今天 AI coding 侧出现两条方向相反的信号：一边是 Anthropic 把 Claude Code Projects 重做成云端多智能体编排中心，一边是四款主流编程代理被曝共享同一类"技能更新"供应链漏洞。具身智能侧同样热闹，Figure 用 Helix 2.5 把人形机器人零样本扔进 30 个陌生家庭，小米则开源了 38B 具身世界模型 Robotics-U0。此外，智谱披露了国内首个跑进生产环境的递归自我改进（RSI）工程实践，值得单独留意。

Figure 发布 Helix 2.5：人形机器人零样本进入 30 个陌生家庭

Figure 于 9 月 17 日发布新一代神经网络 Helix 2.5，将训练好的同一份模型权重直接带进旧金山湾区 30 个此前从未采集过数据的真实家庭，在不微调、不采集、不自适应的前提下，完成整理客厅、叠毛巾、铺床三类长程全身任务。官方数据显示，在保持任务数据、架构、训练与评测完全固定的条件下，仅靠 Figure 的人类行为数据集 Index 做预训练，零样本成功率就从 9% 提升到 56%。同时，任务特定数据用量只有上一代代表行为的一半，却把泛化范围扩大了 30 倍，即"行为指定成本降低 2 倍"。

值得关注：这条结果把人形机器人泛化能力的来源从"任务数据量"转移到了"人类行为数据预训练"。官方还给出了人类→人形迁移的缩放律：Index 预训练数据每翻一倍，下游机器人动作预测损失平滑下降，甚至能在训练前预测到小数点后四位。这意味着行业路线正从"每个场景定制"转向"基础模型 + 少量行为指定"，感知、移动、操作不再能分开解耦求解。官方同时明确表示通用人形机器人尚未解决。

来源：https://www.figure.ai/news/helix-2-5-zero-shot-30-home-generalization

Claude Code 重启 Projects：从代码仓库到云端多智能体指挥中心

Anthropic 重新推出 Claude Code Projects（public beta），把原先偏静态的项目管理改造成云端多智能体编排中心。用户可以在同一个项目下同时运行多个 AI 智能体，彼此共享记忆、目标、文件与产物库；每个项目下设多条 thread 并行处理不同任务，由 coordinator 统一调度，每条 thread 本质是一个独立的 Claude Code 云端会话，在各自的 Git 分支上工作。这被看作 Anthropic 把 Managed Agents 下的多智能体编排能力向 Claude Code 侧产品化收口的动作。目前官方尚未公布并发上限、配额与定价细节。

值得关注：这是多智能体协作从"本地脚本拼装"走向"平台化编排"的标志。对需要同时推进多条工作流的工程团队来说，价值不在"更多 Agent"，而在于共享记忆与产物库解决了并行 Agent 之间上下文割裂的老问题——之前多个 Agent 各干各的，合并冲突和重复劳动是主要成本。风险点同样明确：并行度上去后，权限边界、产物冲突和成本控制会比单 Agent 场景复杂一个量级。

来源：https://news.qq.com/rain/a/20260918A01NV500

四款主流 AI 编程代理曝相同供应链漏洞，技能更新机制可被劫持

网络安全初创公司 Air 独家披露，Anthropic Claude Code、OpenAI Codex、Google Gemini CLI 与 GitHub Copilot 四款主流 AI 编程代理存在相同逻辑缺陷：它们的"技能（Skills）"自动更新机制未校验内容变更，攻击者可伪装同名恶意更新绕过扫描，进而静默窃取企业代码或知识产权。该漏洞源于各厂商验证机制设计雷同，属于行业共性盲区而非某家实现失误。目前除 GitHub 外其余三家已完成修复，GitHub 称其平台机制可阻断此类攻击，但未确认补丁状态。

值得关注：这是 Agent 生态从"提示词注入"向"供应链攻击"迁移的明确信号。当 Skills / 插件成为 Agent 能力的标准扩展方式，技能仓库就变成了新的 npm——而当前行业对技能内容的变更校验、签名和来源审计普遍缺位。对企业团队来说，短期动作很具体：把第三方技能纳入依赖管理、锁定版本、禁止自动更新，并对 Agent 的出站访问做白名单。

来源：https://www.163.com/dy/article/L72S7A0D0519QIKK.html

智谱 GLM 披露国内首个 RSI 工程化实践：AI 在十万卡国产集群上自建推理系统

智谱 GLM 团队披露递归自我改进（Recursive Self-Improvement, RSI）方向的首个工程化实践：由 GLM-5.3 驱动的 Infra Agent 完成了 GLM-5.3-Flash 推理基础设施的设计、调试与优化。该 Agent 在超 10 万张国产芯片组成的集群上从零完成生产级推理服务搭建，不到两周将端到端吞吐提升至初始基线的 3 倍，硬件利用效率与单 Token 成本达到主流 NVIDIA GPU 相当水平，并支持 1M 上下文窗口与多模态请求。该系统已投入真实使用，GLM-5.3-Flash 以匿名模型 Ox-Alpha 在 OpenCode、OpenRouter 上线，6 天 Token 调用量超过 62 万亿。

值得关注：这是国内大模型厂商首次公开将"AI 自我改进"用于生产环境。真正的变化不在性能数字，而在 Agent 的能力边界——它已能围绕推理系统完成完整工程闭环：自主分析性能瓶颈、定位精度缺陷、修改底层代码、执行分层测试、根据反馈迭代。智谱首席科学家唐杰的表述很克制：距真正的 RSI 仍远，但"模型优化系统，系统服务模型"的最小循环已经出现。对做数据基础设施的人来说，这条路的终局是模型研发效率本身成为竞争对象。

来源：https://www.ithome.com/1/003/705.htm

小米开源具身世界模型 Robotics-U0，38B 权重与训练推理工具全开放

小米开源了 Xiaomi-Robotics-U0，一个自回归具身世界基础模型，提供约 4B 与 38B 两条参数线，连同训练与推理工具一并开放。模型在单一 next-token 框架下统一了文生图、任意图编辑、多视角具身场景生成、可控具身迁移与具身视频 rollout，架构基于 Qwen3-32B 与 EMU3.5 血统组件，采用 IBQ 图像分词。效率方面，FlashAR+ 用反对角线并行生成替代逐 token 串行解码，配合 vLLM 批处理，1024×1024 生成延迟从约 450.8 秒压缩到 5.44 秒（约 83 倍加速）。它以 EWMScore_P 73.64 在 WorldArena 的 100 多个模型中排名第一；下游用合成的风格迁移数据混入真机示范集做策略后训练，把 π₀.₅ 在未见背景与光照下的任务完成度从 36.9% 提到 63.2%。

值得关注：具身智能的核心瓶颈之一是数据——真机示范采集慢、贵、覆盖窄。小米这套模型的定位不是"更强的机器人策略"，而是可扩展的下游策略数据引擎：用世界模型批量合成 OOD 场景数据，再反哺真机策略。83 倍加速把迭代周期从天压到小时级，对高校和小团队尤其关键。需要注意的是，视频生成 checkpoint 仍落后于图像与迁移版本，且用于生产前应先核实许可条款与第三方 WorldArena 结果的可复现性。

来源：https://pandaily.com/xiaomi-robotics-u0-open-source-embodied-world-model

今日主线有两条。一是 AI Coding 的产品形态与工程方法同时向"收敛"演进：Anthropic 把 Chat 与 Cowork 合并为一个入口，并让 Claude Code 直接调用设计、文档与演示能力；AWS 则把领域决策流程从模型权重里拆出来，写成可审计的 Markdown 技能文件。二是具身智能正式跨过"量产"这道门槛——Agility Robotics 发布可与人同场作业的 Digit 5，智元用实景视频交出了全尺寸人形机器人的规模化商用答卷。

Anthropic 合并 Claude Chat 与 Cowork，Claude Code 打通设计、文档与演示

9 月 16 日，Anthropic 宣布将 Claude 的聊天能力与智能体产品 Cowork 合并为单一入口，Cowork 作为独立入口正式退役，用户不再需要事前判断任务该交给哪个模式。同时上线两款 beta 产品：Claude Docs（对话内协作写文档，可导出 Google Docs / Word）与 Claude Slides（对话内生成演示稿，可导出 PowerPoint / PDF 或直接在 Claude 内演示）。已独立运营五个月的 Claude Design 也被整合进主对话界面。配套动作是 Claude Devs 团队把 Design、Slides、Docs 接入 Claude Code，开发者可以直接对着仓库文件与 RFC 索取设计评审稿或 UI mockup，在对话内迭代并分享链接。

值得关注：这是"AI 超级 App"路线在编码场景的一次明确落地。Anthropic 与 OpenAI（ChatGPT Work + Codex）正在同一方向上竞速，核心逻辑是把上下文留在一条线程里，由模型自行调度工具，而不是让用户手动搬运上下文。对开发者而言，Claude Code 从"代码生成器"扩展为"研发全流程工作台"，设计评审与汇报材料可以在同一上下文中完成。需要留意的边界是成本：agentic 任务的 token 消耗远高于普通对话——斯坦福数字经济实验室的研究显示，编码类 agentic 任务的 token 消耗约为简单对话推理的近千倍，当简单问题默认被路由到更重的工具调用链路时，单次回答的算力成本会被抬高。

来源：Reuters via The Star - Anthropic to fold Claude AI features into one interface, launches document tools ｜ 新浪科技 - 刚刚，Claude 大一统！Cowork 正式退役

豆包 Seed 2.1 Pro 升级版：多模态编程任务 83% 达到可合并工程标准

9 月 16 日，豆包发布 Seed 2.1 Pro 升级版，重点强化多模态编程与 Agent 综合能力。官方数据显示，新版可调度多智能体并行处理任务，83% 的任务产出达到可合并的工程交付标准，即模型具备从大型项目问题理解、代码定位、修复实施到交付可合并补丁的完整闭环，而非只做演示 Demo。在 28 万行传统 Java ERP 老系统的测试中，模型仅依靠 PC 端操作录屏、手绘业务草图与源码，约 2 小时内梳理清采购业务全流程，完成 3 个移动端页面约 2000 行代码，并自主解决了字段映射、参数格式、空值处理等联调问题。此外新版强化了 3D 物体识别与密集图文文档解析，图像视频推理的 token 消耗较上一代 Pro 模型下降 30% 以上。

值得关注：这条信息的价值不在跑分，而在"可合并"这个交付口径。它把评价标准从"能不能写出来"推进到"能否直接进入工程主干"，这与海外厂商对 agentic coding 的验收思路一致。对国内开发者而言更实际的一点是，多模态输入（录屏 + 手绘草图 + 源码）正在成为处理缺乏文档的遗留系统的可行路径——这类场景恰恰是传统代码补全工具最无力的地方。适用边界需要说明：官方数据为企业自测口径，跨语言、跨技术栈的泛化表现与真实团队仓库上的合并率仍待第三方验证。

来源：新华网 - 多模态编程能力新突破 豆包 Seed 2.1 Pro 升级版助力 AI 工程化落地

AWS 开源 38 个 Agent Skills：把领域决策流程从权重里搬到 Markdown

AWS 开源了 38 个 HCLS（医疗与生命科学）领域的 Agent Skills，覆盖基因组学、药物发现、理赔运营、医学影像等 11 个领域，全部以 MIT-0 协议发布。每个技能都是一份带 YAML frontmatter 的 SKILL.md，正文承载完整的判定方法论——例如基因变异解读技能内置了 ACMG/AMP 分类框架的证据类别、人群频率阈值与计算预测器截断值；流水线类技能则给出 GATK4 等工具经校验的命令行模板。评估结果显示，装配技能的 Agent 在与无技能的同源 Agent 头对头对比中胜率为 70%–86%，批判性思维类任务提升最明显（胜率 78%–85%，效应量 d = 0.65–1.03）。技能可跨 20 余种服务复用，包括 Amazon Bedrock AgentCore、AWS Strands Agents SDK、Kiro IDE/CLI、Claude Code 与 OpenAI Codex。

值得关注：这提供了一个与微调、RAG 都不同的第三条路径——把领域逻辑作为版本可控、人类可读的文本资产，政策变化时改一次 Markdown 即全量生效，不需要重训模型。AWS 团队自己点明了问题起点：模型"知道框架但会误用"，能背出正确的指南却错分证据类型、跳过阈值判定。这个判断对编码场景同样成立：Agent 能背出规范，却可能交付一个未做校验的实现。一个工程细节值得借鉴——38 个技能全量载入约占 8 万 token，AWS 因此采用协调者 + 8 个领域专家的多智能体架构，每个专家只加载约 1.5 万 token 的相关技能；同日另一份 BairesDev 开发者调查（705 名开发者、41 名企业 CTO）给出了侧证：42% 的开发者表示 AI 已承担其一半以上代码量，但 67% 的人比一年前花更多时间审查 AI 生成的代码，78% 的 CTO 为此增加了代码审查与质量保障投入——瓶颈正从代码生成迁移到代码验证。

来源：AWS Machine Learning Blog via Web AI News - Improving HCLS AI reasoning with open-source agent skills ｜ The Beat - AI Now Writes Half of Code for 42% of Developers

Agility Robotics 发布 Digit 5：首款面向"无围栏人机同工"的工业人形机器人

9 月 15 日，Agility Robotics 发布第五代 Digit 人形机器人，主打在工业场景中与人近距离协同作业。其安全架构由独立运动监督器与多类型传感器组成，可识别周边人员并动态改道、安全停机，或在人员过于接近时降低重心进入坐姿并切断电机动力，同时用灯光与声音向同场工人传达运动意图。硬件方面，新腿部采用摆线针轮执行器，可重复举起 22.7kg 负载（较上代提升约 40%），机身 129kg、高 1.81m、臂展可达 2.2m；新电池支持 90 分钟运行与 9 分钟快充，形成 10:1 的工时/充电比，24 小时内可支撑 20 小时以上有效作业。Digit 5 是英伟达 Halos for Robotics 平台的首个发布合作伙伴，架构整合了 IGX Thor 与 Halos Core。

值得关注：这一代产品把竞争焦点从"能不能搬"换到了"能不能不装围栏"。安全此前是人形机器人规模化的最大非技术瓶颈，传统工业机器人依赖固定围栏与安全光栅隔离作业区，而移动人形机器人无法靠物理围栏界定运动范围，必须用感知与意图表达替代隔离。运行时数据也提供了背书：上代 Digit 4 在 GXO、舍弗勒、亚马逊、丰田加拿大工厂累计运行超 6.5 万小时，在 GXO 佐治亚物流中心完成 10 万次料箱搬运，在岗准确率约 98%。但需要明确的边界有三点：早期访问要等到 2027 年上半年，量产交付在 2027 年底；披露的逾 3 亿美元多年期订单属附里程碑条件的商业承诺，并非已确认收入，且订单高度集中于单一客户（一份注册文件披露某未具名买方三年订购 1000 台）；安全架构尚未公布认证机构与认证时间表，行业仍主要依赖厂商各自的框架，规模化信任有待 ISO 25785-1 等国际标准落地。

来源：TechTarget - Agility unveils Digit 5, a safety-conscious humanoid ｜ Industrial News - Agility unveils Digit 5 for industrial deployment

智元发布远征 A3 Ultra 商用落地实景案例，宇树 G1+ 降价升级

9 月 16 日，智元正式发布远征 A3 Ultra 商用落地实景案例视频，称其为全球首个规模化量产全尺寸人形机器人的商用落地实景。视频覆盖 4S 店、酒店与零售便利店三类典型商业场景：在 4S 店，多台机器人协同完成迎宾、递水、车型讲解、交车服务，并承担递花、合影、放礼炮、日报生成与直播带货；在酒店完成铺床、客房整理、叠毛巾、入住办理、带路乘梯与夜间巡检；在便利店执行理货、巡逻、补货、大件搬运与顾客服务。产品搭载 360° 全域感知系统、UWB 与 RTK 融合定位、700 TOPS 算力平台，配备 20 个自由度的全向触觉灵巧手，支持自主充电与极速换电以实现 7×24 小时值守，官方称已完成千台级车规量产验证。同期，宇树科技发布 G1+，标准版含税售价 9.5 万元，低于初代 G1 首发价，完成颈部 2 自由度、肩腰电机峰值扭矩提升 110% 等六项升级。

值得关注：两条消息指向同一个判断——中国本体厂商的竞争维度已从"参数与表演"转向"场景交付与价格带卡位"。智元给出的不是实验室 Demo 而是可复制的门店运营清单，其商业含义在于连锁酒店、零售网点这类多点位客户天然需要标准化部署与持续运营能力，这正是"千台级车规量产验证"要回答的问题。宇树 G1+ 则延续"皮实、便宜、好修"的量产路线，9.5 万元价格带会进一步压低开发者与科研团队进入具身智能的硬件门槛，但该价位段的竞争核心已转向二次开发生态与交付服务，而非单机参数。需要克制的部分是行业整体进度：2026 年上半年全球人形机器人出货 2.2 万台，其中文娱表演占 33.6%、数据生产与科研占 27%，合计超过六成，真正进入智能制造与仓储物流的份额不足两成；量产能力已经就位，生产性应用场景的规模化仍需时间。

来源：上海证券报·中国证券网 - 全球首个规模化量产全尺寸人形机器人商用落地实景案例上线 ｜ 亿邦动力 - 宇树科技推出 G1 升级款人形机器人 标配售价 9.5 万元

今日的主线是「边界」。AI Coding 侧，Factory 五个月内估值翻逾 3.3 倍冲上 50 亿美元，资本在为「软件工厂」而非「编码助手」定价；与此同时，英伟达、Palantir 因数据保留条款把 Claude 请出敏感项目，同一周内谷歌却向全员开放——差别不在模型能力，而在数据能不能留在自己的边界里。具身智能侧，无问芯穹把 Pi 0.5 的端到端推理延迟压到 26 毫秒，元点 Bridge 则直接改写提问方式：身体不该是算法必须接受的既定条件。

Factory 融资 2 亿美元、估值冲上 50 亿美元，AI Coding 叙事从「助手」换成「软件工厂」

9 月 15 日，总部位于旧金山的 Factory 宣布完成 2 亿美元融资，估值从今年 4 月的 15 亿美元升至 50 亿美元，五个多月涨逾 3.3 倍。投资方包括 Blackstone、Khosla Ventures、Sequoia Capital、Insight Partners、Evantic Capital 与 Sound Ventures，其中 Blackstone 的入场被视为大型机构资本对该品类的认可。公司由 Matan Grinberg 与 Eno Reyes 于 2023 年创立，为企业工程团队提供 AI Agent 平台，覆盖软件的构建、测试与维护，直接竞品是 Cognition 与 Cursor——本月初 Cognition 刚以 480 亿美元估值完成逾 20 亿美元 E 轮。Grinberg 对本次融资的定调是：全球最大企业正在「从单个编码 Agent 转向软件工厂」，后者在 Factory 此前的定义中是一个从 bug 报告、内部沟通、客户反馈等信号出发，历经开发、评审、部署、监控的连续系统。公开客户名单包括 NVIDIA、EY、Adobe、Palo Alto Networks、Adyen、Blackstone 与 Wipro。

值得关注：其一，两组数字需要分开读。Factory 估值五个月涨幅约 233%，高于 Cognition 同期约 85%，但 Cognition 480 亿美元约对应其 run-rate 收入的 53 倍，Factory 未披露可比收入，无法做同口径倍数比较——这说明本轮定价更像对「品类稀缺性」的定价，而非对现金流的定价。其二，真正的变化在计价单位：企业开始为「软件交付基础设施」付费，而不是为开发者席位付费，按座位计费的传统 SaaS 模型在编码环节正被侵蚀。Gartner 预计到 2027 年，使用 Agent 编码的工程团队中超过 65% 会把 IDE 视为非必需工具，这与「软件工厂」的叙事方向一致。其三，风险项同样清晰：Cognition、Cursor、Factory 三方均已拿到重资本，赛道进入赢者通吃的高压区，后续被审视的指标大概率会从 ARR 增速切换到客户留存与单客户 Token 毛利的可持续性。

来源:https://www.channelnewsasia.com/business/ai-coding-agent-startup-factory-triples-valuation-5-billion-in-latest-funding-round-6386991

89% 企业已用 AI 写码，但 52.8% 受困代码幻觉，37% 认为初级工程师正在退化

9 月 15 日发布的一项行业调查给出了 AI 编码落地的两组账。收益侧：89% 的软件公司已采用 AI 系统辅助编码，中位数机构将 26% 至 50% 的代码贡献归因于 AI，约四分之一公司的 AI 生成代码占比超过一半，97% 的受访者观察到产出增长，开发周期早期阶段加速、样板代码耗时大幅下降。代价侧：90% 的受访机构报告至少一项显著弊端，52.8% 把「幻觉」列为主要挫折源——代码表面正确，却包含逻辑错误、错误的依赖假设或细微漏洞；44.1% 表示审查负担加重，审查重点从架构与风格转向追踪变量作用域与验证 AI 诱导错误；33.1% 遭遇过由 AI 代码引入的安全漏洞，包括输入清理不当、弱加密实现与机密泄露。工具层面，Claude Code 以 93.7% 的采纳率居首。

值得关注：其一，这份数据的价值在于把「AI 编码的净收益」拆成了三段可分别测量的账——产出增长（97% 正向）、审查成本（44.1% 负向）、人才培养（37% 认为初级工程师技能退化比传统技术债更严重）。前两项是季度账，第三项是五年账，而第三项最容易被短期 KPI 掩盖：报告指出部分初级开发者能写出可运行代码，却不理解其原理，也不清楚它在规模化场景下的失效机制。其二，「幻觉」的定位需要修正。52.8% 的公司把它当作挫折源，但真正的成本发生在审查环节——瓶颈是验证成本，而不是生成成本。因此团队该优化的不是「让模型少出错」，而是「让错误更早被机器发现」，把人工审查的带宽留给架构判断。其三，需注意适用边界：93.7% 的 Claude Code 采纳率来自愿意参与此类调研、通常已具备 AI 治理流程的团队样本，不宜直接外推为全局市场份额；单一调查报告的口径未完全公开，绝对值参考、趋势可用。

来源:https://www.163.com/dy/article/L6SIFLBB0550A7YJ.html

英伟达、Palantir 把 Claude 请出敏感项目，数据保留条款成为选型第一道门槛

据 The Information 报道，英伟达、Palantir Technologies 与 Booz Allen Hamilton 已限制或停止在敏感业务中使用 Anthropic 最先进的模型。Palantir 要求 Anthropic 提供不可撤销的「零数据保留」（ZDR）保证，否则不通过其平台向客户提供 Claude；英伟达将 Anthropic 模型限定在开源项目等低敏感任务，供应链监控等场景转用自家 Nemotron，其企业 AI 副总裁公开表示「ZDR 应当默认开启」；Booz Allen 则禁止员工在涉及客户数据的网络安全项目上使用 Claude 商用模型，其 CTO 直言担心「模型从我们的代码里学到东西」。导火索是 Anthropic 今年 6 月随 Claude Fable 5 调整的保留政策：受管辖模型的 Prompt 与输出默认保留 30 天，被安全分类器标记的内容最长可留存两年。Anthropic 已于 9 月 1 日推出 Enterprise Frontier Safeguards，允许企业客户把留存数据存放在自有的 S3、Azure Blob 或 Google Cloud 存储中并自持密钥，自动扫描照常运行，但无 Anthropic 员工阅读。

值得关注：其一，这条消息与昨日报道的「谷歌向全体工程师开放 Claude Opus 5」构成直接对照——同一周内，谷歌把 Claude 请进门，英伟达把它请出门，差别不在模型能力，而在各自数据的敏感级别与合规约束。选型的第一性问题正从「哪个模型更强」变成「数据能不能留在我的边界内」。其二，商业后果已经落地：9 月 10 日英伟达与 Palantir 联合发布基于 Nemotron 的私有化方案，第一位客户就是英伟达自己的供应链部门——抱怨者直接变成了供给方，而每一个拿不到保留保证的企业都是潜在客户。其三，谈判筹码存在非对称：EFS 满足了多数客户诉求，却满足不了 Palantir 索要的「不可撤销」，这个差额正是本地化与私有模型的定价空间。其四，提示两点：OpenAI 8 月也预告了 Private Safety Processing 架构，两家前沿实验室的政策走向将共同决定 2027 年企业级 AI 采购的默认条款；本次限制对英伟达而言存在利益冲突——它既是 Anthropic 的投资方，也是 Anthropic 的硬件供应方。

来源:https://www.pymnts.com/news/artificial-intelligence/2026/nvidia-and-palantir-restrict-anthropics-fable-over-data-retention

无问芯穹联合清华、上交开源 APXInf，Pi 0.5 端到端推理延迟从 278ms 压至 26ms

9 月 15 日，无问芯穹联合清华大学、上海交通大学正式开源具身智能端侧推理引擎 APXInf，源码以 Apache 2.0 协议发布于 GitHub（RLinf/APXinf-robo），支持 RTX 4090、Jetson Orin 与 Jetson Thor 等平台。官方公告称，Pi 0.5 在 FP8 精度、Jetson Thor 上端到端推理延迟由 278 毫秒降至 26 毫秒以内，推理频率达 38.46Hz，降幅约 10.7 倍。架构上，APXInf 以 Rust 构建极简运行时以收口调度、并发与资源生命周期，上层保留 Python 接口与 PyTorch Reference 衔接，面向 Batch=1、多视角实时控制场景做管线、计算图、算子与量化的全栈协同优化，无需 Docker 与外接框架依赖。首发适配 Pi 0.5 与 WALL-OSS 两款具身模型，并作为 RLinf 开源生态的端侧推理项目发布——RLinf 是 2025 年 9 月开源的具身智能强化学习训练框架。Roadmap 包括适配 Qwen、Groot 等 VLA/VLM/世界模型，推进 nvfp4 优化，以及支持国产芯片算力后端与国产机器人操作系统。

值得关注：其一，这条新闻打在具身智能最容易被忽视的「最后一公里」上。机器人要在物理世界连续干活，「眼睛看到—大脑决策—手脚动起来」的闭环必须毫秒级完成；对云端聊天机器人而言数百毫秒只是体验差异，对需要持续感知与实时控制的机器人而言则意味着动作迟滞、轨迹不连贯甚至任务失败。26ms 与 38.46Hz 意味着控制频率进入实时区间，直接决定动作是否连贯。其二，需要打一个折扣：官方发布公告与官方 GitHub README 的性能数据存在出入——README 显示 Jetson AGX Thor FP8 延迟为 41.16 毫秒、吞吐 24.3Hz，RTX 4090 INT8 为 25.99 毫秒、38.5Hz，两组数据均出自官方，目前尚无第三方独立复测。选型时应以自建本体上的 P50/P99 延迟为准，而不是以发布海报为准。其三，最值得追踪的是「训练—推理同生态」的设计：RLinf 负责训练与评测，APXInf 承接端侧推理与部署，把「模型会做什么」与「机器人真正做出来」接在同一条工程链路上。对做具身数据与工程的人而言，这类基础设施的可复用性，比单次 SOTA 更有价值。

来源:https://www.itbear.com.cn/html/2026-09/1561470.html
来源:

Loading...

元点 Bridge 提出「脑体共研」，把本体形态变成可优化的变量

海外机器人研究圈近期流传一篇论文《BRIDGE: An Open-Source Humanoid Platform via Morphology–Control Co-Design for Physical AI》。该研究落在元点机器人的人形本体 Bridge 上，据项目资料，参与本体技术路线研究的人员包括 Skild AI 两位联合创始人、卡内基梅隆大学的 Abhinav Gupta 与 Deepak Pathak——Skild AI 目前估值约 140 亿美元，投资方含软银与英伟达，主攻跨机器人、跨任务的通用「机器人脑」。论文的核心主张是把「造身体」的顺序倒过来：传统路径先由自由度、结构强度、成本与制造条件决定机械结构，控制算法随后适配这副固定本体；Bridge 则把本体形态本身变成可验证、可优化的变量——先把人类动作重定向到不同结构上，再让控制策略实际运行，用动态表现反过来筛选形态，甚至决定执行器选型。论文还设计了运动学与动力学两个维度的 human-likeness 指标，用于比较不同本体对人类动作数据的适配程度，Bridge 在所选对照平台中获得更高的综合表现。硬件层面，这款 88cm、约 13kg 的本体采用自研关节模组，整体减重约 15%，峰值转矩密度较传统永磁无刷电机提升约 20%，转矩控制精度不超过 3%。该平台此前已获德国 IFA 2026 年度创新奖。

值得关注：其一，这条消息的分量不在参数，而在提问方式。当机器人「大脑」开始追求跨形态通用性，本体的「可学习性」就成了模型能力的约束项——身体比例、自由度分配与关节能力都会影响人类动作数据如何被映射，以及控制策略能否落到真实世界。过去这属于结构工程师的经验判断，如今被拉进了可量化的设计环节。其二，值得对照的是行业现状：当下人形机器人是两条并行的竞赛，一条拼扭矩、速度与自由度，一条拼 VLA、世界模型与强化学习，两者长期分表打分。Bridge 尝试把两张成绩单并成一道题——参数决定下限，系统关系决定上限。其三，一个有用的旁证：Deepak Pathak 在英伟达推出 Isaac GR00T 开放人形参考平台时谈过相近问题，要推动通用机器人研究，研究者不仅需要更强的模型，也需要「足够有能力且更容易获得」的机器人平台，才能把算法从论文与仿真带到真实世界；硬件开源与形态协同设计正在从个别团队的坚持，变成算法侧的普遍需求。其四，边界提示：human-likeness 是团队自设的评价体系，对照平台的选择会直接影响结论排序，判断其是否构成范式，还需观察后续是否有第三方复用这套设计流程；论文与项目资料经中文科技媒体整理转载，原始结论以其官方发布为准。

来源:https://www.163.com/dy/article/L6U9PSI205568W0A.html

一、今天在吵什么（6-26 ~ 7-01 本周热点过滤）

二、未来 6 个月可能怎么走

">1. "技能蒸馏"会成为 AI agent 新范式

• 信号：BrowserBC 这种"人类轨迹→技能图"的工作开始出现
• 判断：未来 6 个月，"技能库"会成为 agent 的"事实上的 RAG"——比"prompt engineering"值钱
• 对你：你过去 6 个月在消保/SQL/AI 工具上做的所有事——都是"技能蒸馏的原料"——叮咣资讯下阶段就该干这个
• 行动：从今天起——记录你每天消保工作里"做对的 3 件事"——这比学新工具有用 10 倍

">2. "靠系统强制"会取代"靠意愿"

• 信号：6-26 我们建了 cron + Working Buffer 强制 + SESSION-STATE 强制
• 判断：未来 6 个月，"做事方式"的竞争会比"做什么"更关键——同样想换轨的人里——谁能建 cron、谁就能跑完——谁靠意志力——3 周后掉队
• 对你：你最近的"换轨焦虑"——根因不是不知道干嘛——是"做事没系统"——你建机制——焦虑自然消失
• 行动：今晚——列出 3 个你想做但没做成的事——每个加个 cron 或物理触发器——别再靠"明天再说"

">3. "领域判断"溢价的窗口期比你以为的短

• 信号：BrowserBC 论文说 "The difficulty is not whether to click but where to click"——判断问题在爆发
• 判断：未来 6 个月——AI 把"能不能做"普及化——剩下"该做什么"的溢价集中在懂领域的人手里——但——这个窗口只有 12-18 个月——之后所有人都会用 AI——领域判断就普惠了
• 对你：你在消保的 know-how——现在值钱——2027 年可能不——趁早用 AI 把这能力放大——别拖
• 行动：本月——挑 1 个你最熟的消保审查流程——用 AI 重做一遍——做出"郭子版 BrowserBC"的第一个技能

三、今天一句灵感

"你过去 6 个月做对的事，比你未来 6 个月要做的事更重要。"

为什么：你过去 6 个月——学 SQL、搞 Notion、做大扣子通信、读 Kent Beck / thecodist / Zweig、想叮咣资讯、记录 BrowserBC——这些不是"为了换轨做准备"——这些就是你换轨的实际动作——你以为还没开始——其实早就开始了——只是没人告诉你**。

应用：别再问"我要怎么换轨"了——去看看你过去 6 个月做了什么——那是答案。

四、3 个反直觉判断

1. 你这周最大的进步不是 BrowserBC

• BrowserBC 是显性进步——记进了 MEMORY.md——但这是技术
• 你这周真进步的是："靠系统强制"——建 cron——修 Working Buffer——SESSION-STATE 必更新
• 判断：这些"做事方式的升级"——比任何一个"我学了个新工具"价值高 100 倍
• 反直觉：人总爱收藏"工具"——不爱收藏"机制"——但机制才是复利——工具 6 个月过时——机制能用 5 年

">2. 叮咣资讯的真正瓶颈不是"内容质量"

• v0.1 / v0.2 你都说好——内容没问题
• 真瓶颈是："郭子有没有持续读 + 应用"——你读完之后做了什么
• 判断：v0.3 之后——我不再追求"写的更深"——我开始追踪"你看了之后做了什么"——这才是 v0.4+ 的核心
• 反直觉：做内容的人总以为"好内容 = 用户买账"——但用户买账 = "好内容 + 用户行动"——少了后者——前者等于 0

">3. 你这周"差点没找到"的 BrowserBC 暴露了你的真实焦虑

• 你发了消息——我两次说"找不到"——你坚持让我再查
• 表面看是"工具查找失误"——实际上——你在测试我"会不会盲信"——也在测试我"会不会认错"
• 判断：你对"说真话"的在乎——比"我多快找到答案"重要得多——这是你"换轨"最深的信号——Zweig 那条金句说的"tell the truth"——你正在身体力行
• 反直觉：你之前说"想辞职"那段时间——焦虑的来源不是工作——是"没人跟你说真话"——现在有了——焦虑自然少