导读：这个周末的消息指向同一个位置——写代码、翻译代码、生成动作都已经足够快，瓶颈集体挪到了「谁来验收」。AI 编程侧同时出现三种样本：一支会互相派活、互相审码的 Agent 团队，一份把密钥写进公开仓库的事故复盘，以及一个「20 人年变 1 人日」与「31% 成功率」并存的能力落差；具身智能侧，英伟达把一条轨迹压成一个解码块，刻行时空则把真机数据的生意做成了质检生意。
LobeHub 让 Agent 互相派活、互相审码，人只按最后一次合并键
事件简述
开源 AI 应用平台 LobeHub（GitHub 8.44 万 Star）在 11 月 8 日至 9 日被量子位详细报道了内部研发流程：主管 Agent「Nasa」接需求后拆任务、派给编码 Agent「Dario」，Dario 写完代码提交 PR，再由 OpenAI 的 Codex 审查机器人挑错，Dario 改完再交回去，如此往复直到通过人工审阅并合入主干。报道给出的具体案例是 10 月 28 日的任务 T-1149 与 PR #21852，Dario 运行 31 步、耗时 1 小时 56 分完成编写，10 月 31 日凌晨 4 点 04 分仍在回复审查意见，18 分钟内修掉四处问题、并对另一条意见给出保留原写法的理由。更进一步的是跨项目协作：当 Agent-foundry 项目需要 lobe-ui 组件库支持自定义中性色时，两个项目的 Agent 直接对接，一方提需求、一方改代码，随 lobe-ui 6.0.1 发布自动回传升级通知。一位研发成员称自己已整整三个月没有在本地启动过 Dev Server，按个人体感效率提升约 3 至 5 倍。
值得关注：
这件事的技术含量不在「Agent 会写代码」，而在支撑它连续工作的那套工程改造。早期产品部署在 Vercel 上，单次执行最长只有 300 秒，团队于是把 Agent 的每一步拆成一次独立函数调用，用 Redis 保存中间状态，接力推进上千步的长任务，工具调用则发往 AWS 沙箱或用户本机执行——Agent 自己察觉不到「思考」和「操作」发生在不同地方。报道提到一次客户端数据迁移任务连跑了 2 天 3 小时 47 分钟，期间拆出 60 个任务、完成 56 次独立迁移。这种「状态与环境分离」的设计，与 DeepSeek 此前公开的 Super-agent 思路属于同一方向。
更值得记的是验收机制。LobeHub 的 Acceptance 要求 Agent 交作业时附带测试结果、截图、录屏等证据，检查项未全绿就不算完成，人类始终保留最终确认权。这一点和下面两条新闻能接上：当产出速度不再是瓶颈，组织的核心能力就从「写」转向「验」。
报道同时给出一组性能数据：在 FrontierHarness 的 30 道软件工程任务上，LobeHub 优化后的 Harness 搭配 Kimi K3 通过 21 道（70%），单个成功任务成本中位数 1.68 美元，对照 Codex 为 66.7% / 3.47 美元、Claude Code 为 63.3% / 18.34 美元。需要注意这是团队自测口径，样本仅 30 题，成本与通过率都未经过第三方复现，3 至 5 倍的效率提升亦属个人体感而非测量值。
来源：8.4 万星开源项目实测：AI 编辑部夜班自动交稿，人只按一次合并键（网易科技，2026-11-08）
一边是「20 人年缩到 1 人日」，一边是「成功率 31%」
事件简述
气候科学博客 RealClimate 在 11 月发布的一篇更新里记录了三件事：约三个月前，Koldunov 等人的预印本显示一个完整的海洋模式可以用 AI 代理成功翻译成 JAX；一个月前，同一团队用最新 Claude 模型在一个周末把另一个海洋模式 MITGCM 从 Fortran 译成 JAX；几周前，NASA 的软件工程师把 GISS 地球系统模式的一个配置在 18 小时内完成转换。作者据此给出的估算是：一项原本需要多人多年完成的任务，可以在一天之内做完，即从约 20 人年压到不足 1 人日，快近一万倍。他同时强调这并不轻松——代理需要自己开发测试来验证翻译是否正确，需要在如何设计新代码库上被引导，而且翻译成 JAX 本身并不保证在 GPU 上加速。
值得关注：
同一条技术路线，本周还有一份冷水：arXiv 在 11 月 5 日挂出的 XStack 基准（作者 Linrong Cai 等）专门测量「仓库级跨框架、跨硬件迁移」。任务设定是给代理一个跑在 NVIDIA GPU 上的 PyTorch 仓库和一台干净的 TPU 机器，要求它装依赖、写脚本、用 Flax/Optax 重写模型与训练循环，最终交出能复现原论文指标的 JAX 仓库，并在全新机器上重跑验证。7 个前沿模型、140 个测试单元，总体成功率只有 31%。Claude Opus 5 最好，20 个仓库里迁成 15 个（75%）；GPT-5.6-sol 45%，DeepSeek V4.1 Flash 40%。作者还发现一个规律：成本每增加十倍，准确率约提升 25 个百分点。
两个数字并不矛盾，它们量的是两件事。气候建模那批案例是受控条件下的整仓迁移：有明确的物理正确性判据（能量守恒、数值稳定性）、有领域专家在场引导设计、目标是把已有科学代码换一种表达。XStack 量的是开放式交付：没有现成判据、要从零复现别人的实验指标、还得跨过整条工具链。前者的成功恰恰依赖后者最难的部分——测试。
对工程团队的实际含义是：代理在「翻译」这件事上已经可用，在「复现」这件事上还不可托付。RealClimate 作者自己的判断更狠一点：任何三个月前写下的气候模式代码开发计划，基本都已过时；真问题已经从「你的多年硬件无关化战略是什么」变成「任何人都能 fork 一份并在任何地方运行时，一个气候模式中心到底意味着什么」。
来源：AI and climate modeling update（RealClimate，2026-11）；XStack: A Benchmark for ML Repo Migration（arXiv，2026-11-05）
Claude Code 的「别再问」把密码写进了公开仓库
事件简述
安全公司 Apiiro 在 11 月 5 日发布报告，确认 Claude Code 存在一条系统性密钥泄露路径：当开发者在权限弹窗中选择「Yes, and don't ask again」时，那条完整的 shell 命令——包括命令里内嵌的数据库密码、API 密钥、认证令牌——会被原样明文写入项目目录下的 .claude/settings.local.json。Apiiro 扫描公开 GitHub 上 104,185 份该文件（分布在 103,617 个仓库），其中 1,122 份至少含有一条真实密钥，合计 1,379 条独立凭证；把历史提交、共享配置与 Agent 对话记录一并计入后，总量升到 2,539 条，涉及 1,994 个仓库、63 家机构。泄露内容包括 379 条数据库密码、122 条 Supabase 服务角色密钥、43 条 SSH 登录凭证、42 条 GitHub/GitLab/npm 令牌、23 条 AWS 密钥；样本里有某数据库厂商自己的管理员级云密钥、一套生产环境 Azure PostgreSQL 口令、一个 Square 生产令牌，以及一套医疗记录数据库的 owner 密码。
值得关注：
漏洞的成因是一处设计细节，而不是某个漏洞补丁能解决的问题。弹窗给的是模式时（例如 npm test *），存下来的是模式，这没问题；弹窗给的是一条完整命令时，存下来的就是那条完整命令，一个字符不改。研究人员用最新的 Opus 5.5 与 Fable 5.1 都复现了这一行为，说明不是旧版本遗留。更关键的是，Claude Code 只把该文件加进用户本机的全局 git excludes，不会写进项目自己的 .gitignore——保护不随仓库走，换机器、后初始化、已提交这三种场景全会漏。在 1,105 个被追踪的仓库里，有 539 个的改动提交带有 Claude 作为 co-author。
横向对比也值得记：Apiiro 比对了 16 个编码 Agent 的公开文档，Claude Code 是唯一被确认「默认把完整命令原文写进项目配置文件」的。Claude Code 团队成员 Boris Cherny 在讨论中回应，settings.local.json 本就该留在本地，Claude 自己创建时会自动 gitignore，出事这批是人手创建、人手提交的；但社区并不完全接受这个说法——毕竟产品把「不再询问」做成了一键操作，而 auto 模式的威胁模型至今没有公开文档。
实用建议有三条，优先级不能颠倒：先轮换全部凭据，再清理文件，因为历史与 fork 里仍留着副本（仅历史提交中就压着 734 条）；命令里用环境变量而非明文；授权时批准模式匹配而不是精确命令。只依赖扫描工具也不够——TruffleHog 只认得出 643 条，PGPASSWORD= 后面那种看起来像普通单词的密码，两个主流扫描器都读不出来。
来源：Coding Agents Leaking Secrets to GitHub: The 「Don't Ask Again」 Problem（Apiiro，2026-11-05）；点了「别再问我」，Claude Code 把密钥写进了公开仓库（网易，2026-11-09）
英伟达 VFlash：机器人不再一个字一个字地吐坐标
事件简述
英伟达研究院在 11 月 6 日公布 VFlash，论文与代码同步开源，11 月 7 日又随开放权重的世界模型 Cosmos 3 一并发布。它要解决的是一个具体问题：机器人在动手之前得先输出一堆空间信息——抓取点在哪、包围框多大、航点怎么连成轨迹、画面里每个点在三维空间怎么移动——而现在这些输出是按文本的方式逐个 token 生成的。VFlash 的做法叫「闪速原语解码」：运行前先通过一次结构化工具调用声明输出长度与坐标排布，再由一个五层非因果 Transformer 草稿模型在一次前向里把整个几何块预测出来，目标视觉语言模型保持冻结。据官方数据，轨迹解码提速 12 倍，整体机器人推理提速 5.1 倍（Jetson AGX Thor 与 DGX Spark，TensorRT-Edge-LLM 运行时）；在 MolmoSpaces 四组任务上，以 VFlash 规划为条件的模型平均成功率 70.2%，串行基线为 62.6%；三维位移误差平均降低 42.6%，三维关键点预测最多降低 61%。
值得关注：
研究里有个数字解释了为什么值得为此专门造一个解码器：在 Jetson Thor 上，串行解码占到了模型阶段延迟的 75% 至 87%。也就是说，机器人反应慢，大头不在模型算得慢，而在它写得慢。自回归解码是为语言设计的——一个词接一个词，前面决定后面，读起来自然；坐标不是这样，一条十个航点的三维轨迹展开是三十个数字，每个数字占几个 token 并不固定，写到第三个数字时偏了，前面已经写出去的回不了头，误差顺着往后累积。论文把这种现象称为级联误差。
英伟达研究员 Jim Fan 在社交平台上的评论是「System 1 视觉模型的时代已经到来，下一场推理革命是以反射速度进行的物理推理」。这个说法有感染力，但边界必须说清楚：官方公布的是模型管线层面的加速，测试排除了部分预处理与输出转换为物理控制的环节，并不等于机器人在物理世界里快了五倍。真正的验证点在后面——当这些环节计入之后，解码加速还剩多少。
和 VFlash 同日登场的 Cosmos 3 是另一半拼图。它是开放权重模型，采用 Mixture-of-Transformers 架构，把输入序列拆成自回归的「推理」与扩散的「生成」两条支路，在同一层内共享不同参数、通过联合注意力交互；分 Nano（160 亿参数，80 亿推理 + 80 亿生成，主打近实时推理）与 Super（640 亿参数，主打高物理精度合成数据）两档。一个管「想得快」，一个管「造得像」，组合起来就是英伟达卖给机器人公司的完整工具链。
来源：NVIDIA says VFlash runs robot AI pipelines five times faster in research tests（Superpower Daily，2026-11）；英伟达发布 VFlash，并行解码视觉基元（东方财富，2026-11-07）
刻行时空 pre-A 近亿元：卖真机数据，卖的是质检
事件简述
投中网在 11 月 9 日独家报道，刻行时空完成近亿元规模的 pre-A 轮融资，投资方包括咏归基金、天机 TIANJI 等国资科创投资机构与多家头部具身智能公司，资金将投向预部署环境、数据理解专用模型与数据基建。创始人黄阳明不是机器人科班出身：职业生涯从银行交易数据整合起步，2015 年进苹果做 Apple Watch 健康大数据架构，后被调入苹果自动驾驶部门负责基础设施，回国后加入嬴彻科技从零搭数据闭环，2022 年 5 月创办刻行时空。公司对外呈现的是两套系统加一套方法论：StarBase 面向数据生产端，解决数据如何被规模化生产；coScene 面向数据应用端，做时空多模态数据的管理与应用；两者共享同一个底层引擎，核心单元是带语义、有起止时间的「Scene」。目前搭建了 200 多个场景、600 多种任务，同时做全身数采、灵巧手数采与长程任务。
值得关注：
这轮融资真正有信息量的地方，是它对「数据生意靠什么立足」的回答。刻行不做本体、不做具身模型，也不做渲染引擎和物理引擎，只做把现实采集的数据转成仿真场景这一件事。它自认的壁垒也不是那两套软件，而是一个本体无关（embodiment agnostic）的时空多模态理解模型——用途全部指向数据本身：指导数采员怎么采、判断什么动作算好数据、过滤不合格样本、标注语义、设计数据配比。逻辑是：人做过质检之后，判断好坏的信息直接进了模型，下一批的人工成本就会降下来。
结果反映在订单上。据披露，首批交付的宇树真机数据通过率接近 100%，靠的是模型加真人全量质检与标注；上个月公司启动合同金额超 2 亿元、总时长约 30 万小时的海外真机数据交付，首批逾千小时多本体数据完成验收，通过率同样接近 100%。黄阳明的定价策略也反行业直觉：宁愿高价、卖得少一点，也不走人海战术——放弃规模换定价权。
他对行业风向的判断值得单独记一笔。过去一年，几乎每家数据公司都在做「真人佩戴第一视角设备采集、再通过重定向映射到机器人身上」的无本体数据，这类数据一度被视为具身智能的平价燃料。但黄阳明在硅谷反复听到同一个信号：这条路「快撞墙了」——它帮模型完成了一次能力跃迁，随后迅速进入平台期，门槛低（带个摄像头都能采）、必然贬值、胜负手在商务地推而非技术。刻行押注的下一步是「被动采集」：等机器人真正部署进场景后，数据从部署态回流，像特斯拉影子模式一样，采到的是最有价值的 corner case。
他引用的一组公开数字说明了真机数据有多难产：DROID 项目组织 50 名采集者，用 12 个月才拿到约 350 小时真机交互数据，覆盖 564 个场景。这个比例放到任何「万台级量产」的叙事面前，都足以解释为什么数据仍然是这条链上最紧的一环。
来源：独家｜靠卖宇树真机数据，黄阳明又融了近亿元（投中网，2026-11-09）
本页的评论功能已关闭