今日焦点集中在两条主线：物理 AI 在乌镇峰会交出规模化落地成绩单，行业共识正从「比拼模型」转向「比拼数据质量与作业稳定性」；AI Coding 侧则连续出现基础设施动作——Kimi 把 Agent Harness 做成云服务，百度开源新一代稀疏 MoE 底座模型，12 月起 ChatGPT 与 Codex 还将共用同一个额度池。
乌镇峰会聚焦物理 AI「最后几毫米」
2026 年世界互联网大会乌镇峰会披露了两组关键数据：优必选已实现每 10 分钟下线一台人形机器人，并完成千台级交付，部分工业场景作业效率接近人工的 90%；小米具身基座模型用超过 10 万小时、覆盖 1700 多种场景的数据完成预训练，新任务只需不超过 10 小时示范数据，成功率即可达 75% 以上。《中国互联网发展报告 2026》显示，2025 年我国具身智能市场规模约 9150 亿元，同比增长 20.4%。宇树科技创始人王兴兴在会上预测，2027 年大概率成为机器人行业发展的临界点，但机器人距离真正理解和操作物理世界还隔着「最后几毫米」——瓶颈不在空间理解或动作规划，而在模型与物理世界的对齐。
值得关注：墨奇智能联合创始人黄青虬在论坛上给出一个对数据从业者极具参考价值的判断——10 万小时高精度操作数据训练出的模型，可能优于 1000 万小时低质量数据训练出的模型。无独有偶，京东也宣布已在 100 余个细分生产服务场景采集超 10 万项真实作业任务，计划未来两年累计采集 1000 万小时人类真实场景视频与 100 万小时机器人本体运行数据。物理 AI 的竞争焦点正从算法与本体，转向算力、数据、场景与供应链的体系化竞争，高质量数据管线正在成为产业底座。
来源：上海证券报（网易转载）
Sergey Levine：机器人学习的瓶颈在数据闭环，而非模型架构
Physical Intelligence 联合创始人、UC Berkeley 教授 Sergey Levine 在近日的长篇访谈中系统阐述了对机器人学习现状的判断：当前限制机器人能力提升的，与其说是模型架构，不如说是把现场数据转化为新策略的数据闭环（data loop）——从真实作业中回收数据、筛选高价值片段、再注入训练管线的完整链路尚未规模化跑通。他还回顾了在 Google Brain 时期早期机械臂集群上的实验教训，指出当年的核心收获正是「采集数据的规模与质量决定了策略上限」这一朴素结论。这与国内行业「数据闭环」的口号形成微妙对照：许多公司选择直接外购数据，但外购来的数据本身并不构成闭环。
值得关注：这份访谈对「做机器人的数据专家」方向的从业者几乎是方法论级别的提示——Levine 明确把瓶颈从「买数据」重新定义为「建管线」，即数据的回流、清洗、质量评估与再训练才是稀缺能力。结合黄青虬在乌镇「10 万小时高精度优于 1000 万小时低质量」的观点，中美头部团队在数据治理价值上的判断已完全收敛，数据工程能力作为具身智能产业独立环节的地位正在被反复确认。
来源：Physical Intelligence News 2026-11-06 汇总（虎嗅访谈）
Kimi 发布托管智能体 Hosted Agents，把 Agent Harness 做成云服务
Kimi 宣布推出 Hosted Agents，将智能体运行所需的 Harness（运行时环境）以云服务形式提供，企业无需自建基础设施即可获得 7×24 小时托管环境，支持长程任务与多智能体协作。产品内置 140+ Skills 与 30+ 插件，可接入企业自有工具与数据源，并配备独立沙箱、网络权限控制，支持随时中止会话并导出审计记录。配合 Kimi Inference Hook，企业还可在每次推理前按规则拦截敏感数据。该服务目前仅向企业认证用户开放，首批提供 8 个金融行业 Agent 模板。
值得关注：这是国内大模型厂商在「Agent 基础设施即服务」方向的标志性产品。此前 Claude Code、Codex 等工具的爆发已经证明：模型能力之外，运行时环境（沙箱、权限、审计、技能挂载）才是 Agent 落地企业的硬门槛。Kimi 直接把这套 Harness 云化并按行业模板交付，等于把「会用 AI 编程工具」与「能运营 Agent 平台」拆成了两层生意，值得关注其后续开放节奏与定价。
来源：腾讯研究院 AI 速递 20261106
百度开源 ERNIE 5.5 Flash Base：280B 总参数、每 token 仅激活 14B
百度开源 ERNIE-5.5-Flash-Base 预训练终点权重，采用稀疏 MoE 架构：总参数 280B、每 token 仅激活 14B，从零用 33.5T tokens 预训练，上下文训练 128K、推理支持 1M。架构上的亮点是 43 层中有 37 层采用压缩注意力——每 128 个 token 仅缓存一条 KV 记录，显著降低长上下文推理成本。模型共 512 个路由专家，每 token 选 10 个；FP8 与 BF16 两版权重已上线 Hugging Face，经后训练的版本将随后推出。
值得关注：这是国内开源阵营在稀疏 MoE 底座上的又一次重要补位。每 token 仅激活 14B 意味着单机推理成本可控，配合 1M 上下文，对 Agent 场景（长程任务、多智能体协作所需的系统提示与工具定义堆叠）尤其友好。对 AI Coding 从业者而言，开源权重的意义在于可私有化部署与自由微调——在 Postman 信任危机（11 月初静默装插件事件）余波未平的背景下，自托管开源模型作为供应链风险对冲的价值正在上升。
来源：腾讯研究院 AI 速递 20261106
ChatGPT 与 Codex 将于 12 月起共用同一个额度池
OpenAI 宣布自 2026 年 12 月起，Plus、Pro 与 Business 计划用户的 ChatGPT 与 Codex 将共享同一个基于 token 的额度池，取代此前两个产品各自独立计量的使用上限。这意味着用户在 ChatGPT 中消耗的 token 将直接挤占 Codex 的可用额度，反之亦然。此举与近期 Claude Code 侧引入网关成本报表、Agent SDK 钩子强制失败等企业化管控功能一起，反映出头部厂商正在把「额度与成本」做成可统一管理的企业资源。
值得关注：额度合并是把双刃剑——好处是订阅内资源调配更透明，坏处是重度对话用户可能挤占自己的编码额度（反之亦然）。对同时使用两个入口的开发者，建议留意 12 月生效后的实际消耗速率变化，必要时把长对话与编码任务分账户隔离；这也再次印证「按量付费 Key 跑脚本、订阅额度只做交互式使用」的分工原则在成本管控上的必要性。
来源：AI/TLDR New AI Tool Releases
本页的评论功能已关闭