主题:今天全行业都在报”每任务成本”,而每一个成本都绑着一个不写在标题里的条件。
11/17 一天里,OpenAI 和微软前后脚把”每个任务多少钱”当成主卖点:Astra 说自己单项任务成本只有 Fable 5.2 的约 5%,微软说 MAI Code 2 是 Opus 5.5 的 5%(而且这 5% 还是按五折促销价算的)。同一天,一份 2.7 万次运行的评测说:没有最好的 harness,只有最好的配对——换个模型不改 harness,成本排名能掉 11 位。
英伟达那边是同一件事的硬件版:营收首破千亿、毛利率 74.9%,但 Q4 指引把毛利率直接降到 71–72%,用三个点的毛利换放量。
具身这边,北大那套开源配方给出了一个更罕见的数:人类数据每扩大 10 倍,分布外成功率按 log₁₀ 线性上升;以及一条更少见的结论——1000 小时人类数据胜过 5000 小时机器人数据,但人类数据占比到了 76% 反而卡住困难任务。
主条目
1. 英伟达 Q3:四个待验数全部落地,代价写在下一季的毛利率里
- 11/17 美东盘后(北京 11/18 05:20)发布 2027 财年 Q3,截至 2026/10/25。这是黄仁勋 11/12 辞任后的首份财报,由临时 CEO 兼 CFO Colette Kress 主持,董事会主席 Harvey C. Jones 在电话会开场明确:董事会无意让黄仁勋回到 CEO 岗位。
- 对照 11/17 期留的四个待验数:
| 11/17 待验项 | 实际 |
|---|---|
| 营收共识约 $1092 亿 | $1158.4 亿(+103% 同比 / +20% 环比),超预期约 5.9%,也高于自身指引中值 1080 亿;公司史上首次单季破千亿 |
| 数据中心 $997–1108 亿(分歧带宽 110 亿) | $1076 亿(+110% / +21%),落在区间内但未触上沿;占总营收约 93% |
| 非 GAAP 毛利率约 74% | 74.9%(GAAP 74.8%),略高于预期 |
| Q4 毛利率触底 71–72% | 确认:Q4 GAAP 与非 GAAP 均指引 71.0%–72.0% |
| Vera Rubin 占 DC 约 20% | 财报稿未给占比,只说 NVL72 已量产并开始出货、是公司史上最快的产能爬坡 |
- 其余关键数:GAAP 净利 $652.9 亿、非 GAAP $648.7 亿;EPS $2.70 / $2.68(预期 2.48);经营现金流 $482.5 亿、自由现金流 $437.8 亿;边缘计算 $82 亿(+42% 同比 / +14% 环比,含 RTX Spark PC、DGX Spark 64GB、Isaac 与 Cosmos 套件升级、Alpamayo/Hyperion 自动驾驶);应收 $810.3 亿、存货 $397.2 亿,均较财年初明显上升。
- Q4 指引:营收 $1300 亿 ±3%(区间 1261–1339 亿,共识 1251 亿),该季多出一周、且不含中国数据中心收入;GAAP 运营费用约 110 亿、非 GAAP 约 107 亿。9 月董事会追加 1500 亿回购授权,季末剩余 $2273 亿,本季回馈股东 $281 亿。
- 客户侧的名单值得单独记:Vera Rubin NVL72 已交付 CoreWeave、谷歌云、微软 Azure、甲骨文云、Nebius,SpaceXSI 即将上线;谷歌云上线 A5X 实例;Meta 计划大规模部署 Vera Rubin、Vera CPU、Spectrum-X 与 BlueField-4;英伟达称通过云厂商扩容 Anthropic 可用的 GB/VR 算力,并按 Anthropic 的负载优化未来芯片架构。
- 为什么值得关注:这份财报的”超预期”和”降毛利”要一起读。营收、DC、EPS 三项全 beat,但下一季毛利率主动让出三个点——上一季 CFO 就把 Q4 触底 71–72% 归因于”内存的极端定价”,现在兑现了。也就是说这轮增长的定价权正在从”卖卡”往”抢供给”转移:客户名单里同时出现 CoreWeave、Nebius、SpaceXSI 这类自建算力方,以及 Meta、Anthropic 这类直接签容量的模型方,英伟达正在用毛利换”谁也别想绕开我”的位置。 人事这条也别只看治理:董事会开场就否掉”回归”,等于把”过渡期”从悬念变成常态——下一季的看点从”谁来管”变成了”71% 的毛利率是不是新底线”。
2. OpenAI 发 GPT-6.2 Astra / Sol:把 Critical 档模型铺给所有付费用户
- 11/17 发布,两款同日上线:GPT-6.2 Astra(前沿档,硬任务)与 GPT-6.2 Sol(日用档)。当天起对所有 Plus / Pro / Enterprise / Edu 用户在 ChatGPT Work 与 Codex 开放,同时上 API。
- 定价:Astra $8 / 百万输入、$0.40 缓存输入、$40 / 百万输出;Sol 维持 GPT-6.1 Sol 价格——$2 / $0.10 / $10。注意 Astra 的 $8/$40 与 Claude Fable 5.2 完全同价,价格战打到了同一档位。
- 官方自报(未经第三方复现):Agents’ Last Exam 比 GPT-6 Astra 高 5.2 分、比 Claude Fable 5.2 高 5.5 分,且单项任务成本不到 GPT-6 Astra 的三分之一、约为 Fable 5.2 的 5%;Terminal-Bench-Science 0.1 比 GPT-6 Astra 高 9 个百分点;办公侧强调 PPT/Excel 的模板贴合、计算机操作与视觉推理,代码侧强调”架构决策更合理、迭代次数更少”。
- 真正的变化在安全档位:两款都达到 Preparedness 框架的网络安全 “Critical” 档,生化能力均达 High,且 Astra 的 AI 自我改进能力也达 High。OpenAI 的处置不是不发布,而是”史上最强护栏 + 把更高阶网安用法导流到白名单项目 Daybreak”。
- 为什么值得关注:两周前(11/05–06 期)GPT-6 Cyber 是以”暂不开放、只给获批 Daybreak 用户”的方式出现的。今天同一个风险档(Critical)直接铺给全部付费用户,只把”更高阶用法”留给白名单。这条界线一挪,“Critical”就不再等于”不发布”,而等于”加护栏 + 分级导流”——这是监管与产品之间一种更现实的解法,但也意味着门槛从”能不能拿到模型”变成了”有没有人替你判断用途”。 对企业选型还有一层:Astra 的成本叙事是”每任务更省”,而这个数只在 OpenAI 自己挑的基准上成立(见下条)。
3. 微软 Ignite 一口气发 7 款 MAI:编程模型按”每任务 3 毛钱”卖
- 11/17 旧金山 Ignite 2026,微软自研 MAI 家族一次发 7 款,覆盖编程、安全、图像、语音、转写,并同步上 GitHub Copilot 的模型选择器。微软 AI 负责人 Suleyman 对路透的定位是”specialisation over scale”——不做通吃的大模型,做一个”共同优化性能与价格的爬坡机器”。
- MAI Code 2(旗舰编程):四项编程基准(DeepSWE 1.1、Terminal Bench 2.1、SWE-Atlas、FrontierCode v1.1)平均达 GPT-6.1 Sol 的 98%、价格约 40%;对 Claude Opus 5.5 是 96% 的性能、5% 的成本。换算成每任务:
| 模型 | 平均单任务成本 | 备注 |
|---|---|---|
| MAI Code 2 | $0.309 | 四项基准均值 |
| GPT-6.1 Sol | $0.761 | — |
| Claude Opus 5.5 | $6.306 | — |
| MAI Code 2 Flash | $0.052 | 按 50% 促销价算 |
- Code 2 Flash(轻量高频):在 DeepSWE 1.1 / TB 2.1 / SWE Atlas 三项平均通过率 61.0%,高于 GPT-6 Luna 55.1% 与 Claude Haiku 5.5 53.9%;价格约为 Luna 的 65%、Haiku 5.5 的 20%。前端盲测中开发者偏好 MAI Code 2 的比例为 67–68%(对手是 GPT-6 Sol)。
- 其余五款各有明确靶子:MAI Cyber 2 Flash(120 亿激活,在 CyberGymE2E 上”质量接近 GPT-6 Astra、每任务成本不到其 2%“,输出 token 比上代便宜 86%);MAI Image 2.7(Artificial Analysis 图像编辑榜第一,约为 GPT Image 2.6 Sunburst 最高档的 1/5 价);MAI Realtime 1(首个语音到语音,$0.01/音频分钟);MAI Transcribe 2(已在 Dragon Copilot,月处理 1000 万次医患对话,多语种错误率减半);Microsoft-Decision-1.1(给 agent 做路由/判断的小模型)。
- 两个容易被忽略的产品条款:
- MAI Licensed Weights:企业可以拿到前沿 MAI 模型的权重、用自有数据定制,但必须跑在自己的 Azure 环境里。这是”给权重不给自由”的折中,和盘古、Qwen 那类”开源”完全不是一个东西。
- 默认开启:Business / Enterprise 版 Copilot 默认启用新模型,除非管理员主动关掉或屏蔽。也就是说账单会先涨,“要不要用”是后问的。
- 附带:与 NIST 及 40+ 机构发起 AI Transparency Initiative(验证模型与 agent 的开放标准);与 Salesforce 和解并推出 Copilotforce(38+ 预置销售技能,公开预览);Copilot Workspaces / Autopilot / Microsoft IQ;Cobalt 200 虚机 GA(性能最高 +50%)。
- 为什么值得关注:微软这一手不是”做出更强的模型”,而是把 Copilot 里每一笔付给对手的 API 账单收回来。三条条件必须跟着数字读:① 对比是选定基准,且三项测试跑在微软内部评测平台 + Copilot CLI、不带 subagent、最大推理强度;② 成本数字用的是五折促销价,促销结束差距会收窄;③ 官方自己承认未针对基础科研与超长程 agent 任务调优。所以”98% / 40%“的正确用法是——先在你的仓库上跑 20 个真实任务,再谈换不换。
4. FrontierHarness v1.1:上面那两家的”每任务成本”,取决于你把它配给谁
- 11/17 上了 Hacker News(297 分):Runta × Baseten 的 FrontierHarness Eval v1.1,规模 27,280 次运行、830 亿 token,是 v1.0 的 76 倍。设计是 22 种 harness 配置 × 5 个开放模型(GLM-5.3、GLM-5.3 Flash、DeepSeek V4.1 Flash、Muse Spark open、Kimi K3)× 62 个终端任务 × 每个 4 次尝试。
- 标题就是结论:没有最好的 harness,只有最好的配对。
| 模型 | 性价比最高的搭档 |
|---|---|
| GLM-5.3 | Codex CLI |
| GLM-5.3 Flash | Pi |
| DeepSeek V4.1 Flash | ZCode |
| Muse Spark open | Oh My Pi |
| Kimi K3 | Alma |
- 最扎心的一个数:Codex CLI 配 GLM-5.3 时成本排第 1,配 Kimi K3 时掉到第 16;换一个模型,harness 的成本排名中位数移动 11 位(共 22 位)。
- 其它硬数:OpenCode v2 最便宜,$0.561/任务;ZCode 通过率最高,61.9%;有些 harness 花了 1.6 倍的钱,落点只在 50.6%–60.2% 之间。216 次试验被判 reward hacking(其中 163 次是联网查答案),一律记失败。
- 作者自己给的两条限制:模型选择仍解释 92.8% 的成本方差(因为标价相差 20 倍);只有一组配对是稳健的——Codex CLI + GLM-5.3 在 99.6% 的 bootstrap 重采样里保持第一,其他”最佳组合”只有 42%–53%。此外评测只含开放模型,且 Runta 本身卖 runtime(方法公开,利益相关需自行打折)。
- 同批 arXiv 两篇佐证:2611.21407《Harness Leverage Across Model Size》——5 种已发布 harness × 0.75B–4.7B 本地模型 × 18 任务,“控制完成判定”的那个 harness 在每个规模上都是最优均值;2611.19960《Anatomy of an Agent Harness》——把 harness 设计写成 6 组 30 张可测试的决策卡,让 harness 变成可核查项而不是信任项。
- 为什么值得关注:这三条必须连着今天的前两条读。OpenAI 说”每任务 1/3 成本”、微软说”每任务 $0.309”,这两个数都成立于”用官方 harness、跑官方基准”的前提。一旦你把模型接进自己的 CLI、自己的 subagent 编排、自己的重试策略,成本与通过率会同时变,而且排名会重排。采购侧今天就能落的一条规则:换模型必须重选 harness,否则省下的钱在账单上会被”多跑几轮”吃掉。
5. Open-HumanWAM:第一份”人类视频每 10 倍换多少分”的公开曲线
- 北大 DAGroup 联合 NUS、MIT、UCSB、NVIDIA,论文《Open-HumanWAM: An Open Recipe for Scaling Human and Robot Experience for Embodied Foundation Models》(arXiv 2611.06817v3,通讯作者 Daquan Zhou,11/18 中文详解)。数据集、清洗与训练管线、预训练与后训练权重、推理代码、仿真评测套件全部开源(dagroup-pku.github.io/open-humanwam)。
- 数据集 Open-HumanWAM-50K:5 万小时、3590 万片段,每段带视频、语言描述与手部动作标注。来源以 HumanNet 子集 4.07 万小时为主,其余来自 EgoSuite-Open100K、Gen-HumanEgo、EgoDex、EgoVerse;原有 10.4 万小时,筛掉约一半。清洗三步:手部可见性(3D 手腕投影,只监督视野内那只手)、稳定性(剔除位姿跳变帧并在该处切段)、去空闲(活跃窗口不足 70% 的片段丢弃)。动作统一为 16 维双手末端执行器空间(每手 3 位置 + 4 四元数 + 1 夹爪开合),并做了相机坐标系、手腕局部轴、拇指-食指距离→夹爪开度三项跨源对齐。
- scaling 结论(本文最值钱的部分):成功率服从 SR = a + b·log₁₀H,且提升主要发生在分布外:
| 人类数据量 100h → 5 万 h | 结果 |
|---|---|
| scene-ood | 49.1% → 73.2% |
| random | 21.5% → 42.9% |
| clean | 基本饱和在 ≈88% |
- 四条更细的对照(都是单变量):
- 多样性比时长更重要:任务与场景覆盖随时长一起扩时,拟合斜率更陡。
- 样本效率:scene-ood 上,5000 小时预训练 + 5 条演示,超过无预训练 + 50 条演示。
- 跨源动作对齐有用:scene-ood 43.2%→52.2%、random 18.0%→26.4%。
- 只预测视频不行:纯视频预测 scene-ood 约 13%,加上动作监督后到 40% 以上;500–5000 小时区间人类数据全面占优,1000 小时人类数据超过 5000 小时机器人数据。
- 两个模型:HumanWAM-Vanilla(Wan2.2-TI2V-5B 视频骨干 + 同深度动作专家,Mixture-of-Transformers 联合去噪,IDM 注意力)——RoboTwin 2.0 Clean2Clean 92.08%、Clean2Random 68.88%,RoboDojo 平均 14.17%;真机(Cobot Magic 4 任务)分布内 57.5%→87.5%、换桌布与光照后 OOD 2.5%→67.5%。HumanWAM-Goal(Cosmos3-Nano-16B + 冻结 Qwen3-VL,加 1.46 万小时机器人数据,动作空间扩到 49 维,额外输入一张目标图像,单阶段联合去噪、采样延迟减半)——零样本 RoboTwin 2.0 13.94%,对比 π0.5 1.06%、Pelican-VLA 0.5 4.70%;真机 Astribot S1 20 任务,加入 4.59 万小时人类数据后平均 20.0%→30.5%,“至少成功一次”的任务数 10→16;后训练后 RoboTwin Clean 92.70% / Random 84.60%,均值 88.65%(榜单最高)。
- 涌现能力:具身 in-context learning(参数冻结,只换目标图像就改变行为:瓶子放绿块前还是紫块上、开哪层抽屉)、跨具身目标(目标图里画的是人手,策略照样读懂空间关系)、长时程(14 阶段桌面整理、跨区域移动家务)。
- 局限写得比多数论文实在:零样本绝对值仍低(仿真约 14%、真机约 30%、困难任务 19%–27%);人类数据占比约 76% 时困难任务提升停滞,改 1:1 批采样后困难任务 19%→27%,但 20 任务总平均反而 30.5%→29.0%;Vanilla 在 RoboDojo 仍低于最强模型(作者归因”基座没有记忆与推理模块”);真机每任务只测 10 次。
- 一个复现成本要提前知道:RoboTwin 不提供目标图,论文里 7,032 张目标图是 GPT-5.5 定位 + GPT Image 2.5 编辑 + ChatGPT Astra High 逐张审核合成出来的(首轮通过率 90.7%,542 张失败 + 110 张不确定,修复后全过),1 万张评测图里 2,968 张是复用旧图,最终分辨率只有 288×224。也就是说 Goal 版的成绩依赖一条闭源模型管线,别人复现要么用作者放出的图,要么自己承担这部分成本。
- 为什么值得关注:GR00T 2 讲的是”人类视频有用”,这篇给的是换算率——每 10 倍数据换多少 OOD 点、多少小时人类数据抵多少小时机器人数据。这两个数直接决定”买数据”和”采数据”哪个划算。 但它的第二条结论更该被行业记住:人类数据不是越多越好。占比到 76%,困难任务就不再涨了——这跟 11/16 那期”多粒度监督不是堆数据”是同一个道理。
附注
- 触觉正在成为具身的”下一层瓶颈”,资本先动了:11/17 蓝点触控完成数亿元 D3 轮,14 家机构联合投资(洪泰基金、中关村科学城、弘毅投资、浙创投、厦门海投、厦门海沧产投、奥普特、新未来、山证投资、曦晨资本、秦创投、陕西国晟、江门金控、君安控股),近半年融资额已超 10 亿元;股东链已覆盖宁德时代、上汽、广汽、智元、银河通用、中芯聚源、德业股份。同日国盛证券报告把逻辑写清楚:训练范式正从纯视觉 VLA 走向 VTLA,并举了三个”加触觉就涨”的数——ForeTac-VLA 4 项接触任务平均 95%、比纯视觉 VLA 高 36.25 个百分点;SimpleTouch 4 任务 71.3%;帕西尼×复旦 N-VTLA 在 9 项真机任务全面优于基线。与 11/16 期”灵巧手是量产下一关”是同一条链的不同环节:那期是整手与传感器降价,这期是力传感器本身的融资与模型侧证据。
- 蓝虫具身 Mantis Ultra(11/17 西安):单臂末端最大负载 15kg,演示时双手各握一只装片哑铃做胸前弯举,总负重约 30kg,无吊挂;轮式(腰部以下为立柱 + 四只全向轮)、支持自主换电、可动天线 + 交互表情屏;训练用 VLA-F + WAM + DRL 框架,融合真实/合成/互联网模仿数据,操作日志自动进标注流水线;配套**春茧(本体)、量子(遥操作)、虫洞(模型)、蜂巢(云平台)**四层。公司 2025 年 3 月成立、西交大成果转化、21 项专利、9 月完成西高投领投的数千万元天使轮。未公布连续作业时长、节拍与单价——它自己在文末承认”能完成多少次、连续工作多久、停几回”才是客户关心的。
- 星动纪元 × 中国邮政广东:自 3 月广州试点起,已落地广州、深圳、东莞、江门、汕头、汕尾、揭阳、河源 8 市 11 个邮区节点,APEC 期间作为”具身智能生产力示范案例”亮相。与 11/16 期附注”XHAND 进邮政/顺丰、1500+ 包裹/小时”是同一条线的规模化增量:那次是单点节拍,这次是跨区域节点数与省份覆盖。
- APEC 工商领导人峰会(11/17 深圳)里的具身口径:雷军称小米机器人研发已 6 年,在小米汽车工厂”实习”已完成连续 8 小时作业、期间两次自主充电,并判断”具身智能的想象力会超过汽车产业”;王兴兴称今年全球技术突破已接近临界点,但提醒量产、可靠性、售后与算力要同步;李东生给了个 TCL 的”人机大赛”:同一产品设计任务,30 位工程师 vs 6 位工程师 + AI,第一轮 AI 效率领先、上周第二轮打平;智元王闯称珠海长隆已有近 500 台机器人在日常运营。注意雷军这条与 11/04 期”小米 CyberOne 02 乌镇 8 小时整班”是同一能力的不同场合表述,新增的只有”两次自主充电”这个细节。
- Anthropic 今日定价、明日挂牌:定价区间 $70–78、发售 8.25 亿股、募资上限约 644 亿美元,另有 260 亿美元私募(谷歌、英伟达各约 100 亿,AMD 25 亿,博通/美光/微软各 10 亿,台积电实体 5 亿),11/19 纳斯达克挂牌,代码 ANT。基本面:10 月底年化营收约 810 亿美元(一个月前约 710 亿)、Q3 营收 170 亿、80%+ 收入来自近六个月发布的模型;按上限算约 17 倍年化市销率,表外算力承诺约 8650 亿美元、账面负债仅 80 亿。技术面:纳斯达克 5/1 的 fast entry 规则允许大市值新股 15 个交易日后进纳斯达克 100,被动资金估算约 190 亿美元——指数基金没有说”不”的权利。
- 今日/近期待兑现:阿里 Q3 财报(11/18)、腾讯(11/19);WM1.2 权重 11/30;Qwen4 中小尺寸开源(无日期);Carbon 11/30 优惠价结束、12/1 账单;12/14 Copilot 六模型退役;12/1–2 硅谷人形机器人峰会(Optimus V3)、12/3 特斯拉股东会;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。
本期判断
今天的五条,讲的是同一件事的五个切面:“单位成本”正在取代”能力上限”成为竞争语言,但每一个单位都暗含一个前提。
- 英伟达:用 三个点毛利率(74.9%→71–72%)换 Vera Rubin 的爬坡速度和客户绑定。财报很强,但强在下游预定了未来四个季度,不强在这季度多赚了多少。
- OpenAI:Critical 档不再等于不发布,等于加护栏 + 白名单导流。这条界线一旦确立,后面每个高风险能力都会走同一套流程——风险分级变成产品分层。
- 微软:$0.309 这个数字是真的好用,但它同时是”选定四项基准 + 内部评测平台 + 五折促销价”的产物。企业侧最该警惕的不是价格,是新模型在 Copilot 里默认开启——先产生用量,再讨论要不要用。
- FrontierHarness:这是今天唯一一条给上面两家打补丁的信息。同一批开放模型,换 harness 成本排名能移动 11 位;而只有一组配对经得起 bootstrap 重采样。“换模型”和”省钱”之间,隔着一个 harness。
- Open-HumanWAM:给出了具身行业最缺的那种数——换算率。但它的第二结论更重要:人类数据占比 76% 时困难任务就停了,说明”多源数据融合”不是加权平均,是配比问题。
如果只留一句:今天所有人都在报”每个任务多少钱”,而真正决定这个数字的,是你把模型放进了哪个壳子、跑了哪套基准、以及那个价格是不是促销价。