AI 日报 | 2026年10月28日

今天的重点集中在两条主线：AI coding 侧，Cursor 把自家内部智能体框架开放成 Agent SDK，让提示词、工具与评测变成可评审、可版本化的代码工程；基础设施侧，Cloudflare 披露 GLM-5.3 因 KV 缓存池与上下文窗口错配导致 155 条回复串入其他客户的数据，且全程返回 HTTP 200。具身智能侧则罕见地出现标准、评测、赛事三线并进：两项国家标准化指导性技术文件落地、工信部数据集质量标准将于 11 月 1 日实施、WorldOracle 以「失败案例」为核心考点开放世界模型评测，同时上海千台机器人进真实工位开考。

Cursor 发布 Agent SDK：把智能体写成可评审的代码工程

Cursor 已将其内部使用的智能体框架 Agent SDK 开放为正式可用（GA）。据 Cursor 官方博客，发布帖由 Rustam Lalkaka 署名、日期为 10 月 20 日；Cursor 于 10 月 26 日又通过社交平台重申该发布，另有媒体将时间记为 10 月 26 日或 27 日——三个日期口径并存，本文以官方博客日期为准。在这套框架里，一个智能体就是一个文件夹：instructions.md 是常驻系统提示词，tools/ 下每个 .ts 文件是一个带类型的工具，另有 skills/（按需加载的流程）、mcp-connections/（外部 MCP 服务器工具）、channels/（消息收发渠道）、hooks/、schedules/ 与 evals/。触发方式覆盖 GitHub、GitLab、Bitbucket 的 PR 与 CI 事件、Slack 提及与私信、任意 webhook 以及 cron 定时；CLI 提供 validate、run、eval 三条命令，部署可走 Cursor 托管，也可作为单个 Node 进程或容器自托管。官方称这套 harness 与其自家的 Bugbot、Security Review、Approval Bot、Rollouts 是同一套，但尚未公布定价与基准测试。

值得关注：此前智能体的提示词要么散落在管理后台，要么躺在 .cursorrules、CLAUDE.md 这类 IDE 配置里，改动一行没有任何回归测试兜底。Cursor 的做法把提示词升级为可评审、可版本化、自带测试的工程文件，尤其关键的是 evals 断言的对象是「调用了哪个工具、传了什么参数」，而不是「回答听起来对不对」——这是智能体开发从氛围调试走向可验证工程的分水岭。边界需要注意：Cursor 未公开定价与基准数据，instructions.md 会随每次事件唤醒计费，长提示词的成本在无人值守场景下比在 IDE 里更敏感；自托管路径的运维成本也需自行评估。

来源：Cursor's Agent SDK is GA: your agent is a folder of Markdown and TypeScript ｜ Cursor's Agent SDK Turns AI Agents Into Code Projects You Can Test ｜ AICoder 报道

Cloudflare 披露 GLM-5.3 跨租户泄漏：155 条回复串入他人数据，全部返回 HTTP 200

Cloudflare 于 10 月 26 日发布事故复盘：Workers AI 上托管的 @cf/zai-org/glm-5.3 模型在 8 月 27 日至 9 月 9 日期间，有 155 条回复包含了其他客户的提示词片段与部分生成内容，触发条件是超过 681,280 token 的超长提示词。根因是两层问题叠加：一是配置错配——模型上下文窗口设为 1,048,576 token，而 prefill GPU 上的 KV 缓存池只有 681,280 token 容量；二是开源推理引擎 SGLang 在分离式 prefill/decode 部署下的缺陷，超长请求被标记为 rejected 后替换成一 token 占位符，但准入队列检查的是 finished() 而非「是否被拒」，请求照常放行；decode 节点按原长提示词预留了全部缓存页，prefill 只写入一页，其余页仍残留前序请求的内容，模型注意力读到这些数据并生成进新回复。客户端拿到的是 HTTP 200、看起来完全正常的回复，而且比正常的 8 页 prefill 更快——没有报错、没有告警，最终由安全公司 Knostic 的研究员 Gadi Evron 于 9 月 8 日经 HackerOne 报告。修复包括把 prefill KV 池扩至约 204 万 token（约为上下文长度的两倍）、在 KV 传输前拦下被拒请求的引擎补丁（已上游化为 SGLang PR #38704，官方建议所有运营方升级至 v0.5.22 或更高），以及新增部署前校验缓存池与上下文长度一致性的检查。Cloudflare 称未发现蓄意利用的证据，其他 Workers AI 模型未受影响。

值得关注：这不是模型幻觉，而是共享 GPU 显存页的归属追踪失效，属于基础设施层的多租户隔离失效。对开发者的三条实际启示：不要把密钥、客户记录放进不受控的长提示词；不要把 HTTP 状态码和延迟当作唯一健康检查，必须校验输出内容是否真的与输入相关——Cloudflare 自己也承认，上线前只验证了状态码和性能，没有验证输出连贯性；自托管 SGLang 分离式部署的团队应立即核对 KV 池容量是否覆盖上下文窗口。还有一个更值得警惕的细节：同一缺陷早在 7 月 6 日就以 SGLang issue #30233 被提出，公开挂了两个月，直到生产环境真的泄漏才推动修复。

来源：Cloudflare reports GLM-5.3 on Workers AI leaked other customers' data in 155 responses ｜ Cloudflare GLM-5.3 Leak: 155 Cross-Tenant Responses

Gemini Robotics ER 2 登陆 Google Cloud 公开预览：既是机器人大脑，也是数据裁判

Google Cloud 于 10 月 27 日宣布，具身推理模型 Gemini Robotics Embodied Reasoning 2（ER 2）在 Gemini 平台开放公开预览。该模型今年 7 月 30 日首次面向开发者发布，定位是机器人的「高层大脑」：跨本体工作（从固定机械臂、轮式机器人到四足与人形），开发者可把 VLA 模型、导航 API 等底层控制接口声明为工具供其调用，模型对连续视频流做时空推理，判断每一步是否真的成功，失败时只需重试该步骤而不必重启整个工作流。Google 给出的指标包括：定位关键事件发生帧的准确率 91.3%、平均绝对帧距离 0.96 秒、运行速度为执行速度的 4 倍，可读取 10 类以上仪表读数（圆形表盘、视镜、数字显示、线性刻度、直尺、液体温度计等）。生态表态来自 Boston Dynamics（Spot 的视频巡检产品 AIVI-Learning）、DeepReach、Arm 与新加坡 ASTAR IMRE。定价方面，预览期促销价为每百万输入 token 1 美元（有效期至 2026 年 12 月 31 日），2027 年 1 月 1 日起为 2 美元；预览期仅由 Google 的 global 端点提供服务。

值得关注：真正值得注意的是 ER 2 被同时定位成数据标注工具。Google 明确建议用它的空间指向、时刻定位与进度分类能力，去筛选和打标存放在 Cloud Storage 与 BigQuery 里的演示视频，再去训练自定义 VLA 模型。这意味着同一个模型既做运行时大脑、又做训练数据的裁判——用同一把尺子给仿真数据和真机数据打分，正是缓解 sim-to-real 差距最实用的路径，也让数据管线的自动化程度再上一台阶。边界需要说明：91.3% 等指标来自 Google 自家测试，公告未点名对比模型；生态客户均为厂商引述、没有独立性能数字；预览期仅 global 端点，数据驻留与合规要求需自行确认。

来源：Gemini Robotics Embodied Reasoning 2 is now available on Google Cloud ｜ Google Brings Gemini Robotics ER 2 to Businesses on Google Cloud

具身智能数据侧标准与评测同步落地：两项国标、工信部标准 11 月实施、WorldOracle 开放提交

国家市场监督管理总局与国家标准化管理委员会发布了我国具身智能领域首批两项国家标准化指导性技术文件：GB/Z 220-2026《人工智能 具身智能数据生成平台技术要求》与 GB/Z 218.1-2026《人工智能 具身智能数据质量规范 第 1 部分：真实数据》。位于浦东张江的国家地方共建人形机器人创新中心（国地中心）深度参与了两项标准的研制与验证；GB/Z 220-2026 给出了数据生成平台引擎层、生成层、应用层三层参考框架。日期口径提示：有媒体将 GB/Z 218.1-2026 的发布记为 2026 年 8 月 27 日，与部分报道中「近日发布」的表述并存，本文并列两个口径不做取舍。此外，由工业和信息化部批准、中国信息通信研究院联合 40 余家单位起草的《人工智能关键基础技术具身智能数据集质量要求及评价方法》将于 2026 年 11 月 1 日正式实施。评测侧同步跟进：由智元、NVIDIA 与普林斯顿大学、德克萨斯大学奥斯汀分校、多伦多大学研究者联合打造的世界模型评测平台 WorldOracle 已开放评测提交，它收录 335 条真实操作轨迹，其中约 40% 的交互片段包含失败或次优操作，覆盖 AGIBOT G2 与 YAM 两种本体以及第一人称人手操作，任务包括取水果、挂毛巾、倒水、拉抽屉，分别对应刚体、可变形体、流体与铰接物体；若真实执行失败，模型准确预测出失败即算正确。对 7 个世界模型的测试显示：机械臂动作能较准确复现，但对物体状态的预测偏差显著，长程预测表现明显下降。

值得关注：这几件事指向同一个转折——具身智能的竞争重心正从「谁的本体更炫」转向「谁的数据可验证、可交换、可复现」。标准把数据供给模式推向「少部分真机采集 + 大规模仿真合成生成」，WorldOracle 则把失败案例设为核心考点，逼迫世界模型预测真实物理后果而不是输出一个美化后的成功版本。对数据岗位而言，采集规范、可追溯性、评价可复现正在从软要求变成硬指标；对中小企业，合规数据集有望降低重复采集成本。边界必须说清：标准落地不等于效果落地，标准能否发挥作用，要看企业是否真正采用、数据评价能否落到具体项目、机器人在真实产线的表现有没有改善——11 月 1 日是观察节点，不是问题解决的信号。

来源：服务、标准、科研协同发力！浦东人形机器人产业生态加速迈向体系化 ｜ WorldOracle Tests Whether World Models Can Reliably Predict Real-World Executions ｜ 工信部发布具身智能数据集质量标准 2026年11月1日实施

上海国际具身智能技能大赛：千台机器人进真实工位开考

2026 全球开发者先锋大会暨国际具身智能技能大赛近日在上海举办，由上海市人工智能行业协会与中国电子技术标准化研究院联合主办，汇聚 300 余家机器人本体企业、超 200 家上下游供应链企业。大赛设 9 大赛道、23 个赛项，覆盖能源巡检、质检检测、商超零售、应急救援、文旅导览、医疗康养等真实场景，800 余支竞赛队伍、上千台人形机器人同台，70 余名行业专家担任裁判。张江科学会堂搭建了约 2000 平方米的实景实训空间，1:1 还原能源巡检、商超零售、快递分拣、消防灭火等作业场景；商超零售赛项要求机器人在 30 分钟内完成周转箱拣货、整理货架、补货再到装箱打包等多个步骤。有参赛队长的总结很直白：7 天真实实景实训，机器人精细操作能力的提升效果远超实验室 3 个月的模拟训练。真实场景也暴露了仿真里不会出现的问题——商品标签位置各异、圆柱形包装易打滑、磁吸标签的间隙对夹爪来说太小、二维码褶皱导致漏扫或机械臂抖动多扫。评分规则明确向自主性倾斜：动作必须由模型驱动、连贯完成，若采用遥操作，评分会明显降低。

值得关注：这条与上一条形成完整对照——标准解决「数据怎么算合格」，大赛解决「机器人在真实工位能不能干完活」。评判标准把遥操作降分，意味着行业开始把自主执行与演示效果分开计价，「机器人能不能自己干」第一次成为可量化的评分项。另一个信号是场景本身正在变成稀缺资产：张江商超场景赛后计划保留并开展常态化实景训练，持续沉淀真实场景数据——这类由场景方出真题的持续采集点，恰恰是具身智能数据供给中最缺的一环。边界同样清楚：赛事成绩不等于产线可用性，比赛中暴露的漏扫、抖动、夹爪间隙等细节问题，恰恰说明距离稳定商用还有相当距离。

来源：机器人上岗亮绝活 ｜ 「7天实景实训胜过实验室3个月模拟」，上海真实具身场景俘获参赛者「芳心」