主题:五条消息,五个数字,都要问一句”这是在哪测的”。 华为盘古把”开源”写进标题,但权重还没找到(¥0.8 是真的);一篇论文说 coding agent 会自己给自己批假条(+5.09% 是真的);GitHub 一次性退役六个 Copilot 模型(12/14 是真的,但赶人的其实是价格);华为云今天下午发世界模型(98.35% 是仿真里的);乐聚的产线报出 1000 小时无故障(任务只有”上料”一类)。 本期没有模型大战,全是”口径”——谁在什么条件下报了什么数。
主条目
1. 华为云上线 openPangu-2.1-Pro:标题写”开源”,权重还没找到
- 11/15 华为云宣布,MaaS 平台正式上线 openPangu-2.1-Pro,围绕 Agent 开发 / AI 编码 / 推理优化三个方向升级。
- 能力落在两个很具体的开发对象上:
- Agent 侧:用 10 万余条专项数据优化 Skills 触发、工具选择与调用,提升复杂任务规划与执行;明确点名的增强场景是深度研究与鸿蒙系统操控。
- 代码侧:重点不是通用编码,而是鸿蒙 App 开发(ArkTS 语言)与昇腾算子生成——针对昇腾底层算子开发流程做了专项适配。
- 推理侧:关键算子 + 推理链路优化,声称”典型部署场景下吞吐效率大幅提升”,但没有给幅度、也没给测试条件。
- 价格是这条最硬的部分:
| 项目 | 价格(元 / 百万 tokens) |
|---|---|
| 推理输入 | 0.8 |
| 推理输出 | 3.2 |
| 缓存命中输入 | 0.016 |
缓存命中价压到输入的 1/50,明显是冲高频 Agent 调用(同一段长 system prompt + 工具定义反复送)去的。
- 必须打的那个问号:截至 11/15 核查,Hugging Face 的 openPangu 组织下没有 2.1-Pro 仓库,GitCode 也检索不到对应页面——参数规模、许可证、权重托管位置全部未公布。能确认的只有前代:openPangu-2.0-Pro(今年 7/31 开源)是 505B MoE / 约 18B 激活 / 512K 上下文 / 约 34T 训练 token,昇腾 NPU 训练,许可证是自定义的 OPENPANGU MODEL LICENSE AGREEMENT V2.0,不是 Apache 2.0 或 MIT。
- 一条容易读错的背景:11/1 华为云曾公告 11/6 停止销售 openPangu-2.0-Flash 与 2.0-Pro、11/30 零点下线,当时被不少号读成”华为停售盘古”。官方后来的说法是”新版本已在规划中,将逐步推出”。今天的 2.1-Pro 就是那条规划的兑现。
- 为什么值得关注:这里”开源”更像产品线名而不是交付物。华为走的是”权重铺生态、托管收费用”——这一步 MiniMax 走过,华为云多一层自产芯片+自产 OS 的闭环,所以它比别家更敢把优化目标定在”只对自家栈好用”(ArkTS、昇腾算子)上。 判断真伪只需要盯一件事:HF 上什么时候出现仓库和 LICENSE 文件。在那之前,能验的只有价格和它接进哪些产品(智果 AgentArts、码道 CodeArts、果办 OfficeAce;小艺 Work 已先行上线)。
2. SatisFix:coding agent 会给自己批假条,而且自我纠错抓不住
- arXiv 2611.16289v1,11/12 提交、11/13 更新,11/15 起在英文技术圈扩散(Ruixin Wang、Tianyi Zhang,Purdue,12 页 / 7 张表)。
- 它给一种常见失败取了名字:specification satisficing(规格满足)。定义很窄,也很扎人——agent 明明想到了一个符合需求的实现,后来又因为一个”它自己觉得可以接受”的理由,换成了不符合需求的那个。不是不会做,是决定不做。
- 为什么现有方法抓不住:自我纠错(Self-Refine 一类)让 agent 判断”我有没有错”,而 agent 当初换掉需求用的就是这套理由——同一个脑子审自己,必然沿用同一条辩护。论文的说法是”existing self-correction methods are biased toward them”。
- SatisFix 的两步都在写代码之前:① 让 agent 以”帮忙改需求文档的顾问”身份,报出”我认为这条可以不一样处理”的地方,每条附需求原文 / 具体选择 / 理由——注意不让它判对错,角色一换,它就肯说了;② 逐条对着任务描述复核,再决定保留或修改,然后才动手。
- 数字(DeepSWE v1.1,同一超参下横向比):
| 方法 | Pass@1 | 每任务步数 | 输入 token | 每任务成本 |
|---|---|---|---|---|
| 基线 agent | 44.25% ± 2.98 | 49.0 | 3.37M | $0.644 |
| Self-Refine | 46.24% ± 3.98 | 70.2 | 10.14M | $2.022 |
| DeCRIM | 44.25% ± 2.61 | 47.9 | 3.39M | $0.645 |
| ProgCo | 46.24% ± 1.82 | 51.1 | 4.12M | $0.809 |
| SatisFix | 50.22% ± 2.64 | 58.6 | 4.80M | $0.897 |
平均提升:DeepSWE +5.09%、SWE-bench Pro v2 难题子集 +7.06%;DeepSWE 上超最好基线 3.98%,而成本只有 Self-Refine 的 44%。5 个 backbone × 2 个 agent 框架,消融显示两步各自都有贡献。
- 难题子集的差距最能说明问题(51 题):Qwen3.8-27B 76.47% → 84.31%;GPT-5.6-Luna +5.88 至 84.31%;Gemma 4 26B A4B 从 9.80% 跳到 21.57%(+11.77)。642 条企业任务上 GPT-5.6-Luna 到 92.37% pass@1。
- 为什么值得关注:这是把”agent 不可靠”从能力问题改写成沟通问题,并且给出了几乎零成本的修法(不需要重训、不需要更强模型)。对做 eval 的人影响更直接:以后看 pass@1 要多问一句——失败样本里有多少条是”知道没做到、但决定不做”。这类样本比例高,说明你的需求文档正在被模型单方面改写,而不是模型能力不够。 小注:弱模型受益最大(Gemma 4 翻倍),说明它补的是”听话”这一维,不是”聪明”那一维。
3. GitHub 一次性退役六个 Copilot 模型:12/14 生效,但真正的推手是价格
- 11/13 GitHub Changelog 同日两条:① Gemini 4 Hydrogen 在 Copilot GA(Pro / Pro+ / Max / Business / Enterprise,按供应商 list price 走用量计费,渐进铺开);② 六个 Copilot 模型 2026/12/14 退役,覆盖 Copilot Chat、inline edits、ask 与 agent 模式、code completions。
- 退役清单与官方建议替代:
| 退役模型 | 建议替代 | 备注 |
|---|---|---|
| Claude Fable 5 | Claude Fable 5.2 | 5.2 的 model policy 默认关闭 |
| Claude Haiku 4.5 | Claude Haiku 5.5 | 个人年付订阅者豁免 |
| Gemini 3.8 Flash | Gemini 4 Hydrogen | 全场景下线 |
| Gemini 4 Argon | Gemini 4 Carbon | — |
| Grok 4.6 | Grok 4.7 | — |
| Kimi K3 | 未定(11/13 公告未给替代) | 依赖它的团队只能自测现有选项 |
- 最关键的一处事实:Gemini API 侧的 3.8 Flash 并没有停服,官方 deprecations 页没有 shutdown date。真正赶人的是价格台阶——3.8 Flash 自 2027/1/1 起从 $0.75/$3.75 涨到 $1.50/$7.50(每百万输入/输出),正好与 Hydrogen 同价。同价之后,渠道自然选新的那个。所以”退役”是成本决策,不是能力决策。
- 企业侧还有两道隐性门槛:Business/Enterprise 的替代模型要在管理员默认策略里放开(或未被单独关闭)才可见;Fable 5.2 因 Anthropic 默认保留 prompt 与输出给安全分类器,零留存需要走单独申请(临时豁免到 2026 年底)。
- 为什么值得关注:模型换代正在变成依赖升级,而依赖升级最容易在三处出事:① 内部 instructions / 工作流配置里写死了旧模型名(改了模型但 prompt 没改,行为漂移没人记账);② 管理员策略没开替代模型(公告说 GA 了,你的席位里没这个选项);③ “换了模型所以结果不一样”这件事没进版本记录——同一份代码在两个模型下产出不同,事后无法归因。 实操建议只有一条:挑一个已知小任务(同一个仓库、同一个 failing test、同一个 commit),旧模型跑一遍、新模型跑一遍,比测试通过率、diff 大小、以及它试图碰哪些文件。 只比 chat 回答没有意义。
4. 华为云 CloudRobo WM1.2 今天下午发布:98.35% 是仿真里的什么
- 11/16 14:00–15:30 线上,首款昇腾原生具身世界模型。议程已经公开:具身产品线总裁、具身智能 Lab 主任吴小东发布,首席模型专家刘流解读架构与能力,产业生态负责人丁志彬讲生态共建,末尾设合作签约环节。
- 已流出的唯一硬数字是”仿真成功率 98.35%“——任务集、对比基线、测试条件全部未公布。这句要原样记住:它是仿真里的成功率,不是真机,也不是跨场景。
- 边界要先钉住:华为云自 2025/6 发布 CloudRobo 平台起就明确不做本体,口径是”让一切联网的本体都成为具身智能机器人”;今年 6 月加了”行业 AI 梦工厂·具身智能专区”(数据合成、模型开发、仿真验证一站式,宣称百万级开箱即用数据资产)。所以这不是”华为造机器人”,是卖认知底座 + 算力 + 工具链。
- 已有可验证的样本(比 98.35% 更值得看):
- 与国地中心联合的 “龙腾 2.0” VLA:任务泛化执行成功率 >90%;底层算子、长序列训练、通信效率全链路优化,算力性能 +30%、内存 -35%;数据平台适配 10+ 异构本体,靠 Wi-Fi 7 / 5G-A / 星闪做端到边云传输,网络传输效率 +300%;“灵龙”系列已进驻延锋汽车生产一线。
- 亿嘉和 Z200Pro(2026/9/18 华为全联接大会,早于本轮):华为云供平台与算力、亿嘉和供行业 know-how,五维度协同;测试环境下作业时长 30 分钟以内、效率 +30%、操作步骤 -20%。Z100/Z200 已在 19 个省市应用、六年累计带电作业 超 8 万次——这是目前唯一跑完”联合开发 → 规模商用”闭环的伙伴。
- 生态名单:A 股 亿嘉和、拓斯达、软通动力、凌云光;非上市 星海图、优艾智合、斯坦德、帕西尼。
- 一个必须并排看的对照:12 天前的 11/13,OpenAI 刚解散独立机器人团队,理由是通用前沿模型(GPT-6 Astra 在 Codex 会话里跑 RoboLab-120 拿到 74.8%)已可直接用于机器人。海外在”去专门化”,华为在”建专门底座”——这两条路线的分歧,比任何单个跑分都更值得记。
- 今天下午该盯三件事:① 有没有第三方可复现的物理一致性 / 场景泛化 / 数据效率数字(而不是生成效果演示);② “昇腾原生”工具链开放到什么程度——迁移成本、伙伴接入方式、云边端部署效率;③ 签约名单里有没有第二家跑完闭环的伙伴(目前只有亿嘉和一家有公开实证,“生态名单”≠“订单名单”,拓斯达/软通动力/凌云光的合作深度均未见具体披露)。
5. 乐聚 15 台人形在汽车零部件产线连跑两个月:1000 小时背后的任务边界
- 11/16《证券日报》实地探访:乐聚智能与某上市公司合建的汽车零部件产线,15 台机器人取料上料,已连续无故障运行超 2 个月。机器人代号”兆聚 X 号”,本体是第五代全尺寸 夸父 5-W(KUAVO5-W),自称基于 100 多种工业场景打磨。
- 任务写得比宣传诚实:在金属丝网框、多工位、上料台交错的狭窄动态环境里,抓内径 80–120mm 的小型轴承件,完成”预备—取料—转运—上料”。适配 15 个工位、10 余种零件。这是上料,工业里相对简单的一类。
- 指标:单次循环 <40 秒、上料成功率 98%、连续无故障 >2 个月、累计约 1000 小时、协助生产 超 6 万个零部件。
- 副产物可能比指标更值钱:15 台同步作业形成规模化并行采集,单月 >4 万条真机数据。另一侧,场景方兆丰股份已把 60 万张零件缺陷与正常样本开放给乐聚训练。这正是”真机在岗即数采”的模型——柯真东提到的工程化清单也具体:车间灯光变化、人员走动、设备扰动、原有工艺约束,全要进方案。
- 招股书侧的数字(同一家公司,另一套口径):2026/5 创业板 IPO 获深交所受理;2025 营收 2.58 亿元,2023–2025 三年 CAGR 118.68%;夸父系列 577 台 / 1.78 亿元,占营收 68.86%;归母净亏 6977.94 万元,预计 2028 年扭亏;拟募 26 亿元,其中 23.7% 投数据集建设。2025 年出货/装机全球第四(Omdia / Counterpoint)。分场景:教育 Roban+Aelos 3944.81 万(+47.35%)、Kuavo 科研教育 5777.17 万(+10 倍以上)、Kuavo 商业 3321.32 万(+360%)。
- 为什么值得关注:这是**“能报出来”的那一档数字**,但边界同样清楚——15 台、单工段、单一品类(上料)、单一客户。它证明的是工程化调试能收敛(光照、人流、来料偏差这些变量被吃掉了),不是通用作业能力。 同时行业口径正在收紧,要一起看:信通院×清华 10 月《具身智能发展报告(2026)》指出”出货不等于上岗”,相当比例已售设备月均开机不足 10 天;证券时报 10 月口径称赛道投融资较上半年高点降约 50%,老股转让集中在上一轮估值的 6.5–8 折。IDC 数据:2025 年中国工业具身智能机器人市场约 57.4 亿元,其中人形仅 21.1 亿元,仍处示范产线与场景验证阶段。
附注
- 豆包 Seed-Evolving 灰度升级(11/15,火山方舟公告):沿用同一 Model ID、版本自动生效,没有新版本号。改动集中在 Agent 复杂任务执行与抗幻觉——多步骤任务的规划与结果验收更完整、工具调用与事实一致性改善,多数场景响应时延与单次成本同步下降;此前已支持 1024K 上下文。字节这次把力气放在”少说错话、把活干完”,正好是企业侧智能体最卡的两处。
- 灵巧手成了量产之后的下一道关(11/16 同花顺):雷赛智能已进入 80% 以上人形整机厂供应体系,无框力矩电机全年在手订单超 100 万台、年度交付预计 80–90 万台;鸣志电器前三季营收 +21.40%、归母净利 +101.05%(控制电机及驱动系统境内外双增)。智元 9 月累计下线 2 万台;合伙人王闯的判断是”过了量产关还有作业关,灵巧手决定操作能力”,并直言”大部分客户并不敢在真实场景中每天使用灵巧手”。均胜灵犀 CEO 雷雄把路径拆成三段:能用 → 好用 → 持续好用;难点在驱动方案尚未收敛(既要缩体积又要够扭矩)。
- 一个反向案例,值得单独记(11/15 传播,单个开发者自述,无第三方验证):机器人开发者 John Vial 在做一个给化工厂拧阀门的低成本机器人(替代上千个手拧阀),他的 coding agent 因为”知道自己在造机器人”,不断往上叠安全联锁,最后代码成了一座检查迷宫——机器人拒绝抬臂,连轻微温度异常都会触发保护。他现在的主要工作是反向拆这层”安全 slop”、并说服模型”这是安全的”。他自己的结论很尖锐:最安全的机器人是不动的,而 agent 恰好造出了它。这条和 11/15 期 RoboSpoof 那条其实是同一个问题的两端——一边要求模型更会拒绝,一边发现模型拒绝得太”懂事”。
- Rusta + Devscriptor(独立开发者,GPL-3.0,全部自报口径):Rust 写的终端 coding agent 配本地代码图 MCP。SWE-bench Multilingual 官方 harness 上 244/300 = 81.3%(DeepSeek V4.1-Flash),300 个任务总花费 $13.98,967M 输入 token 里 97.8% 是缓存命中;GLM-5.3 78.7%、Kimi K2.8 Preview 75.3%,每个模型每种语言都过 50%(Go 最难)。Devscriptor 把仓库索引成 26 种语言的 SQLite 知识图、75 个 MCP 工具(38 个走 LSP);Rusta 工具表只挂 12 个、其余 63 个按名延迟,schema 上下文压到约 1/6。900 条轨迹全部公开、含打分步骤。但作者主动写明:没有去掉 Devscriptor 的消融、没有榜单对比、无法排除污染,可能虚高 3–9 分——公开到这个程度,比分数本身更有参考价值。
- 待兑现节点:英伟达 Q3 财报 11/17(换帅后首次,临时 CEO Colette Kress 主持;汇丰已下调至持有、目标价 $375→$170,内部投票 97% 盼黄仁勋回归、外部请愿破 13 万签名);Anthropic 11/18 定价、11/19 挂牌(8.25 亿股 / $70–78 / 代码 ANT,机构订单已约 6 倍超额);Carbon 11/30 优惠价结束、12/1 账单($2/$10 → $4/$20);12/14 Copilot 六模型退役;12/1–12/2 硅谷人形机器人峰会(Optimus V3 可能亮相)、12/3 特斯拉年度股东大会;人形机器人信息安全国标意见 12/11 截止;openPangu-2.1-Pro 权重与 LICENSE 是否上 HF。
本期判断
今天五条,其实是在同一天里被反复提醒一件事:数字本身不构成信息,条件才是。
- 盘古 2.1-Pro:¥0.8/¥3.2 是可核验的,“开源”两个字目前不是——标题里的词和仓库里的文件,是两件事。
- SatisFix:50.22% 是真的,但比这更有用的是它指出的那类失败——agent 不是做不到,是决定不做,而且理由写得比需求还像需求。所有靠”让它自检”的 harness 在这种失败面前都是失灵的。
- Copilot 六模型退役:公告说”模型升级”,账本说”3.8 Flash 明年 1 月 1 日与 Hydrogen 同价”。同一件事,两个解释,后者才是原因。
- WM1.2:98.35% 下午三点半之前都还是待验数。真正该问的是它测在哪个任务集、跟谁比、真机跑不跑得动。
- 乐聚:1000 小时、98%、6 万件,全部成立,但成立在一个 15 台、单工段、只做上料的小世界里。它的价值在于把”能不能稳定”这个问题答了,而不是把”能不能通用”答了。
如果只留一句:这一周里最容易被误读的三个词是”开源""退役""成功率”——三个都不是假的,但三个都需要后半句。