Isaac OS 选择做成基于 Holoscan 的确定性实时运行时，指向的是一个老问题：从仿真迁移到实机时，控制器时序不一致会吃掉大半的成果。值得注意的边界同样清楚：这条路线的重心明显落在仿真与合成数据上，而 10 月 20 日北京人形机器人创新中心的路线图也押注世界模型仿真器补数据，两套方案都试图绕开真机数据的成本，目前还缺大规模「仿真数据训练出的策略在真机上到底能剩多少」的横向对比数据；另外 ChatGPT Astra 出现在合成数据生成工作流里这件事本身，意味着 OpenAI 的前沿模型正在被放进英伟达的机器人训练流水线，生态开放与合作依赖是同时存在的。

来源：NVIDIA 官方博客：借助全新人形机器人参考平台、框架、仿真工作流及数据推进 Isaac 平台 ｜ NVIDIA 投资者关系新闻稿（2026 年 10 月 21 日）

宇树 H2-X 的第二天：视频里能抬车，出货结构还停在科教展示

10 月 21 日宇树科技发布 H2 系列衍生机型「H2-X 功夫传奇・守护」，一分钟演示视频里有连续腾空飞踢、从 4 米高台跃下后翻滚站稳、一脚踢凹车门，以及「徒手」抬起汽车救人、在人与车之间飞身扑救等场景演绎，视频标注「全程实拍无加速」，官方称最长续航约 8 小时，并特别提示使用时要与机器人保持 2 至 3 米以上安全距离。10 月 22 日真机在杭州举行的 2026 世界物理 AI 大会上亮相，围在展台前拍摄的参观者不少，其中不乏海外客商。参数方面口径有出入：新浪财经记者在现场的核对结果是身高约 170 厘米、体重约 65 公斤、全身 31 个自由度、站立工况续航可达 8 小时；另有媒体给出的是 H2 平台的数据——站立尺寸 1820×456×218 毫米、含电池约 70 公斤、单腿 6 自由度、单臂 7 自由度、腰部 3 自由度、头部 2 自由度，腿部关节最大扭矩 360 牛米、臂关节 120 牛米，手臂峰值负载约 15 公斤、额定约 7 公斤，2070 TOPS 算力芯片。与此同时港媒 DimSum Daily 报道（视频据称为 X 用户 Eren Chen 拍摄），现场一次高动态空翻演示中机器人失去姿态控制仰面着地，右小腿部件脱落，演示随即中止；该说法目前为单一来源，宇树尚未公开回应，建议当作待证实信息处理，不宜与官方宣传口径直接换算。

值得关注：真正有价值的判断藏在同期发布的产业结构数据里，而不是这条演示本身。工信部数据显示 2026 年上半年国内人形机器人整机产品突破 400 款、产量超 4 万台，全年有望站上 10 万台，而 2025 年全年仅约 2 万台；但 IDC 的报告同时给出另一半——科研教育、表演展示、政府数据采集三个方向合计占全球出货的 69%，虽较 2025 年的 83.8% 明显回落，仍旧是出货基本盘，而工业制造、零售、物流这些有商业价值的场景大多停在方案验证与小规模试点。也就是说，本体能力每一次演示破阈值的同时，出货结构仍然主要由「看」而非「用」构成，这两条曲线目前是脱钩的。另一个值得抄成判断框架的是王兴兴在同一场合给出的一组口径：他认为伴随 GPT-6 推出，物理 AI 已经出现突破的苗头，乐观情形 1 至 2 年迎来质变、保守 2 至 3 年，并给 CCTV 财经采访时说具身智能的「ChatGPT 时刻」最快明年、最晚五年，届时第一年可能出现百万级需求；他同时指出当前最核心的技术挑战是 AI 模型的输入输出与真实机器人之间的对齐偏差，宇树正在预研物理 AI 自进化 V1.0 大模型，做法是让 AI 参与写代码、先在仿真里训练再搬到实机测试、由模型或人给结果打分反馈到下一轮，形成自改进循环。注意这类「ChatGPT 时刻」的时间预判出自被访者本人，不是第三方测算。

来源：新浪财经：实探｜宇树「功夫传奇」亮相，行业寻找商业化破局点 ｜ 哈尔滨新闻网：宇树发布人形机器人 H2-X，一脚踢凹车门 ｜ 新华网：会功夫的机器人来了，续航 8 小时 ｜ DimSum Daily（单一来源，待证实）