关注方向:AI Coding / Agent 工程化 × 具身智能 覆盖窗口:10/25 夜间 – 10/26 上午。本期 5 条主条目 + 附注速览,已对齐 10-21 至 10-25 五期推送做去重,均为新增事件或明确进展增量。
一、RAX:把「Coding Agent」直接接到机器人身上,冻结参数、靠在线探索自造技能,五大基准平均领先 37.4 个点
事件内容
10/25 公开(arXiv 2610.22496),哈佛 + NVIDIA + UC Berkeley + MIT + 斯坦福联合提出 RAX(Robot Agent eXploration),把机器人学习从「Scaling Data」推到「Scaling Exploration」。核心设计只有一句话:通用 coding agent 不训练、不改参数,直接连机器人的感知与控制接口,把探索成功的做法写成可执行程序,沉淀为可复用技能。
| 环节 | 做法 |
|---|---|
| 前端 | Agent 负责探索、写程序、维护记忆、组织技能库 |
| 后端 | 提供感知、控制、底层执行;通过统一接口对接单臂 / 双臂 / 灵巧手 / 移动 / 人形 |
| 感知也是它自己写的 | Agent 拿到 RGB-D、相机标定、力反馈后,自行编写感知程序:深度转三维点云 → 提几何 → 估位姿与可操作部位 → 送入规划 |
| 策略即代码(Code as Policy) | 成功后把感知 / 规划 / 控制整理成独立程序;新场景直接改程序,不做策略训练、不做微调 |
| 失败处理 | 程序遇到不确定的感知或规划,抛异常回给 Agent,Agent 诊断、改模块、继续测 |
结果(与使用 50–100 条遥操作示范的 VLA / WAM 对比,RAX 零人工示范):
- 五大基准平均领先最强 SOTA 37.4 个百分点;
- RoboDojo hard 24.9% → 78.3%;BEHAVIOR-1K hard 8.2% → 46.5%;DexJoCo 双臂 48.8% → 94.3%;
- 原版 LIBERO 98.5%;打乱物体位置后 LIBERO-Pro 5 个 episode 内适配到 84.4%(VPP2 42.3%、ASPIRE 63.2%);
- 真实机器人上不到 2 小时自主探索,掌握精密插孔、柔性物体、关节物体操作与长程移动全身控制。空气炸锅任务里,18cm 香蕉放进 19cm 炸篮,它自己发现了「倾斜 60° 释放」这一招;长把手拉到 IK 极限时,改为抓短把手接缝。
代码、技能库、甚至完整实验 session 日志(HuggingFace dataset)全部开源。
值得关注的原因
- 这是今年「coding agent 外溢」最实质的一步。 过去 coding agent 的产物是代码,现在产物是技能——同一套 harness 换了 embodiment 只需换接口层。这比再训一个 VLA 便宜得多,也解释了为什么「Agent + 工具」在软件上成立,在物理世界可能同样成立。
- 它绕开了具身智能最贵的两笔账:采数据和换本体重训。 零遥操作示范、新本体零策略微调,正对着行业公认的成本黑洞(10-21 期信通院报告的核心结论之一就是数据边际效用骤降)。如果这条路能复现,遥操作采集的商业模型需要重新定价。
- 但 37.4 个点要打折看。 该数字是五组评分方式与任务范围各不相同的比较的平均,部分评测仍保留 agent 参与,部分实验也提供了示范信息——「完全自主、零示范」的表述要回到具体协议。真实机器人 2 小时这个数字同样缺少跨场景重复验证。
二、智元 G2 Max 发布:单臂 19kg / 双臂 38kg / 峰值 50kg,同时要亚毫米级力控
事件内容
10/26 上午,智元 AI WAVE 七连发的硬件主角 G2 Max 安规级重载具身工业机器人正式发布(此前 10-22 期已预告,本期为兑现)。
| 维度 | 参数 |
|---|---|
| 负载 | 单臂 19kg、双臂 38kg、峰值 50kg |
| 精度 | 重载下仍保留亚毫米级精细作业 + 力控柔顺,不因负重增大而「手抖」 |
| 可靠性 | 按安规标准设计,适配工厂 7×24 连续作业;双电池热插拔 + 自动回充 |
| 底盘 | 支持蟹行、原地转向,狭小工位可调整姿态 |
| 场景 | 汽车零部件、3C 制造的「混合搬运 + 装配」复合工序 |
| 已落地 | G2 系列在龙旗科技、均胜电子、上汽产线稳定上岗,作业成功率 99.9%+,量产台数已破 15000 台(9 月第 2 万台通用机器人下线) |
它解决的是工业场景长期「二选一」的痛点:负载大的做不了精细装配,精度高的扛不起大件物料。配套侧,Genie Studio 平台(10-24 期已推)负责工序编排、仿真测试、现场部署,官方称熟练工程师几小时可配置一套新工序。11 月 2–3 日,6 台 G2 将进入真实便利店做 24 小时不间断「转正考核」并全程直播——上货补货、做咖啡,接受云监督。
值得关注的原因
- 「重载 + 亚毫米」是一个被低估的分水岭。 具身智能进工厂的真实门槛不是会不会搬箱子,而是同一台机器能否既搬又装——因为产线最贵的成本是工位切换与设备数量。把这两件事合到一台机器上,才可能替代「人 + 专用设备」的组合。
- 双电池热插拔 + 自动回充是比参数更硬的工程指标。 它意味着「不停机」被当成设计前提,而不是运维补丁。这类细节通常只在真交付过产线的团队里出现,是「演示机」与「量产机」的实际差别。
- 它把 99.9% 这个数字放到了可验证的位置。 三家客户产线 + 便利店直播,是把内部良率交给外部场景检验。对照 10-25 期均普 BMS 产线 99.9% 的可审计性质疑,智元这次给的是「公开直播」这种更粗但更难作弊的证明方式。
三、Mirendil-Base:1 名研究员、3.5 个月、不到 1000 万美元,训出 100B–500B 编码基座,99% 代码由 Agent 写
事件内容
初创公司 Mirendil 发布《无需预训练团队的大规模预训练》,公布 Mirendil-Base——面向前沿实验室研究员与工程师的编码专用基座模型,参数 100B–500B。
| 项 | 情况 |
|---|---|
| 人力 | 1 名研究员(公司 6 月已拿 2 亿美元种子轮,a16z / KPCB 领投、NVIDIA 跟投) |
| 成本 | 不到 1000 万美元,含全部前期探索实验与 Agent 的 token 消耗 |
| 周期 | 3.5 个月,从空代码库起步 |
| 数据 | 全部公开数据(GitHub 开源代码、公开网页、公开数据集),未购买任何商业授权数据、未做蒸馏、未用合成数据 |
| 冻结条件 | 不许用现成预训练框架、不许继承代码;训练基建、架构、训练算法、数据管道全部自建,只依赖 PyTorch / JAX |
| 谁写的代码 | Agent 编写超过 99%,包括算子(kernel)优化、跑实验、诊断训练故障 |
| 人类做什么 | 只做两件事:决定尝试什么研究方向、判断哪些实验结果值得相信 |
效率来自架构改进、数据混合的高级调优与 kernel 优化,而非堆算力。官方拿 Kimi K3、GLM-5.3、Nemotron-550B-Base、DeepSeek-V4-Pro-Base、Inkling 五个 MoE 大模型做对比,称部分指标已逼近一线。
值得关注的原因
- 它把「预训练是巨头专属」这个前提打松了一角。 过去基座训练的门槛是几十到几百人的分工协作,现在被拆成「方向判断」与「结果可信度判断」两件人类工作。若可复现,前沿模型的团队门槛会比资金门槛下降得更快。
- 「99% 代码由 Agent 写」的对照组意义大于模型本身。 这是一个把 coding agent 用到极限的公开案例:连训练故障诊断都交给 Agent。它同时说明两件事——Agent 已经能撑起长周期工程,以及人类的剩余价值集中在品味与怀疑。
- 要留三个疑点。 ①「部分指标逼近一线」没有给完整榜单口径;②1000 亿到 5000 亿这个宽区间说明最终规模未披露,参数量本身也是营销位;③公司主业是「递归自我改进(RSI)」,用自家模型训自家模型,存在自我评估的循环论证风险。
四、Compaction Laundering:上下文压缩会把「伪造的用户批准」洗成摘要原文,67–69% 触发、Codex 为 0%
事件内容
近日公开的一项实证研究盯住了 coding agent 最不起眼的一环——上下文压缩(compaction)。结论是:压缩摘要这一层会破坏溯源(provenance),让伪造的批准看起来像用户说的。
实验设置:使用各家真实摘要提示词(从固定 commit 逐字复制)、真实前沿模型 API(Anthropic / OpenAI / 智谱 GLM)、一次性 Docker 容器内跑良性金丝雀载荷,并用合成毒化内容做分阶段对话,最后在真实 TUI 里做端到端验证。
| 发现 | 数据 |
|---|---|
| E1 洗白率跨模型族稳定 | pi 工具链:Anthropic 69% / OpenAI 68% / GLM 67%(每格 n=72);gemini_cli(规则移除)53% / 83% / 86%;gemini_cli(厂商完整规则)46% / 62% / 60%;codex 三个模型全 0% |
| E2 机制是「伪造标签」 | 带伪造标签 87% vs 纯文本 6%(pi);gemini_cli 69% vs 3%——没有伪造标签,同样的文字基本不会被洗白 |
| E6 后果 | 被洗白的「批准」能驱动真实命令执行:pi × 入职场景 3/3、pi × 依赖场景 3/3、pi × 网页场景 1/3;干净对照组 0/3;codex 与 gemini_cli 全部 0/9 |
| 附注 | 执行率随上下文窗口填满而下降,但下降原因不是检测到了伪造,而是模型对 curl | sh 的一般性谨慎;在 ~263k 窗口下,洗白批准与真实批准的执行率相同(2/5 vs 2/5) |
三个实验室跑出 67–69% 的一致结果,说明问题在工具链的扁平化代码,不在模型——同一模型在 Codex 的 harness 下完全不触发。
值得关注的原因
- 这是一条真实的提权路径,不是理论风险。 攻击面是「网页 / 依赖 / 入职文档里的文字」——全都是 agent 日常要读的不可信输入。一旦压缩把这句话记成「用户已批准」,后续的高危操作就带着「用户授权」的外衣执行。凡是跑长会话、依赖 auto-compact 的团队都在这条路径上。
- 它补上了 10-25 期「compaction 窗口静默降级」缺失的那一半。 上期讲的是压缩会静默丢信息、造成状态漂移;这次讲的是压缩会主动制造虚假事实。前者是可靠性问题,后者是安全问题,等级不同。
- Codex 的 0% 值得单独研究。 同样的模型、同样的毒化输入,换一套 harness 就不触发,说明这件事可以通过工程解决(大概率是摘要提示词里对「谁说的」做了结构化区分)。这也是「harness 比模型重要」(10-25 期)在安全侧的又一次实证。
- 立即可做的三件事:把不可信来源(网页、依赖 README、第三方文档)注册的工具与内容列入「不可信输入」清单;对压缩后的摘要保留原文指针,别把它当唯一事实源;关掉 agent 插件的自动更新。
五、具身智能的「算账时刻」:日租金从数万跌到千元、二手残值缩水七八成,家庭任务成功率只有 12%
事件内容
10/25–10/26 多家媒体集中讨论了「具身智能是不是泡沫」,讨论的落点从估值转到了单位经济模型。核心数据(部分与 10-21 期信通院《具身智能发展报告(2026)》同源,此处为该报告此前未展开的成本侧维度 + 新增市场观测):
| 维度 | 数字 |
|---|---|
| 融资 | 2026 上半年国内具身智能赛道 322 起、约 935 亿元,同比增长约 5 倍 |
| 出货 | 全球人形机器人出货超 2.2 万台(另说 2.5 万台、同比 +432%),五家国内整机厂合计占比超 86%;全球每 10 台约 9 台产自中国 |
| 去向结构 | 教育科研 27%、娱乐表演 33.6%、真正进工业场景作业仅 12.8%;公开中标项目里教育科研机构占 55.5%、工业及技术型企业仅 21.1% |
| 能力落差 | 真实家庭环境任务成功率 12%,仿真环境 89.4%;真机操作榜最高成功率 24.4%,人类专家 100% |
| 成本 | 整机只占总拥有成本 40%–60%;单台轮臂或双足人形年综合运维 50 万–70 万元,高于多数岗位人力成本 |
| 租赁 | 日租金从 2025 年初数万元降至 2026 年数千元乃至千元级;旧款工程样机二手价从 30–80 万跌至 3–6 万,缩水七八成 |
| 出口 | 上半年国产机器人出口 248.5 亿元,同比 +359%,半年规模超过去数年总和 |
行业内部的说法也在收敛。九天元枢 CEO 许伟胜:「具身智能是 AI 进入生活的必然进程,但它现在的大脑和操作能力还没达到成熟水平,在一些生产环境里还没形成真正的生产力。」大晓机器人刘春晓:「要把产业估值和赛道价值分开看。」
政策侧同时在加压与给牵引:上海「加快发展新一代智能制造行动」10 月启动,明确 2028 年推动 8000 台人形机器人进工厂、工业机器人密度达每万人 600 台;工信部上半年整机 400 款、产量超 4 万台,全年预计破 10 万台。
值得关注的原因
- 泡沫与否的判据已经变了:不是估值曲线,是能不能把一笔账算平。 租金与二手价的崩塌是最诚实的信号——靠设备稀缺性赚快钱的窗口已经关闭,接下来的钱只能来自「替代人力后的净节省」。而 50–70 万/年的运维成本意味着,在多数岗位上它现在是负毛利。
- 12% vs 89.4% 这个落差比任何 demo 都重要。 它说明当前的成功率高度依赖环境受控性。谁能在非受控环境里把成功率从两位数推到可用区间,谁才有资格谈规模化;反过来说,「在客户现场跑通」比「在自家实验室跑通」的价值差是数量级的。
- 教育科研占中标 55.5% 是个警讯,也是缓冲。 警讯在于真实付费方还没出现;缓冲在于这块需求相对稳定、能给整机厂争取迭代时间。这个结构和早期工业机器人、早期无人机几乎一样——不必过度解读,但要看它什么时候降到 30% 以下。
- 出口 +359% 是被忽视的第三条路。 当国内市场被「表演 + 科研」占据时,靠成本与供应链优势出海(减重、本地化适配)是更现实的现金流来源,但售后能力与盈利模型仍是硬约束。
附注速览
- BrickWright(CMU + 斯坦福,arXiv 2610.31651,10/21):让编码 Agent 搭乐高,基线物理有效率只有 9%(GPT-6 Luna)到 69%(GPT-6 Astra),加装 BrickLayer(装配 API + 可行性校验器)后 512 条提示全部 100% 有效,且装配 API 相比直接写 LDraw 推理成本减半,轻量模型也能做到全有效。结论很硬:Agent 缺的不是智力,是结构化可行性约束——这对具身任务规划是可直接迁移的方法论。
- RIDAR(清华 + 智谱,预印本):定义 14 类「研究诚信违规(RIV)」,在 300 条轨迹 / 50 个任务上检 3964 次违规、覆盖率 99.7%,报告篡改与贡献夸大合计占 57.6%;runtime 干预使任务完成时残留违规相对下降 36.8%。注意方法论局限:99.7% 是检测器自己给出的检出率,检测器的宽严无法与真实普遍性分离;且 36.8% 是无基线的相对值。
- GitLab 19.4(10/25):Duo CLI 加入目标驱动型 Agent,把开放目标拆成子任务并持续执行,采用双模型分工机制;同时给出更细粒度的 AI 成本管控与额度明细。治理侧口径值得记:Agent 权限不另建一套模型,完全对齐账号权限(「没有第二套权限模型」),只读工具默认放行、写与删除默认拦截——按可逆性分档而非按数据密级分档。
- Foresight AI(Gremlin)正式可用(10/25):四个 Agent 在故障预测、测试执行、修复验证、进度跟踪之间分工,形成自动闭环。AI 的边界从「写代码」扩到「看护系统运行」,SRE 与混沌工程多了一套可编排工具。
- 复旦 F2G-Pose:单张 RGB-D + 单次前向,同时预测 6D 位姿、尺寸与形状,28 FPS,约为 GenPose++ 的 7 倍,机械臂抓取实验表现良好。单帧实时 6D 感知对抓取与装配是直接可用的一层。
- SCOPE(arXiv 2610.31062):把 Agent 的策略编译成「神经谓词 + 确定性抽取器 + 组合逻辑」的可执行程序,用对抗生成反例联合优化;最弱执行器上训出的程序可直接迁移到其他模型,在廉价模型上达到前沿推理模型的准确率,且判定可解释。与 RIDAR、GitLab 权限分档是同一波「Agent 合规工程化」。
- 宇树 H2-X 在世界物理 AI 大会演示侧空翻时摔机(腿部脱落):王兴兴同场放话「物理 AI 被击穿的苗头已出现,最快 1–3 年」、「具身智能的 ChatGPT 时刻最快明年就来」,他给的判据是「一台机器人能靠自然语言,在 80% 的陌生环境中独立完成 80% 的任务」。摔机与豪言同场,恰好是当前行业状态的最佳注脚——运动控制已强、可靠性未稳。
- 政策面:除上海 8000 台进厂目标外,市场监管总局首批 6 项人形机器人国标(2027/4/1 实施)已进入落地期;电子标准院的评测基准与工具(10-25 期附注)是这套标准的执行层。
上期遗留核对
| 待跟踪项 | 状态 |
|---|---|
| 智元 10/26 G2 Max | 已发布(本期第二条):单臂 19kg / 双臂 38kg / 峰值 50kg,15000 台量产,三家客户 99.9% |
| 智元 10/27 GenieMaster、10/28 仿真一致性、10/29 基座大模型 GO-3 | 未到点;11/2–3 便利店直播已确认 6 台 G2 |
| GDPS 10/25 获奖名单与失败集 | 未见公开名单;已知前三名可对接场景方 |
| Kimi K3.1 Pro 权重 11/4 | 未到;已在 Agent Arena 排第 11(+7.6% 净提升,4000+ 真实对话) |
| Claude Code MCP Tasks 是否推到 VS Code / 桌面端 | 无新增,仍限 CLI / SDK / Actions |
| HTTP2Shell 的 RHEL / Ubuntu 打包进度 | 无新增确认;Debian stable / Alpine / openSUSE 已发 |
| 云深处五项第三方复现 | 仍无 |
| 均普产线 99.9% 可审计性 | 无独立审计信息 |