关注方向:AI Coding / Agent 工程化 × 具身智能 覆盖窗口:11/3 – 11/4 上午。本期 5 条主条目 + 附注速览,已对齐 10-21 至 11-03 十四期推送做去重(DeepSeek Super-Agent、Kimi 游戏方案、LongCat-2.5、乐聚 OPENLET、简智/机器科学融资、智元便利店直播、Android Studio BYOA、具身”交卷期”、数据定价均已报过,本期只收增量或换角度)。 本期主线:开源权重同时跨过”够用”和”前沿”两条线。 Revolut 把 2000 名工程师的默认工具从 Claude Code/Codex 换成自托管 GLM,账单只剩十分之一——这是”够用且便宜”第一次在受监管银行的生产环境里算得过账;Kimi K3.1 Pro 把 2.8 万亿权重放到今天到期,开源与闭源在 AA 指数上的差距从 12 分缩到 3 分。具身侧则是同一件事的两面:小米让机器人干满一个班,宇树公开承认本体跑通、大脑没赢,开始全球找大脑。
一、Revolut 把 2000 名工程师从 Claude Code / Codex 换到自托管 GLM:账单降到十分之一,代价是”把推理栈重写一遍”
事件内容
Revolut AI 基础设施负责人 David Abitbol 在纽约 AI Engineer 大会的演讲《Shipping like a startup, regulated like a bank》中披露了迁移细节,11/3 经 Dealroom 等媒体报道后扩散:
| 维度 | 信息 |
|---|---|
| 迁移规模 | 约 2000 名软件工程师,默认编码工具从 Anthropic Claude Code、OpenAI Codex 换成智谱 Z.ai 的开源权重模型 GLM,由 Revolut 自建部署 |
| 算力 | 约 56 张 NVIDIA B200,跑在自己的美国机房 |
| 成本 | 混合成本约 $0.30 / 百万 token,总账单约为此前的 1/10 |
| 效率(厂商自述) | 约 2000 人样本中,编码时间缩短约 60%,从接任务到合入的 lead time 缩短约 70% |
| 此前路径 | 先上 Gemini,再用带”人均预算上限”的 Claude Code;Abitbol 称早期 Claude Code 投入产出比一般,且额度限制让工程师把 AI 留给”最难的任务” |
| 保留边界 | 图片任务仍走 Gemini;最难的工作仍保留 Claude Code / Codex 作例外;编码 Agent 跑在带审批规则的沙箱里,人在环 |
| 合规顾虑 | 承认在受监管银行用中国开源模型有”污名”,因此只取开放权重、只在自有基础设施上运行,不走 Z.ai 托管服务 |
| 未计入 | 官方口径的 90% 节省不含云、人力与监控成本;且对照未剥离”取消 token 限额”这一变量 |
| 代价 | 开箱推理”很糟”;团队在同一批 GPU 上把首 token 延迟从约 14 秒压到 1.7 秒,才达到可用 |
值得关注的原因
- 这是”订阅制 vs 自建”第一次在千人规模、受监管行业里给出可核对的账单对照。 成本结构从 per-seat 订阅变成”GPU 折旧 + 电力 + 推理栈人力”,而后者在 2000 人规模下才摊得动。对绝大多数团队来说,真正的门槛不是模型,是有没有人把 TTFT 从 14 秒调到 1.7 秒——这条细节比”省 90%“更有参考价值:开源不是免费的,是把钱从账单挪到了工程。
- 采购会走向双轨,而不是替代。 Revolut 的做法很克制:日常高体量任务交给”够用且便宜”的自建模型,难题、图片、需要最强推理的少数场景留给 frontier——这也是 Dealroom 提到的信号:对常规、高频工作,“good enough and cheap”开始赢。真正被威胁的不是模型能力榜,而是按席位订阅的定价模型。
- 对国内团队的镜像意义:这条路的可行性取决于”数据能不能出域”。 Abitbol 明确是因为合规才选择”只取权重、自己跑”。这与今天 Kimi 放权重是同一枚硬币的两面:开放权重的第一批刚需客户,是银行、医疗这类数据不能出境的场景,其次才是推理服务商转售。反过来说,如果团队没有自有算力和驻场推理工程师,自建的账大概率算不过来。
二、Kimi K3.1 Pro 完整权重今日到期:开源与闭源差 3 分,但先主动砍掉 9.5 分网安能力
事件内容
月之暗面 10/23 发布 K3.1 Pro 时承诺11 月 4 日前放出完整权重,今天是窗口最后一天:
| 维度 | 信息 |
|---|---|
| 规格 | 总参数 2.8 万亿(MoE),每 token 激活约 1040 亿;1M token 上下文;原生支持文本 + 图像输入 |
| 榜单 | Artificial Analysis 智能指数 55 分,全球第四(前三是 Opus 5.5 的 58、Sonnet 5.5 与 Muse Wonder Full 的 56);前代 K3 为 44 分,一代 +11 |
| 关键变化 | 开源与闭源前沿的差距从 12 分缩到 3 分;权重放出后将成为该指数上排名最高的开放权重模型 |
| Agent / 编程 | Terminal-Bench 4.0 65.7%(K3 仅 13%,GPT-6 Astra 58.2%);GDPval-AA 1846 Elo(+312,仅次于 Opus 5.5 的 1866);BenchCAD 工具调用 92.7%(Opus 5.5 为 96.2%) |
| 其他 | 内部 Hallu Bench Hard 幻觉率 23.4% → 8.3%(Astra 为 5.5%);OfficeQA Pro v2 超过所有对比模型;财务建模/研究内部基准分别 +7.2 / +11.6 分 |
| 定价 | API 约 $2 / $10 每百万 token(输入/输出);Highspeed 版约 3 倍速、单价更高(国内平台 ¥26 / ¥136) |
| 安全取舍 | 中期训练与 RL 阶段针对性移除网络攻防数据、保留通用编程;内部基准 xdev-bench-hard 上 exploit 通过率 90.5% → 81.0%,主动让出 9.5 分 |
| 待确认 | 发稿时权重下载页、许可证名称与第三方托管报价尚未公开可查;“主动净化”的基准为内部基准,第三方无法独立验证,也无法验证微调能否恢复被抑制的能力 |
值得关注的原因
- “开源落后闭源 12 分”这句话今年第二次被改写。 从 12 分到 3 分,且强项正好落在 agentic coding(Terminal-Bench 从 13% 跳到 65.7%)——这意味着”本地可部署的前沿级编码模型”第一次在纸面上成立。对需要长上下文代码库、又不能把代码送上云的企业,这是今年最实际的一个选项。
- “开源前先自砍能力”正在变成发布范式,但它带来了新的采购风险。 主动移除攻防数据是负责任的做法,问题在于验证权在厂商手里:81.0% 用的是未公开的内部基准,第三方既无法确认”降到 81%“是真的,也无法确认微调后会不会回到 90.5%。安全团队不能把”已净化”当成结论,必须自己跑 exploit 测试——权重开放恰好让这件事第一次变得可做。
- 权重开放改变的是议价结构,不是使用方式。 2.8 万亿参数的部署门槛(显存、专家并行、卡间带宽、KV cache)决定了绝大多数团队仍会走托管;真正受益的是三类角色:数据不能出域的大机构(见上一条 Revolut)、做二次微调的垂直厂商、以及靠”开放权重”打价格战的推理服务商。权重落地后第一波可观测信号是第三方托管报价,而不是又一轮跑分。
三、MIT 让 GPT-6 Astra 直接改 Qwen 权重:不用梯度、只动 0.016%,MATH-500 从 7.9% 到 48.1%
事件内容
MIT 团队公布八项实验,把”让前沿模型直接读写神经网络权重”命名为 Weight-Space Programming(权重空间编程),11/3 经量子位等报道后引爆讨论:
| 实验 | 做法 | 结果 |
|---|---|---|
| Qwen3.5-0.8B 提数学 | 把完整权重以文本形式放进 Python 环境,指令只有一句”尽可能提高数学能力”;Astra 自行诊断、决定改哪里 | 发现”推理循环”是主因(96 条回答中 85 条跑满 32768 token),定位到第 15、19 层前馈网络各 64 个输出列,只改动约 0.016% 权重;触顶率 93.0% → 33.1%;MATH-500 7.9% → 48.1%(给 10/25/50 次前向调用预算时分别为 12.3% / 14.1% / 48.1%);未被要求优化的 IFEval 也从 21.0% 升到 62.3% |
| 认游戏 | 四个架构/输入/动作完全相同的 Atari 网络,只给原始权重 | 正确认出打砖块、乒乓、吃豆人、高速公路;打砖块是靠权重集中的位置推断的 |
| 认语言 / 找归纳头 | 三个 720 万参数小模型分别用 Python、日语罗马字、英语训练,剥掉输入输出层、且不许喂数据 | 两轮内认对三种语言,并找出全部归纳头(induction heads) |
| 小车爬坡 | 给权重、场景描述和一段失败记录,不用工具 | 一次回复写出补丁,只改 3.5% 权重,1024 次测试全部成功——把训练学不会的”先倒车再冲坡”直接写进权重 |
| 全零权重写策略 | MinAtar:只给规则、源码和网络结构,无数据、无梯度、不能试跑 | 平均得分 517.4;PPO 训 1 亿步为 15.8、5 亿步为 25.3,约 20 倍 |
值得关注的原因
- “改模型”第一次可以不进训练循环。 过去修一个小模型的行为,路径是”加数据 → 重训 → 评测”;现在是”诊断 → 定位到具体层与列 → 打补丁 → 验证”。省掉的是梯度训练,没省掉诊断和验证所需的算力,但对小模型、边缘模型、私有化部署的客户,这可能把一次迭代从周级压到小时级。
- 对 AI coding 的含义是:调试对象从源码扩展到”参数”。 Agent 已经能读二进制、读堆栈、读日志,现在还能读权重这种”不可读的代码”,并给出可验证的改动。这条路一旦工程化,IDE 与 agent 的能力边界会推到模型本身——“这个模型在我这跑不好,你帮我改一下权重”会成为一句正常的请求。这也是宇树愿意向全球大模型公司开放接口的底层预期(见第五条)。
- 必须保持怀疑,但它给出的最小实验是可复现的。 单模型、单任务、内部评测,且 Meta 研究员质疑提示词已提前把排查方向引导到了”循环”。真正硬的证据是那些不需要解释力的实验:从权重认出四款游戏、找出归纳头、全零权重写出 20 倍于 PPO 的策略——这些不是”调参调出来的”。建议按”认游戏/找归纳头”这个最小实验自己复现一次,再决定要不要信 6 倍这个数字。
四、小米人形机器人跑满 8 小时整班:从”连续 3 小时”到”产线级协同”,同时把基座模型搬进公寓
事件内容
11/3 乌镇世界互联网大会期间,小米披露机器人业务在工厂与家庭两侧的进展,并拿下大会”杰出贡献奖”(全球 15 家)与”领先科技奖”:
| 场景 | 信息 |
|---|---|
| 工厂(本次) | 在小米汽车工厂中控台侧盖板排序工站首次挑战 8 小时作业,满足该工站全天生产需求;作业中实现异常自主纠偏与产线系统级协同(与 AMR 配合分拣、摆放零件);官方称”初步完成产线级作业能力验证” |
| 工厂(历史路径) | 2026/3 首次进厂”实习”:自攻螺母上件工站连续 3 小时、双侧安装成功率 90.2%、满足 76 秒产线节拍;2026/7 同工站成功率升至 98%,新增中控台侧盖板排序、料箱折叠回收两个复杂工站,首次实现柔性工件长时作业 |
| 家庭(本次) | 以 Xiaomi-Robotics-1 为底座的具身基座模型在小米青年公寓启动”试运营”,搭建覆盖数据采集、推理、执行的 Agent 闭环;完成连续 >30 分钟、覆盖 3 个房间、50+ 任务的长程任务验证(工具准备、沙发/桌面整理、垃圾清理、分类归位、房间巡检、全屋复检、离场) |
| 模型口径 | 前两代迭代后,Xiaomi-Robotics-1 基于 10 万小时真实世界操作数据预训练;官方称国内率先系统性验证具身 Scaling Law,在 RoboCasa365、RoboDojo 榜单位列全球第一(厂商自述) |
| 奖项技术名 | “面向规模化落地的通用机器人操作基座模型关键技术” |
值得关注的原因
- “8 小时”是班次单位,不是演示时长——这是量产与 Demo 的分界线。 它同时压测续航与散热、重复定位精度、异常恢复,以及与 AMR、产线系统的对接;对比 3 月的”连续 3 小时”,真正的增量不是时长翻了 2.7 倍,而是从”单站作业”走到”产线级协同”。排产看的是能不能顶一个班,不是能不能翻个跟头。
- 数据闭环是小米最不一样的变量。 自家汽车工厂既是客户也是数据源:真实工况、真实失败样本、真实节拍约束,与”向第三方买数据”(简智那条线)形成两种成本结构。10 万小时预训练 + 产线回灌,如果能证明”多一个工站只需少量后训练”,这套方法论就可以复制到别的制造企业——那才是它真正的商业故事。
- 家庭侧才是泛化考卷,而这份考卷的评分标准还没公开。 30 分钟 / 3 房间 / 50+ 任务是长程任务链,失败模式是复合的(任一环节崩掉整链归零),难度结构与固定工站完全不同。但所有数字均为厂商自述,接管次数、成功率、单任务耗时、成本都未披露——这三点不公开,“试运营”就还停在验证阶段。
五、宇树公开承认”本体跑通、大脑没赢”:开放硬件与运控接口,向全球找大脑
事件内容
11/3 上午,宇树科技创始人王兴兴在乌镇峰会开幕前受访表示:宇树已经把本体、运动控制、执行器等硬件能力基本跑通,下一阶段核心攻坚方向是机器人大脑(具身大模型),并将在全球范围寻求合作:
| 维度 | 信息 |
|---|---|
| 开放内容 | 愿意开放机器人硬件平台与运动控制接口,面向全球大模型公司、AI 实验室、高校联合训练、迭代机器人大模型;已购买其硬件平台的开发者可直接提诉求联合开发 |
| 10 月既定三线 | ① 提升大规模量产能力,适配千万级乃至亿级需求;② 自研与合作并行,推进适配自身硬件的物理 AI 小模型;③ 布局超大规模算力集群 |
| 财务背景 | 前三季营收 18.17 亿元(+55.71%)、归母净利 3.87 亿元(+270.54%);但 Q3 净利同比下滑约 17%,董秘口径归因于算力与大模型方向研发投入增加 |
| 对照(同日行业) | Meta 与傅利叶的二代 Max 2 已启动(重新设计躯干、改进机械手、加投影仪显示、增传感器以上下楼梯);Meta 正在上海招供应商开发工程师、深圳招产品设计/技术项目经理,组建 Meta Robotics Studio 的量产团队——美国本土难获零部件,来华造本体 |
| 对照(路线) | 特斯拉 Optimus 全栈自研、Figure 押注自研 Helix;宇树选的是相反的生态位:把身体做成平台,用生态换大脑 |
值得关注的原因
- 这是”硬件赢家”第一次公开承认下半场不在硬件。 本体市占率领先的公司主动给自家”大脑”招外部伙伴,等于承认具身的上半场(本体、量产、成本)已经分出胜负,下半场(认知、泛化、任务理解)谁也没赢。对照 11-03 期乐聚把”端网协同与质量保障”签进合同、10-31 期智澄押 JEPA 世界模型,国内具身阵营的叙事正在集体从”运动控制”切到”世界理解”。
- 中美形成镜像分工:Meta 来中国找身体,宇树去全球找大脑。 各自用长板换短板——Meta 缺的是零部件与供应链(所以把产品副总裁派到上海工厂待了两个月),宇树缺的是前沿模型与算力。这个交换一旦成立,本体厂商的议价权会被进一步压缩成”代工 + 数据入口”,与 11-03 期”本体不是壁垒,数据与大脑才是”的判断同向。
- 代价已经出现在财报上,且没有时间表。 Q3 净利下滑 17% 被明确归因于算力与大模型投入,而”全球找合作”既无投入规模、也无合作方名单,自研与开放的边界(哪些自己做、哪些交给伙伴)也未说明。这条路能不能把宇树的估值从”硬件公司”切换到”智能公司”,取决于两件事:合作方能否带来真实的泛化提升,以及 Q4 研发费率会不会继续吃掉利润。
附注速览
- Anthropic 开源 FlashProve(10/30 首发,非今日):Apache 2.0 研究原型,让服务商在不暴露权重的前提下证明”这条回答确实来自这组权重”。流程是 provider 先发 commitment ID 绑定一组权重,之后每次回复由 GPU 生成证明,任何人用普通 CPU 跑
cp_verify几秒即可验证。已在满尺寸 Llama 4 Maverick、1024 token 上下文上跑通,单张 H100、24 请求批处理下 prefill 约 110 token/s;可靠性在 Lean 4 中形式化证明,作弊被抓住的概率约 1 − (q/2¹²⁴ + 2⁻¹⁰¹)。官方标注”研究产物、不维护”。价值在于给”API 背后到底是哪个模型”这一长期争议提供了可验证路径——对中转站/套壳/蒸馏的治理意义,比跑分大。 - Postman 被指静默给 Codex / Claude Code 装插件:GitHub issue #14370(32 条评论)记录,用户打开 Postman 12.33.4 后,Codex 与 Claude Code 被自动装上 Postman 插件,
~/.codex/config.toml被写入 marketplace 与 plugin 配置,并出现用户级插件、启动指令钩子、远程 MCP 连接与独立安装的 Postman CLI。Postman 自身日志记录了autoInstall.plugin.existing-user ... "results":["claude-code:installed","codex:installed"],来源标记auto-existing-upgrade。报告者认为这是同意与信任边界问题。建议今天就检查~/.codex/config.toml与~/.claude/下的 plugin 配置——一个 API 客户端不该因为被打开就成为其他工具的默认工作流。 - 具身数据与产能的官方口径(11/1–11/4 陆续落地):11/1 首部具身智能数据集行业标准正式实施,规范训练数据的质量要求与评价方法(动作标注精确性、视觉-动作时序对齐、失败轨迹混入、场景多样性、多设备标定一致性)。工信部:上半年人形机器人产量 超 4 万台,全年预计突破 10 万台;1–9 月出口智能仿生机器人 16559 台 / 14.17 亿元,9 月单月较 1 月 +176%;全国已建训练场 70+ 家、在建 40+ 家。11/4《学习时报》给出更硬的缺口:国内真实物理交互合规数据仅约 50 万小时,而商业化落地需数千万小时,缺口超 99%,并提出落实《人形机器人与具身智能标准体系(2026 版)》、破除厂商生态壁垒。徐扬生院士:单公司产量至少 10 万台才算真正量产。
- 板块财务开始难看:2026 前三季机器人板块营收 4998 亿元(+12.53%),但 Q3 归母净利 124.2 亿元(-2.96%),本体与总成环节 Q3 净利率转负至 -1.83%;IDC 口径上半年全球人形机器人出货近 2.5 万台(+432.1%);国内出货前五家合计约 86% 份额。量在涨、利润在退,与”交卷期”一致,本期不重复展开。
- 飒智智能完成数亿元 Pre-B(建投投资、南通投管、云启资本):工业具身路线,行业首创空间异构六臂”玄甲”,最高 111 个自由度、作业精度 ±0.03mm、支持双工位并行与 2+2 交替协同;四臂版集成多模态 VLA、360° 圆柱作业域、单臂 16kg / ±0.05mm;覆盖 3C 半导体、汽车、能源、食品医药,服务 50+ 家世界 500 强或上市公司。资金投向大模型、多臂本体迭代、产线扩建与出海。这是”多臂工业具身”与”人形”分道扬镳的一个清晰样本:不谈通用,只谈单台顶一条多工序线。
- Anthropic 更新招股书:Q3 收入 169.56 亿美元(同比 +1127%),净亏 232.91 亿美元(九成以上为非现金公允价值损失);前三季调整后营业利润 40.81 亿美元,经营现金流转正;年贡献超 10 万美元客户 1.19 万家;算力采购与租赁累计承诺约 8954 亿美元;据报道目标 11/16 当周上市。与本期 Revolut 一条对读:收入在涨、算力承诺更在涨,客户侧已经开始算”够用就行”。
- 扩散路线开始写代码:扩散智能 Clover-35B-A3B 预览版(10/28 开源,35B 总参 / 3B 激活),走并行解码而非自回归逐 token;单张 GB300 上约 680 tok/s(对照方案 365),SWE-bench Verified 73.6,六项 Agent 评测官方称最高。这是本周唯一一条”底座路线还没收敛”的证据:如果并行解码在代码任务上站得住,“agent 等模型吐 token”的整条时延假设都要重算。
- 可灵完成近 200 亿元增资交割,投后估值约 180 亿美元;实际到账比认购上限少 6 亿多(两家原定投资方放弃);条款含 2031 年 10 月前未上市可按年化 8% 单利回购——这笔钱的性质介于股权与债之间。
- OpenAI 发布 LifeVal 基准:不考知识问答,考”能不能把事办成”,覆盖照护、健康、教育、家庭管理、个人财务、政府服务;任务设计参考美国时间使用调查(3995 名受访者)。案例分:筛选幼儿园 93.1%、组织防洪志愿者 98.0%、糖尿病膳食计划 90.4%。目前主要作内部评估,任务集与评分代码未完整开放。
- 北京发布《加快智能体引领发展若干措施》:从技术、应用、产业三方面支持,提”基础模型摸高”、“智能体驾驭层共性技术攻关”、鼓励发展 Token 经济。乌镇侧数字:阿里千问已开源 470+ 款模型、全球下载 40 亿次、衍生模型 33 万+(蔡崇信:“只有开源才能普及”);蚂蚁灵波 LingBot 2.0 现场演示机器人自主接单、找货、夹取、交付,全程无人工干预。
待跟踪
- Kimi K3.1 Pro 权重:今日到期,权重下载页、许可证名称、第三方托管报价均未公开可查(连续跟踪第 11 期,本期为兑现节点;下期若仍未落地只报差异,不再复述跑分)
- Revolut 的 60% / 70%:是否剥离”取消 token 限额”变量;是否有第二家受监管机构跟进;$0.30/M 的混合成本如何分摊 GPU 折旧与人力
- 小米 8 小时工站:接管次数、节拍稳定性、良率与单台成本;是否扩展到第二个工站、是否对外销售
- 宇树”大脑”:合作方名单、投入规模、自研与开放的边界;Q4 研发费率与净利
- MIT 权重空间编程:第三方复现”认游戏 / 找归纳头”两个最小实验;“6 倍”是否可迁移到更大模型
- Postman:是否回应、回滚或在更新日志中说明;其他 IDE/客户端是否出现同类自动安装
- Clover 扩散模型:SWE-bench 73.6 的第三方复测;并行解码在长上下文 agent 任务上的真实时延收益
- 具身数据标准:标准号与评测方法的具体落地口径;70+ 家训练场的数据是否可跨厂商复用
- 智元便利店直播数据(11/2–3 已跑完,接管次数/成功率/经验跨机复用仍未公开,连续第 3 期)
- 飒智智能:六臂”玄甲”的实际交付台数与复购
Genie Sim 3.5:已于 11-03 期移出跟踪列表