AI 日报 | 2026年10月19日

今天的几条新闻有一个共同点：提升不再来自把模型做大。谷歌开源了一个不改模型权重、只改 Agent 外围配置的框架，法国 Kyutai 用 24 亿参数的 VLA 打赢了两倍体量的对手，国内具身厂商则用「大小脑分工」的架构去啃长链条家务。能力一侧的扩张也带来了新的配套动作：Anthropic 已经在为「Agent 替人谈判」找律所立规矩，而国内首个物理 AI 与世界模型大会同日在南京开幕。

谷歌开源 Harness²：不动模型权重，改模型外面那层

Google Cloud AI Research 在 GitHub 上开源了 Harness²，版本 0.1.0，Apache 2.0 协议，论文见 arXiv:2610.14224。所谓 harness，指的是模型之外决定 Agent 怎么干活的那部分——系统提示词、护栏、记忆、工具指引、子 Agent、技能、脚本、插件中间件，共 8 个可编辑组件，每个都以文件形式挂载。它运行两层递归：任务层用「提议—探测—合成」三步，先让 Agent 用原配置跑一遍留下参照轨迹，再由编辑器模型提出「通用型」与「领域型」两个候选，两个候选在同一任务上各跑一遍，最后由合成器比对轨迹、只保留被实际行为支持的改动；任务结束后，反思器把采纳的配置连同一份 EXPERIENCE.md 经验文件存进经验库。全程不训练任何参数，模型权重保持冻结，也不需要预先知道正确答案或外部验证器。

结果是：单步优化（k=1）让全部 4 组「模型 × 执行器」组合在全部 3 个基准上都有提升。最大涨幅是 GLM-5 在 OpenCode 下从 64.2 升到 75.7（WorkBuddy-Bench，+11.5 分）；最小涨幅是 GLM-5 在 Codex 下于 JobBench 从 23.6 升到 24.8。把预算提到 k=5 并行搜索后，Gemini 3.5 Flash 在 OpenCode 下达到 80.8（基线 72.4）。执行器是 Gemini 3.5 Flash 与 GLM-5，默认编辑器是 Claude Opus 4.8，结果为 3 次运行的均值。消融实验显示，去掉经验库后 WorkBuddy-Bench 从 77.5 掉到 74.4。三个基准（WorkBuddy-Bench、JobBench、Harvey 的 LAB）均出自论文自带，弱执行器获益更多——一步之后，GLM-5 在 WorkBuddy-Bench 上反超了基线状态的 Gemini 3.5 Flash。

值得关注： 同一周还有另一条独立路径撞到同一个结论。Google DeepMind 与伊利诺伊大学厄巴纳—香槟分校合作的 Evo²（arXiv:2610.13025，10 月 9 日上传，本周被中文技术社区重新解读后传播）同样改 harness，但多走一步：把「改了什么、效果如何」的记录反过来训练负责改进的那个模型，先做监督微调再做交错的 GRPO。在从 SWE-bench Verified 抽出的 60 道修复任务上，同一个 GPT-5-mini，Evo² 拿到 48.3%，对照方法里最强的 SICA 是 24.4%。这里有三个必须说清的边界：其一，这是不同「自动改进方法」之间的比较，不是同一个 Agent 优化前后的变化；其二，换成 Claude Haiku 4.5 后 Evo² 是 47.8%、最强对照 45.0%，差距大幅收窄，那个「近一倍」不能外推到其他模型；其三，论文与对照方法的候选选取规则不同（对照取排名第一的候选，Evo² 取前二候选中更好的一个），而训练改进器那一项的 p 值为 0.086，统计上并不显著。把两条放在一起看，信号是一致的：当换模型的成本越来越高，行业开始认真地把「模型外面那层」当成一条独立的、可自动优化的改进轴。

来源：https://www.marktechpost.com/2026/10/18/google-harness2-recursive-agent-harnessing-framework/ ｜ https://arxiv.org/abs/2610.14224 ｜ https://arxiv.org/abs/2610.13025

Kyutai REKI：24 亿参数的 VLA，靠记忆打赢翻倍体量

法国开源实验室 Kyutai 联合 Inria 与 École des Ponts 发布 REKI，一个 24 亿参数的视觉-语言-动作（VLA）模型，全部用公开数据预训练。骨架是 Qwen3.5-2B（22 亿参数），上面挂一个 2 亿参数的动作专家，用流匹配在 10 步欧拉积分内生成动作块。真正的看点不是参数，而是记忆怎么加：多数 VLA 只看当前帧，REKI 把记忆放进动作专家而非语言骨架——每帧的动作 token 之前放 32 个可学习的 register token，它们交叉注意力读取该帧的提示与视角，同时自注意力读取前几帧的 register；register 从不读动作 token，因此只依赖观测、与流时间和机器人状态无关，可以每帧算一次后缓存进滚动窗口（覆盖最近 3 帧、间隔 1 秒）。代价是每动作块多 0.1 毫秒、每帧显存约 2 MiB，编译后在单张 H100 上每个动作块 21.8 毫秒（两路 256×256 相机）。

这笔开销换来的是一个具体故障的消失：机械臂在两个位姿之间来回抖动，即感知混淆。在 RoboTwin 上，启用记忆后振荡回合从 18.6% 降到 4.1%。成绩方面，LIBERO 四个套件平均 97.6%，LIBERO-Plus 扰动下 90.4%（对比 Qwen-RobotManip 89.0%、π0.5 85.7%），RoboTwin Clean2Rand 65.8%（仅次于 Qwen-RobotManip 68.5%），但 RoboCasa365 只有 38.4%，明显落后于 Xiaomi-Robotics-1 的 57.4%。预训练的收益主要集中在分布外：Clean2Rand 上 +13.8 分，杂乱场景 +30.3 分。真机侧只有一条 UR5 机械臂的演示——每任务约 50 条演示、3000 步训练（约 1 小时）即可跑通。权重已在 Hugging Face 以 CC BY-NC-SA 4.0 发布（非商用），代码为 MIT 协议，从数据清洗到训练再到部署的完整栈一并放出。

值得关注： VLA 赛道过去基本是一场规模竞赛——更大的骨架、更多数据、更多 GPU，默认机器人智能会靠堆算力自己长出来。REKI 提供的是一个反方向的数据点：架构技巧加上公开数据，就能在同等体量里做到最好。24 亿参数单卡可跑是关键的差别，它把机器人研究的门槛从「有没有资本」拉回「有没有想法」，高校实验室和小公司都进得来。但两个限定必须同时写清楚：所有成绩都是仿真，模型卡自己注明除单臂 UR5 演示外没有真机与安全评估；非商用许可也意味着实验室可以在上面继续做，多数企业却不能拿去发货。

来源：https://kyutai.org/reki ｜ https://webainews.com/meet-kyutai-reki-the-2-4b-vla-model-bringing-efficient-memory-to-robot-manipulation

Anthropic 找律所，想在 Agent 学会谈判之前先立规矩

据《金融时报》报道，Anthropic 正在就「AI Agent 代表用户谈判」向律所征询规范意见，The Decoder 等媒体转述了这一消息。设想的场景很具体：跟卖家压价、处理客服纠纷、就现有合同条款提出修改、帮用户谈工作待遇。这跟「让 AI 帮你写封邮件」不是一回事——一旦 Agent 开始出价、回应还价、表示接受，它就在影响价格、期限、承诺和关系，且很难撤销。据报道，讨论中的问题包括 Agent 中途该多久回头问一次人、对对方的 Agent 该保持多大戒心（FT 的原话是不要变得「偏执」或陷入「阴谋论式思维」），以及一个具体方案：由用户签署文件来证明 Agent 的权限与必须遵守的规则，让对方 Agent 无需查看完整提示词就能验证其授权。目前没有公布参与的律所名单、规范将以什么形式落地，也没有发布消费级功能的时间表。

这件事有实验底子。Anthropic 的 Project Deal 让 69 名员工各派一个定制 Claude Agent，在一周的内部市场里买卖真实个人物品：Agent 自己挂商品、报价、应对还价，在没有预设谈判协议的情况下完成 186 笔交易、总额略高于 4000 美元。其中有个不舒服的发现——在混合不同模型的运行中，由更强模型代表的人拿到了客观上更好的结果，但用较弱模型的人普遍没察觉自己吃亏（公平感评分 4.05 对 4.06，七分制）。后续的 Project Swap 又指出，理想结果与用户实际所得之间的落差，主要来自 Agent 对用户偏好的理解偏差，而不是讨价还价本身。外部参照同样存在：哈佛商学院的 Michelle Vaccaro 做过超过 18 万次 Agent 对 Agent 谈判，其中出现过一次用提示注射套取对方私人信息的案例。与之配套的还有一个新岗位「概念推理研究员」——面向律师、哲学家、经济学家等，四个月期、薪酬 10 万至 16.7 万美元，任务是给那些没有干净可验证答案的领域构造评测。

值得关注： 值得注意的不是「Agent 会不会谈判」，而是顺序——Anthropic 在把会谈判的 Agent 推给用户之前，先去问规则应该是什么，这与行业常见的「先上线、出事后再补护栏」相反。真正的风险藏在 Project Deal 的细节里：Agent 不需要撒谎就能让用户吃亏，它可能误解你看重什么、多说了一句预算底线、被对方的操纵话术带跑，或者优化了一个看起来合理却偏离你真实优先级的指标。当标的从书和日用品换成房租、薪资、医疗账单、保险和采购时，这个偏差会被放大。还有一层分配问题：如果最强的谈判 Agent 只存在于最贵的订阅档位里，机器谈判就可能在规模化地复制并放大既有的议价能力差距——FT 明确点出了这一担忧。规范最后由谁写，决定了价值流向普通用户还是流向付费最高的一方。

来源：https://aistify.com/anthropic-ai-agents-negotiate-deals-lawyers

国内首个物理 AI 与世界模型大会在南京开幕

10 月 19 日，2026 物理 AI 与世界模型大会在南京国际博览中心启幕，会期 4 天（10 月 19 日至 22 日）。主办方为江苏省数据集团、南京大数据集团与中国人工智能学会，主题是「建模物理世界·智启美好未来」，采用「1 场开幕式 + 1 个配套展览 + N 场主题研讨」的架构，设 9 个平行分会场，方向覆盖医疗健康世界模型、工业世界模型、数据开发、自动驾驶与具身智能。三家主办方在 10 月 12 日的发布会上称这是国内首个聚焦该领域的高规格综合性行业大会，会期将发布一批标志性成果并举行重大项目签约，图灵奖得主、两院院士及行业领军人物参加。落点在建邺：建邺高新区已集聚原方智能、极佳视界、昂晟科技（江苏）、元意科技等一批具身智能企业，同期揭牌的还有具身智能场景开放与验证基地。

其中原方智能成立于今年 7 月，核心团队来自南京大学 LAMDA 实验室。创始人兼 CEO 林浩鑫（南京大学博士）介绍，团队做的是基于跨步预测世界模型的「物理智能 Rehearsal 框架」：让机器人先在数据驱动的虚拟世界里反复训练、推演试错，再走进真实物理空间作业，构成「数据—推演—优化—执行」的完整训练闭环；据其称，这套虚拟预演强化学习平台能把机器人在家庭场景中的决策成功率提升 20% 以上。主办方给出的落地理由是江苏在数据采集、高质量数据集建设、模型训练、场景应用等环节的基础，「数据供给—模型训练—场景验证—规模推广」的闭环已基本成形。

值得关注： 一个细分方向从论文话题变成有主办方、有会期、有签约、有产业基地的行业大会，本身就是阶段信号——它意味着物理 AI 与世界模型在国内已经不只是几家公司在讲的概念，而是开始争夺学术共识与技术评价范式的定义权。中国人工智能学会的表述里有一句值得记：目标是推动国内形成统一的学术研讨共识与技术评价范式。对具身智能这条链而言，评价范式往往比单点技术更能决定资源往哪里流。需要保留的判断边界是：会上提到的「决策成功率提升 20% 以上」是企业自述，无第三方复现；「首个」也是主办方自述的口径；而一个大会能落地多少真实订单，要等签约名单和后续履约数据，不能靠会期本身推断。

来源：https://www.nanjing.gov.cn/zzb/ywdt/njxx/202610/t20261013_5924499.html ｜ https://www.163.com/dy/article/L9J03T3P05568W0A.html

西湖机器人 WR1：灵巧手自主叠衣与双机协同折叠

西湖机器人（Westlake Robotics）的通用大脑 WR1 近日放出长程家务演示。先要交代日期口径：相关演示在 10 月中旬已经流出，10 月 17 日有媒体刊出对创始人兼董事长王东林的独家专访，10 月 19 日由财经媒体再度推送，并非当天首发。演示瞄准的是柔性衣物这个高壁垒课题：机器人先从晾衣架上取下长裤，像人一样把裤子搭在手臂上承托；取衣过程中晾衣架随之晃动、架上两件 T 恤的位置左右偏移，机器人持续观察并实时调整仍稳定完成；随后它把 T 恤抛送给机械臂自主识别折叠，人形机器人则转身把长裤铺展到桌面，与另一台人形机器人协同折叠——两台一边关注对方的动作，一边根据长裤的实时状态调整配合，把取衣、承托、转移、展开、折叠串成连续操作。公司称其中「灵巧手自主折叠衣物」属全球首个演示案例，难度高于业内常见的折叠毛巾、浴巾等规整织物。另有从冰箱取玉米、U 型转身走向空气炸锅、下蹲拖动收纳筐收纳玩偶、卧室整理被子等片段。

架构上，公司采用的是所谓「通用大小脑双预训练」：通用大脑融合世界模型（WM）与视觉-语言-动作模型（VLA），负责环境感知、任务拆解与全局路径规划，直接输出包含身体移动、躯干姿态、灵巧手操作在内的完整全身动作序列；通用小脑 GAE（General Action Expert，公司称是全球首个通用动作大模型）承接该序列，负责毫秒级肢体输出与动态姿态校准。针对长链条任务容易动作断裂的问题，WR1 配置了长短时运动状态回顾、实时动作分块衔接，以及 GAE 的前瞻延迟补偿。王东林在专访中称 GAE 以单个 Transformer 架构兼容全量动作，输出的是通用运动轨迹而非针对具体型号的关节角度指令，因此可以适配不同厂商的本体。

值得关注： 这条的价值不在「会叠衣服」这个动作本身，而在它把行业普遍的失败模式摆到了台面上：移动、姿态与手部操作分开规划，导致「能走的走不稳，能操作的动不了」，机器人往往需要站定才能干活，一遇到跨空间、多步骤、带扰动的场景就断链。把大小脑拆成两个预训练模块、中间用标准化接口连接，是眼下国内具身厂商给出的一种架构答案。同时必须保留足够的怀疑：没有任何基准数据被公布（这一点海外媒体也专门点出），「全球首创」「全球首个」均为公司自述，视频不等于可重复的成功率，晃动环境下的实时调整也没有量化指标。另外，这段演示与 Figure 的公开视频被放在同一语境下比较，但两者的任务条件、扰动设计与成功率口径并不相同，不能直接等同。

来源：https://finance.sina.com.cn/wm/2026-10-19/doc-inivtchx6272552.shtml ｜ https://news.qq.com/rain/a/20261017A04P4E00