同一天里，Anthropic 和 Meta 分别把「能力上限」和「单位成本」往相反的方向推了一格：Fable 5.2 把第三方智能指数刷到 65 的新高，Muse Ember 则把一个智能体任务的成本压到 0.14 美元。机器人这一侧的三条消息指向同一件事——瓶颈早已不是本体，而是「喂给模型的示范有多少、有多便宜」。英伟达开源了 10 万小时人类操作视频，央视财经给出的却是另一组数字：真实交互数据缺口仍在 90% 以上。一边降价，一边仍然缺货。
一、Claude Fable 5.2 与 Mythos 5.2：能力再上一档，但 Anthropic 主动切掉了「自我加速」那一块
Anthropic 于 11 月 9 日发布 Claude Fable 5.2 与 Claude Mythos 5.2。两者是同一个底层模型，差别只在门禁：Fable 保留网络安全与生物领域的防护限制，向所有付费用户开放；Mythos 放开这些限制，仅限通过其「网络安全验证计划」与「生命科学验证计划」审核的机构使用。官方称新模型输出速度比 5.1 代快约 30%，价格反而降了两成——输入每百万 token 8 美元、输出 40 美元（5.1 代为 10 美元与 50 美元），另有一档可选快速模式，价格翻倍换取最高 2.5 倍的生成速度。第三方评测机构 Artificial Analysis 给出的智能指数为 65 分，是其迄今记录的最高分。发布当天 Cursor 即接入，在 Cursor 自建的 CursorBench 上取得最高推理档 60%、默认档 56.9% 的成绩（5.1 代为 49.2%）。
官方公布的基准里，与编码直接相关的两项是重点。FrontierCode 2.0 测的是「模型改动能否被真实开源仓库合并」，Fable 5.2 在最高推理档拿到 49.1%，高于 Opus 5.5 的 45.5% 与 GPT-6 Astra 的 42.8%；在较高档位为 45.3%，几乎追平 Opus 5.5 的最好成绩，但官方称每任务成本约为后者一半。另一项 FrontierSWE v2 从 5.1 代的 56.3% 跳到 69.9%，超过 Opus 5.5（62.3%）、GPT-6 Astra（65.5%）与 Gemini 4 Carbon（61.2%）。其他方向：带工具的「人类最后考试」74.2%、计算机操作基准 OSWorld 2.1 为 89.3%、硬件工程基准 BenchCAD 2.1 为 83.5。值得一提的是机器人仿真基准 RoboDojo Sim 从上一代的 27.6% 升到 64.9%——一个纯语言模型在动作序列上的分数翻了一倍多，这条数据比任何「具身专用模型」的宣传都更值得留意。
预发布阶段的用例更抓眼球，但需要按公司自述来读：工程师让它在八天内从空目录做出一个能在笔记本上启动、带网络与内置侧栏的原型操作系统；把费马大定理的形式化证明从此前约 11 天压缩到 30 小时，方式是编排 1000 个并行智能体；此外还有三件从零设计的可用电子设备，以及两个黑洞物理领域的开放问题。上述结果均未获独立复现。
值得关注： 这次发布最关键的决定不是加法，而是减法。Anthropic 在训练阶段就刻意压低了「最能加速 AI 自身研发」的两类能力——加速器 kernel 优化与改进大模型架构——在这两项上，5.2 代只做到 Opus 5.5 的水平，其余维度则全面超出。换句话说，一个能压缩自身研发周期的模型，是它明确选择不交付的东西。这条边界被画在训练里而非推理时，意味着它不是靠提示词或审核规则拦下来的，而是模型压根没学会。同期还加固了反蒸馏：官方称其手段使蒸馏者能抓取的数据减少 90% 至 99%，「保留思考」机制（禁止通过编辑历史上下文套取推理过程）覆盖全部账户；生物与网络安全类提示不再直接拒答，而是自动路由到 Opus 4.8 或 Opus 5，误拦率因此下降 55%。放在时间线上看，这是首席执行官 Dario Amodei 九月公开呼吁「放慢 AI 发展节奏」之后的第一款前沿模型，也是其 IPO 传闻窗口前的最后一次旗舰发布——CNBC 称其最快下周挂牌，估值区间 1 万亿至 1.5 万亿美元（英国《金融时报》此前的口径为 1.25 万亿至 1.75 万亿，两家数字不一致，以最终招股文件为准）。对每天用编码智能体的人来说，真正的变化可能在配额：官方说明 Fable 在 Pro 与标准 Team 席位中最多占用周额度的 50%，也就是它被设计成「偶尔调用的顾问」，而不是日常主力。
来源：https://www.anthropic.com/claude-fable-and-mythos-5-2
二、Meta Muse Ember：把一个智能体任务的成本压到 0.14 美元
Meta 于 11 月 9 日发布 Muse Ember，是其 Muse 家族中最小、最省的一款——此前依次是 4 月的 Spark、8 月的开源版 Glimmer、10 月的旗舰 Wonder。参数规模官方未披露，但价格与形态很清楚：输入每百万 token 0.10 美元、缓存输入 0.004 美元、输出 0.50 美元，配 100 万 token 上下文与最高 51.2 万 token 输出，原生支持文本、图像、音频、视频与 PDF 输入。官方定位是智能体流水线里的「执行层」：调用工具、跑编程子任务、做请求路由、抽取信息、解析长文档这类高频重复动作，规划交给 Wonder，跑量交给 Ember。目前已上线 Muse Code 与 Meta Model API（模型编号 muse-ember-1.0），并同步在 Google Cloud 与 Oracle Cloud 提供。
对比数字需要分开看。Artificial Analysis 的智能指数给到 36 分，与 Claude Haiku 5.5 最高推理档持平，而单次评测任务成本约 0.14 美元，Haiku 5.5 同类任务约 0.41 美元，约为三分之一。与自家上一档 Muse Spark 1.3 相比更悬殊：智能指数 37 对 36，几乎打平，但单任务成本 0.14 美元对 2.39 美元，差了约 17 倍。Meta 内部评测的多模态感知基准 PerceptionBench 上，Ember 为 80.6%，高于 Haiku 5.5 的 78.6% 与 GPT-6 Luna 的 62.8%。
值得关注： 分档口径里藏着限定条件，而这恰恰是最有用的部分。在 Meta 自己公布的测试中，Ember 在部分智能体、工具调用与多模态任务上领先，但在 FrontierCode 2.0——也就是「代码改动能否被维护者真正合并」这项基准上——它低于 Claude Haiku 5.5。这构成一个很实用的判断：便宜的小模型已经能在「跑量」上顶替中等模型，但在「产出被接受」这件事上仍有台阶。对正在搭多模型智能体的团队，这意味着路由策略不能再按「便宜的就全部下放」来设计，而要按「这一步的产出是否需要被人验收」来切分——机械性的读写、解析、路由可以交给 0.1 美元档，涉及判断与合并的环节仍得回到贵的那一档。另一层信号是 Meta 的定价意图：把单任务成本压到 0.14 美元，实质是在抢智能体经济里最容易被忽略的那部分账单——不是模型能力费，而是每天几万次调用累积起来的流量费。
来源：https://research.meta.ai/blog/muse-ember
三、英伟达 GR00T 2：把「示范成本」压到 5 次、3 分钟
11 月 9 日，在奥斯汀召开的机器人学习会议 CoRL 上，英伟达发布 GR00T 2，这是一个基于 Cosmos-Predict2.5-2B 构建的「世界动作模型」——与只输出动作序列的策略模型不同，它同时去噪未来画面与动作，先想象场景会怎么变，再给出把场景带到那个状态的动作块。一个预训练权重同时覆盖平行夹爪机械臂、灵巧手与人形三种本体，只在各本体上换一个很小的输出头。预训练配比是这次的核心：402,730 小时第一视角人类视频、10,184 小时手持夹爪示范（覆盖 2,897 个任务）、以及仅 23,500 小时的机器人遥操作数据——人类视频的量是遥操作数据的 17 倍。
效果数字要按官方原话拆开读。在 50 个目标机器人训练数据里从未出现过的任务上，GR00T 2 的零样本平均成功率为 40%——注意官方措辞是「50 个任务中有 40 个至少成功过一次」，这两个「40」在不同转述里常被混为一谈。每个任务给一次示范，平均成功率升到 71%；给五次示范（每任务机器人数据不到三分钟），升到 95%，每个任务的适配只是在单张 RTX 5090 上做约 30 分钟的 LoRA 微调。技术白皮书对此有明确限定：这 50 个任务是从「五个 episode 内能达到 80% 以上成功率」的任务里挑的，所以 95% 的平均值有一部分是构造出来的。人类视频的价值另有消融实验支撑：把人类视频占比从 0 调到 1%、10%、100%，72 个灵巧操作任务上的真实机器人任务进度从 50% 升到 70%。跨本体迁移的成绩是——只看人类戴手套做化学实验、零遥操作，双臂机器人有 65% 的概率给漏斗铺好滤纸并润湿；只看手持夹爪示范，YAM 机械臂有 60% 的概率端到端装完一辆玩具卡车。输送带分拣这一项，GR00T 2 分对 86%，上一代 1.7 版 28%，π0.5 为 0%。
值得关注： 三条线索在此收束。第一是数据口径的转向：官方把 10 万小时人类数据以 Human-1M-100K 之名开源，采用允许商用的 CC BY 4.0 协议，并同时开放采集硬件设计——这是目前公开的最大规模人类操作数据集之一，直接降低了小团队做操作模型的门槛。第二是「开源」需要细读：英伟达称其为开放模型，但目前放出的只是数据集与硬件设计，代码要等到 12 月。第三，也是最值得记下的一句判断，来自加州大学伯克利分校的 Ken Goldberg：他认为模仿学习范式「已经撞到平台期」——数据能带来初期性能，但之后会出错，而且没有证据表明继续追加数据就能解决；工业场景需要的可靠性，靠数据本身给不了。伯克利与英伟达因此在会上联合提出「智能体机器人」（agentic robotics）：用编码智能体去理解机器人如何运作，然后写出人可读的控制代码，把机器人从「数据问题」转成「编程问题」，从而借上语言模型的规模。这条路线的实测是爆米花任务从 33% 提到仿真 94%、真机 90%。另一组数字更能说明分工：把 GR00T 2 当一个工具（通过 MCP 服务器暴露接口），让推理模型做规划与验收，组装玩具飞机、拖拉机、风火轮的 100 次试验中分别成功 98、97、97 次，同一策略在没有规划智能体时只有 71 至 84 次；规划器在相机画面上标出抓取与释放点之后，指令跟随率从 40% 跳到 92%。机器人正在变成智能体的又一次工具调用——这正是 AI coding 与具身智能两条线今天交会的地方。
来源：https://blogs.nvidia.com/blog/robotics-simulation-advancements-corl/
四、央视财经拆解物理 AI：数据需求一年涨十倍，缺口仍在 90% 以上
11 月 9 日晚，央视财经《经济信息联播》播出物理 AI 专题，次日被多家媒体转引。节目给出的核心数字是：头部客户对物理 AI 训练数据的需求，从去年的「十万小时级」跳到今年的「百万小时级」——频道标题写作「需求量暴增近 900%」，按小时数折算约为 10 倍。节目还展示了三条落地路径：上海一家酒店的洗衣机器人采用「双脑协同」，一个具身基座模型负责理解任务与空间关系，一个世界模型负责构建三维物理环境，企业称机器人有时一晚上就能自学一项新任务，今年计划落地 1000 台；北京一家企业的双臂机器人把国产开源模型包装成「技能池」，遇到目标被遮挡时先移开箱子再抓取，通过 96 台机器人的群体经验互相「取经」，在手机包装、衣物折叠等任务上达到甚至超过人工操作员水平；广州展会现场的人形机器人则用「快脑加慢脑」的端云架构，在等咖啡的间隙完成一份冰淇淋订单。
瓶颈部分节目讲得很直接。物理 AI 的预训练更多依赖仿真合成数据与人类视频数据，但真实世界的摩擦力、重力、空间变化与突发状况，是仿真无法完整复刻的——要训练出足够稳定的模型，行业需要千万小时甚至亿小时级的真实交互数据。中国信通院专家转述国际机构测算，2030 年物理 AI 市场规模有望达 4500 亿美元。中国移动杭州研发中心副总经理程宝平用一句很具体的描述解释了为什么必须端云分工：人要抓一个杯子，一秒甚至几十毫秒就拿走了，而云上模型的决策还没回到端侧，机器人根本反应不过来。
值得关注： 这组数字真正说明的是缺口的位置，而不是市场的规模。按中国信通院《具身智能训练场研究报告（2026）》的测算前提——550 亿参数模型、1.1 万亿 token、8Hz 控制频率——要让机器人逼近「ChatGPT 时刻」，约需 21,200 台机器人连续工作一年、产出千万小时级有效交互数据；而当前全球高质量真实数据仅在数十万至百万小时量级，缺口在 90% 以上。也就是说，行业当前的需求增速（一年十倍）与供给能力之间还差着一个数量级，而这个数量级不是靠多买几台本体就能补上的，它需要的是采集流程、质检标准、失败数据回流这些中间环节的工业化——这恰好是最容易被「本体叙事」盖住的一层。定价侧也出现了分化：业内报价显示，原始第一视角视频约几十元一小时，而真机遥操作的有效数据可达几百至上千元一小时，价差十倍以上，说明市场已经在为「可用性」而非「时长」付费（该报价来自券商与产业号的汇总，非官方统计，仅供量级参考）。节目中王兴兴给出的时间判断是：AI 进入物理世界，快则明年、慢则后年，最晚大概五年。
来源：https://finance.ifeng.com/c/8xvlYo1cCww
五、擎仓机器人拿下欧莱雅「BIG BANG」年度大奖：端侧轻量 VLA 进产线
11 月 9 日，新华网报道称，在第九届进博会期间，欧莱雅集团公布了「BIG BANG」美妆科技共创计划的年度优胜企业名单，北京擎仓机器人成为该赛事唯一的具身智能获奖企业。「BIG BANG」是欧莱雅自 2020 年启动的开放式创新平台，至今举办七届、累计 2800 余家企业参赛，本届设四大赛道，擎仓登顶的是聚焦机器人工程与 AI 系统重塑生产流程的「引领新运营」赛道。获奖依据是其在欧莱雅苏州工厂的产线部署：采用轻量化端侧 VLA 路线，把视觉理解、任务理解与动作生成统一建模，在产线完成从场景适配到全流程的落地，公司称该路线曾登顶 Meta-World 全球榜单（榜单成绩为公司口径）。后续双方将探索原料转运、订单分拣、厂区巡检等场景。
值得关注： 这条消息的价值不在奖杯，而在它把「交付」拆成了四层可复用底座，且每一层都指向工程而非算法。数据底座覆盖采集、处理与失败数据回流；模型底座覆盖轻量化 VLA、训练与评测；机器人系统底座统一软硬件接口、监控与远程运维；交付底座把部署流程、测试标准与验收方式标准化。这四层里，最容易被忽略的是「失败数据回流」和「验收方式标准化」——它们决定了第二个客户、第三个客户的复制成本，也决定了一家集成商到底是项目公司还是产品公司。从产业位置看，它和今天另外几条消息构成互补：英伟达在压「示范的成本」，央视在说「真实数据仍然短缺」，而擎仓这类角色的活，恰恰是把客户现场那些没人愿意整理的失败样本，变成可计价、可复用的资产。对关注数据基础设施的人来说，这是一个比「本体出货量」更值得跟踪的观察点。
来源：https://www.news.cn/finance/20261109/6fd70903cb334ae6837e5aca89eb1bcc/c.html
本页的评论功能已关闭