今天两条主线都指向同一件事：把「接入成本」压下来。AI 编程侧，Cursor 让人开口说话而不是盯着屏幕，Amp 让一个主智能体替人拆任务、开线程；模型侧，Thinking Machines 用 594B 总参只激活 17B 的稀疏结构，把长程编码推到第一梯队。具身侧，它石智航与安波福把百台机器人排进真实产线，瑞士 Embodied AI 干脆放弃双腿、用轮子加腱驱动换安全认证——通用性让位给可交付性。

Cursor 上线智能体实时语音通话：把「监督」从读屏改成对话

Cursor 于 11 月 6 日发布「与智能体实时语音聊天」（Voice Chat with Agents）。这是一次语音对语音的双向通话，不是把语音转成文字的听写功能：语音智能体负责倾听、回应、接住任务，再把具体编码工作交给当前会话里的编码智能体，后者在执行过程中主动播报简短进度。功能覆盖 Agents Window、桌面 IDE、网页端与 iOS 应用，iPhone 上可以用「Hey Siri, call Cursor」直接发起，并从锁屏或灵动岛静音、挂断。通话中可查询代码差异、运行状态、该智能体的历史消息与通话记录，这些查询均为只读，不会中断正在执行的编码任务。技术实现上，语音识别与合成由 Grok Voice 驱动，编码智能体仍使用用户自行选择的模型；开启隐私模式后通话零数据留存。官方同时说明有每日使用上限，若用户长时间沉默且智能体无任务在跑，通话约 10 分钟后自动结束。

值得关注：变化的不是省下打字，而是监督方式。文本流是「人写、机读」，语音流是「人说、机答」，中间多了一层调度角色。对跑几十分钟的长任务而言，从盯屏幕读 diff 改成听一段简短汇报，注意力占用确实下降。但边界同样清楚——语音承载不了行级别的精度，Cursor 自己把通话中的查询限定为只读，说明它并不打算让语音承担审批动作。官方未公布定价、包含该功能的套餐档位与具体限额，因此「语音监督是否真的比读屏快」目前没有数据支撑。

来源：Cursor Changelog — Voice Chat with Agents

Amp 推出 Spaces：让一个主智能体替你拆任务、开线程

Amp 于 11 月 6 日上线 Spaces。一个 Space 是一段用户与单个智能体的对话，但这个智能体的职责是替你生成并协调其他线程——用户不必再自己创建、命名、追踪一组智能体。团队成员可以在同一个 Space 里提需求、贴缺陷、补充想法，每个被拆出的任务以实时卡片显示状态以及是否需要人工介入；点击卡片进入对应线程，查看产出、继续迭代或直接推进交付。评论区的设计有一个细节：只有被 @amp 提及时，Amp 才会读取相关评论，以减少噪声干扰。官方给了三个自用案例：团队用一个名为「Spaces v1」的 Space 开发 Spaces 本身；一名成员在单个 Space 里完成服务账号功能的上线，包括监控 X、Slack 与工单、修线上缺陷、向受影响用户发邮件与退款；另一次定期安全审查中，主智能体首轮把代码库切成 16 个区域分线程审查，再在另一线程里交叉核验每条发现，最终把 14 个问题归入一份汇总文档。

值得关注：多智能体编程的瓶颈已经从「能不能并行」转到「谁来管并行」。此前开发者要自己切任务、复制项目背景、拼接结果，这部分注意力开销不进 token 账单，却是真实成本，Spaces 把这一层交给模型处理。Amp 自己的定位也直白：让人坐进「船长椅」，需要时再下到细节。但有两处需要打折——其一，三个案例都出自 Amp 自家团队与自家流程，可迁移性未经验证；其二，并行不是免费的，第三方汇总的多智能体团队测试显示成本最高上升到 5.1 倍而质量提升有限（该数据非 Amp 官方口径），Spaces 省掉的是组织线程的时间，协调成本本身不会消失。

来源：Amp — Spaces

Thinking Machines 发布 Inkling 2 Small：594B 参数只激活 17B，长程编码进第一梯队

Thinking Machines Lab（OpenAI 前 CTO Mira Murati 创立）于 11 月 5 日发布第二代模型 Inkling 2 Small。结构是稀疏混合专家（MoE，每次推理只调用部分专家而非全部参数）：594B 总参数、17B 激活参数，1M token 上下文，外挂一个 292M 参数的视觉编码器，支持图像输入与可调思考深度。预训练分四阶段共 12.2 万亿 token，其中第一阶段 8.4 万亿 token 在 NVIDIA GB300 NVL72 机架（单机架 72 颗 Blackwell Ultra GPU）上以原生 NVFP4 格式用 68 小时跑完；随后一次统一的强化学习跑了 9 天、1075 步、超过 1700 万次 rollout，动用了 2048 张 GPU，强化学习 token 中 65% 是编码任务。模型目前在 Tinker（其自有微调与推理平台）上以闭权重形式提供 API，官方称完成外部安全测试与红队后，于下周以 Apache 2.0 协议放出完整权重。

跑分呈现明显的偏科。官方表格中 SWE-bench Pro v2（Hard）86.3%、DeepSWE v1.1 72.1%、MMMU Pro 81.6%，Artificial Analysis 智能指数 31；但终端操作能力偏弱，Terminal-Bench 4.0 只有 13.1%，而 DeepSeek V4.1 Flash 同期为 33.8%，DeepSWE 也以 72.1% 落后于对方的 77.0%。官方最看重的一项指标是内部「不当行为」评分从初代的 66.8 降到 14.9，越低越好，但仅自家可测。演示任务给得相当硬：让它把 Qwen3.5-4B 训成一个时序预测模型，它自行分析任务、编写评估器、尝试不同数据集与训练配方并自行排错，4.5 小时、花掉 426 美元 Tinker 额度后把预测分翻倍。

值得关注：三个层面。第一是性价比形态——17B 激活撑起 594B 的知识容量，Artificial Analysis 记录的价格为每百万 token 输入 0.30 美元、输出 1.00 美元，这种稀疏配比正在成为开放权重模型的主流打法。第二是能力结构的分化——它强在「写代码」，弱在「在终端里把事做完」，说明编码能力与长程环境操作仍是两种不同的本事，采购时不能只看 SWE-bench 一项。第三是中国模型的位置变化——有第三方报道称其训练后段轨迹部分采样自月之暗面 Kimi K3，若属实，开放权重模型已从「被对标对象」变成「被当作训练数据源」。另有报道称该公司正以 400 亿美元投前估值募集 50 亿美元，尚未获官方确认。

来源：Thinking Machines Lab — Introducing Inkling 2 Small

它石智航与安波福签约：年底前百台级进产线，覆盖 33 类应用场景

11 月 6 日，第九届进博会期间，它石智航与安波福（Aptiv，汽车零部件与智能驾驶技术供应商）签署战略合作协议。按协议，安波福将在今年年底前完成百台级它石 A 系列工业具身机器人的规模部署，覆盖柔性组装、检测协同、生产管理等 8 大生产工艺、33 类应用场景，首批机器人已在安波福智能工厂的真实产线投入应用。合作是双向的：安波福的高性能计算平台与智能电源管理方案将率先装入它石机器人本体，作为工业具身智能的算力底座，计划 2026 年内实现量产。此前在嘉定区政府支持下，双方已于今年 6 月启动「全国首个千台级工业具身机器人集群」建设，首期落在安波福生产基地，重点是让机器人适配真实产线的工艺流程。模型侧依托它石通用具身大模型 AWE（AI World Engine，今年世界人工智能大会「SAIL 之星」获奖项目）。展会现场，AWE 驱动的 A3 机器人演示了连接器自主装配，全自主完成「取料—精准插接—投料」循环。

值得关注：这是「汽车供应链反向供给机器人」的一个清晰样本——车规级的计算平台、电源管理与量产工程能力流向机器人本体，机器人则把真实工况数据反哺给模型，形成双向依赖而非单向采购。它石联合创始人陈同庆的分工表述值得记下：「具身模型定义了能力的上限，本体决定落地的边界，而可信赖的表现决定物理 AI 能否真正进入产线。」边界也需要说清：百台级是年底目标，33 类场景是规划口径，实际稳定运行时长、任务成功率与节拍均未披露；千台级集群仍处建设期，尚不等同于已交付产能。

来源：新浪科技 — 直击进博会：它石智航与安波福签约

瑞士 Embodied AI 发布 AIR：不要腿要轮子，用腱驱动把安全做进硬件

11 月 6 日，瑞士公司 Embodied AI 在慕尼黑 Humanoid Europe 2026 上发布首款完整人形机器人 AIR。公司是洛桑联邦理工学院（EPFL）的孵化项目，2023 年由 EPFL 与 MIT 的机器人方向博士创立，总部在洛桑。AIR 是轮式上半身人形：用轮子而非双腿，理由是工厂地面平坦，足式行走增加机械复杂度与失效模式却不带来生产价值，轮式更稳定、更可靠、也更容易通过工业安全标准认证。手臂采用腱驱动——电机、减速器与电子件全部集中在躯干，通过线缆把动力传到关节，手臂本身几乎不承载运动质量；接触时靠机械柔性自然让位，而不是靠软件限扭。整机按 ISO/TS 15066:2016（协作机器人工作空间安全国际标准）设计，计划 2027 年取得 CE 认证。学习路径也反常规：第一个班次就由人工遥操作，边干活边记录，自家 AI 栈从这些示范中学习，通常一个月后可自主执行，人则留在旁边处理没见过的边缘情况，一台学到的能力可迁移给同队其他机器。公司称此前双臂工站已在欧洲制造商处付费部署，在某消费电子厂商的线缆处理测试中，五家有融资的机器人公司无一达标，只有它满足全部指标，可靠性 98%（目标 90%）。

值得关注：它选择了与主流相反的方向——不做双足通用人形，做轮式专用工位。这不是能力不足的妥协，而是把「认证」放在第一约束位置：安全由硬件几何与机械柔性保证，AI 只需在既定的物理边界内变聪明。代价同样明确：轮式上不了楼梯、越不了障、进不了户外，「通用」这个词被主动放弃，场景锁死在平层产线。另外，98% 可靠性、「一个月学会」、9 个月从研究到产品这三项均为公司口径，客户名称、机器台数、价格与产能均未公布，需待第三方部署数据验证。

来源：Yahoo Finance / Business Wire — Embodied AI Unveils AIR

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

AI 编程工具迎来「并购日」：OpenAI 官宣收购代码工具公司 Pierre Computer，Meta 同日确认收购编程智能体初创 Conductor，巨头争夺开发工作流入口的意图愈发明显。具身智能侧，小鹏科技日交出 L4 Robotaxi 与人形机器人 IRON 的答卷，学术界则提出让机器人用有限试错自我进化的新框架 EmbodiedRSI。

OpenAI 宣布收购 Pierre Computer，补齐 Codex 代码工作流

11 月 4 日（美东时间），OpenAI 宣布全资收购开源开发工具公司 Pierre Computer Company，具体交易金额未披露。Pierre 成立于开源工具圈，官方首页只有一句「我们打造从不碍事的工具」，其核心产品 Trees 与 Diffs 已被 Codex 采用——前者解决大型仓库的文件树导航，后者把万行级 diff 压缩为少量高亮变更。技术上，Pierre 用 Rust 重写了 Git 对象图的内存索引引擎，将百万级文件仓库的 blame 操作从约 8 秒压缩到 0.3 秒，并把抽象语法树（AST）与版本提交树做了跨维度对齐，使「这段逻辑是谁在哪次重构中引入的」这类问题首次有了毫秒级答案。收购后，这些能力将整合进 Codex 的代码构建、理解与审查链路。

值得关注：AI 编程竞争正从「模型会不会写代码」延伸到「智能体能不能高效理解一个巨型代码库」的基建层。当模型能力趋同时，谁掌握代码探索、审查与版本理解的工作流入口，谁就握住开发者的日常习惯。巨头选择并购而非自研补齐工具链，说明这类「不起眼的基础设施」已被重新定价；对独立开发者工具厂商而言，这也意味着站队或被收编的窗口正在收窄。

来源：科技前沿概览 2026年11月5日（东方财富）、OpenAI 收购 Pierre 引爆开发者圈（搜狐）

Meta 确认收购 AI 编程初创 Conductor，加速编程智能体布局

11 月 4 日，Meta 确认收购 AI 编程初创公司 Conductor。该公司成立于 2024 年，今年 3 月刚完成 2200 万美元 A 轮融资，其云端服务将于 11 月 20 日关闭并整合进 Meta 的 AI 体系。Conductor 主营方向是 AI 编程智能体，属于「Agent 编排 + 编码执行」赛道的新一代公司，成立不到三年即被巨头整体收编。

值得关注：同一天，OpenAI 与 Meta 分别出手收购开发工具公司，这不是巧合而是同一个信号——编程智能体赛道进入「军备竞赛」阶段，巨头宁可花钱买时间也不愿自研追赶。对创业公司而言，融资到被收购的周期被大幅压缩；对用户而言，需要留意所依赖的独立工具被收购后停止服务的风险（Conductor 云端服务将在两周内关闭）。连续两天 AI 编程圈还爆发了 Postman 静默安装插件的信任危机（详见昨日日报），工具链的「站队」与「信任」正同时成为议题。

来源：今日 AI 行业热点速览 2026-11-05（搜狐）

苹果收紧员工 AI 使用预算，部分工程师日额度降至 200 美元

彭博社 11 月 5 日报道，苹果为遏制快速上升的 AI 使用成本，正在削减员工使用 AI 工具的内部预算。苹果上个月已将部分工程师的每日 AI 支出上限从 300 美元下调至 200 美元（降幅约三分之一），并计划对部分工程团队进一步下调至最低每日 100 美元；非工程团队原本即有每日 100 美元额度，苹果甚至考虑将其压至 25 美元。确有更高需求的员工可向高级管理层申请豁免。报道称员工可使用 Claude、ChatGPT 与 Gemini 等服务，部分团队被要求改用更便宜的模型或转向本地运行方案。

值得关注：这组数字是「AI 编程成本经济学」的罕见一手样本——苹果工程师的日常额度级别（百美元/天）意味着重度使用旗舰模型的月成本可达数千美元，与企业订阅套餐（几十美元/月）之间相差两个数量级。更值得注意的是行业风向的集体转变：微软收紧内部 AI 支出、特斯拉设每周 200 美元上限、Uber 限制单工具月用 1500 美元、Meta 推行代币预算并鼓励自研工具。企业正从「鼓励员工大规模试验 AI」转向「精细核算投入产出」，模型分层使用（日常用便宜模型、啃硬骨头才用旗舰）正在成为大厂内部明规则。

来源：彭博社称苹果收紧员工 AI 使用预算（凤凰网科技）

小鹏科技日：L4 Robotaxi 试运营在即，IRON 人形机器人登场

11 月 5 日，小鹏在科技日上集中发布了 L4 级 Robotaxi 量产与试运营计划、新一代人形机器人 IRON，以及支撑两者的物理世界大模型。Robotaxi 采用无高精地图的第二代 VLA（视觉-语言-动作）模型方案，计算、转向、制动等核心部件做了双冗余设计以支撑取消安全员；IRON 为 178cm 人形机器人，主打「知道怎么安全地走」，搭载被称作「室内 AEB」的避障系统，可执行「关掉客厅灯」级别的语音指令；物理世界大模型（报道称参数量为 720 亿）则强调对物理规律的理解，同一底座同时服务车辆与机器人。

值得关注：这是国内车企把自动驾驶技术栈「平移」进人形机器人的又一次系统演示——VLA、冗余安全设计、无图泛化能力三件套同时出现在车和机器人上，印证了「具身智能安全是入场券而非功能」的判断。何小鹏「智能越高，安全冗余必须越足」的表述，把行业竞争焦点从参数规模拉向了安全架构。需要说明的是，具体参数（芯片配置、电池方案等）目前主要来自科技媒体转述，以官方后续披露为准；对关注具身智能落地的读者，值得持续跟踪其 Robotaxi 试运营的实际推进节奏。

来源：Xiaopeng Unveils Robotaxi and IRON: The Safety Examination for Embodied AI（AsiaICT）

EmbodiedRSI：把有限试错变成机器人的真本事

11 月 5 日，智源社区 TALK 报告了哥伦比亚大学与普林斯顿大学的 EmbodiedRSI 工作（论文编号 arXiv:2610.10498）。这是一套自进化智能体外层框架（harness）：在底座机器人模型完全冻结、不做任何再训练的前提下，让智能体自主决定「下一步试什么、往哪个方向探索」，维护代码与技能的改进假设，优先选择信息价值高、成本低的实验，再把实体交互的试错结果直接转化为可复用的代码与技能。效果上，RoboCasa365 基准中未见组合任务的成功率从基线 40.1% 提升至 71.3%，零样本迁移到真机后成功率从 46.0% 提升至 71.3%；在同样 50 次交互预算下，相比随机探索，成功率从 27.1% 提升至 72.9%。

值得关注：这项工作回答了具身智能数据侧的一个关键问题——当真机交互数据昂贵、遥操作采集成本高时，如何用最少的试错换最多的进步。它的答案不是「采更多数据」，而是改写「哪些试错值得做」的采样策略本身：由模型自己评估假设的信息价值与实验成本，主动规划探索方向。这与近期 SHAPER 等免训练自进化框架形成同一趋势——把改进负担从昂贵的权重更新转移到轻量的代码与技能演化循环。对做机器人数据管线的人来说，「主动探索采样」与「数据质量评估」正在合流，值得关注其可复用代码的工程化形态。

来源：智源 TALK | EmbodiedRSI 把有限试错变成机器人真本事（智源社区）