AI 日报 | 2026年11月02日

今天的主线是「能力被重新丈量」。AI coding 一侧，一份只考真实工程设计的榜单让多数模型直接挂零，OpenAI 则把 ChatGPT 与 Codex 的额度并进同一个 token 池，Agent 工具链上 Vercel 选择读控件树而不是读像素。具身智能一侧，机器人今天在泰山 3100 级台阶上比爬坡，而乐聚、宇树、Agility 三家几乎同时把「效率、利润、估值」三个数字摊上了桌面。

一份只考真实工程设计的榜单出炉，多数模型直接零分

Xplore AI 于 10 月 27 日发布 RWE-Bench（Real World Engineering Bench，真实世界工程基准），共 20 道题，机械 9 道、航空航天 6 道、电子 5 道。每道题由团队里从事该行业的工程师出题，出题人还必须用同一套工具做出参考答案；判分既不靠 AI 也不靠人工，由程序调用物理求解器逐项检查设计，任一项不达标即判失败。题目形态是这样的：机械题要设计三缸柴油机曲轴，技术简报里列着质量上限、应力上限、疲劳系数与曲柄销变形量，每个数值都是硬约束，配重加多会超重、加少会失去平衡，还得在 2400 转满负荷下撑过几百万次循环，而模型手里只有 CadQuery、Gmsh、CalculiX 与 Python；电子题是在一块已布好近 300 个元件的量产 FPGA 板上补 DDR3 走线，其余线路一律不许动，剩下七十多条网络要在 8 层板的空隙里走通，时序偏差与阻抗都是硬指标，一条超标整块板作废；航空题要算高压涡轮导向叶片的传热，从建流道一直做到 CFD 收敛。

成绩方面，最好的 GPT-6 Astra 通过率 37%，Claude Opus 5.5 为 29%，GPT-6.1 Sol 25%，Gemini 4 Argon 12%，Claude Fable 5.1 仅 7%，其余参评模型几乎全员挂零。新智元于 11 月 1 日报道了这份榜单。若把规则放宽到每题可试 5 次、过一次即算通过，Opus 5.5 能升到 70%，反超 Astra 的 60%。成本曲线也不支持「堆钱换分数」：Sol 跑一次约 10 美元出头，Astra 与 Opus 5.5 都在 58 美元上下，而最贵的 Fable 5.1 一次接近 98 美元，只换到 7% 的通过率。

值得关注：最有信息量的不是分数高低，而是耗时。每题上限 24 小时，可各家模型平均两三个小时就交卷，用时最长的也只有 4.6 小时左右；而人类工程师做这类题，光是反复改模型、跑仿真就不止这点时间。这说明模型并没有在「设计不收敛就回头改」这件事上花功夫，它很可能以为自己收敛了。这恰好对应工程实践里最贵的一类失败——不是报错，是悄无声息地做错还报告成功。SWE-bench 这类代码基准考的是「在已有仓库里改对一个 bug」，有测试用例可以对照；RWE-Bench 考的是「从零产出一份能通过物理检验的设计」，判分器本身就是仿真器，没有答案可抄，这是两种不同量级的能力。读榜时必须带上三层折扣：一是样本只有 20 道，官方给出的 95% 置信区间里 Astra 是 30.7% 至 43.8%、Opus 5.5 是 21.9% 至 37.6%，两段重叠，第一与第二谁更强还不能定论；二是页面称所有模型都开了最高推理强度，但数据文件里 Gemini 4 Argon 标的是 high 而非 max，且刚发布的 Gemini 4 Carbon 未参与本次评测；三是 Xplore 本身就在卖 RL 训练环境，题目越难、分数越低，它的生意越好做——题目与判分方式已公开，但控制题目难度的动机客观存在。

来源：xplore.ai/rwe-bench、新智元报道

OpenAI 把 ChatGPT 与 Codex 并进同一个 token 池，12 月起生效

OpenAI 于 10 月 31 日上线帮助中心文档《Understanding ChatGPT and Codex usage limits》，明确自今年 12 月起，ChatGPT Plus、Pro、Business 三档付费套餐的用量额度将在 ChatGPT 与 Codex 之间共享，不再分别计算。官方给出的理由是，正在把 ChatGPT Work 的智能体能力并入 ChatGPT 的主体验，让用户能直接在 ChatGPT 里完成更复杂的任务。真正的变化落在计量单位上：额度统一按 token 计量，而不是按消息条数，实际消耗速度取决于所选模型与任务复杂度，模型越强、任务越复杂，扣得越多；唯一豁免的是 Instant 即时聊天，日常闲聊不占用共享额度。

文档没有给出具体上线日期，也没有公布各档套餐到底包含多少 token。合并之后，用户可在「设置—用量」页面查看总额度余量与下次重置时间；额度耗尽有三条路：等待自动重置、升级套餐，或者购买 credits 继续使用符合条件的功能。这项调整此前已有征兆：10 月 30 日，长期追踪 OpenAI 产品动态的 Tibor Blaho 在 ChatGPT 网页版结账页面发现一行提示，称 12 月起套餐用量将在 ChatGPT 与 Codex 的全部功能之间共享同一上限；就在前一天，Codex 负责人 Tibo 还在回复用户时表示团队在做这件事但尚未开始推送。

值得关注：合并本身不是重点，计量单位才是。以前订阅买的是「聊天次数」，现在买的是「一个 token 池」，而跑一个多步 Agent 的 token 消耗，与问一句话完全不在一个量级。按条计费本质上是在补贴重度用户，按 token 计费才是成本对齐；这一刀落下之后，Claude Code、Cursor 这类同样按请求数或「快速请求」分档的产品都会面临同题压力——要么跟进改成 token 口径，要么继续用不透明的限流窗口兜底。有个背景值得放进上下文：过去四周 Codex 用户几乎每隔一天就能收到一次额度重置，福利发到最后几天，账本收紧了。对个人用户的真实影响，取决于两件目前都未公布的事——各档到底有多少 token，以及 Codex 单个长任务的真实 token 开销。可预期的变化是，重度用户会第一次看清「一个长任务值多少钱」，而这会反过来改变他们决定让 Agent 跑多远的判断。至于「大多数用户等待重置的频率不会高于此前」这句安抚，在配额数字公布前只能算意向而非承诺。

来源：OpenAI 帮助中心、腾讯新闻、中新经纬

Vercel 开源 agent-desktop：让 Agent 读控件树，而不是截图猜坐标

Vercel 旗下实验团队 vercel-labs 开源了 agent-desktop，一个用 Rust 编写的命令行工具与 C 库，覆盖 macOS、Windows、Linux 三个平台，11 月 1 日进入 GitHub 日榜第六位。它解决的是 Computer Use 类产品最脆弱的一环：让 AI 点一下屏幕上的按钮听起来简单，但窗口挪了位置、弹窗挡了一下、列表刷新了一行，靠截图识别再换算坐标的套路就可能点偏，而且每看一次屏幕都是一笔图像 token。agent-desktop 换了条路，它不读像素，读的是操作系统提供给屏幕阅读器的无障碍树——macOS 的 AX API、Windows 的 UI Automation、Linux 的 AT-SPI，把界面上每个可操作元素变成一个引用（ref），Agent 按 ref 点击、输入、滚动，然后再读一次确认结果。

它的关键设计是「失败闭合」：一个 ref 只属于某一次快照，界面一变就返回 STALE_REF，强制 Agent 重新观察，而不是拿着旧编号点到新按钮上。工具默认以 headless 方式运行，按 ref 操作不移动鼠标、不抢焦点，因此 Agent 可以在后台干活，用户照常使用电脑，多个 Agent 还能并行。官方自报在 Slack、VS Code、Notion 这类控件密集的应用上，token 消耗可降 78% 至 96%，Apple Maps 的单次观察从 3811 token 降到 273。时间线上，v1.0.0 约在 10 月 27 日发布，v1.0.2 在 10 月 30 日，10 月 31 日正式对外宣布，11 月 1 日在中文技术圈集中扩散——并非今天才出现的新项目。

值得关注：真正的价值不在「又一个 Computer Use」，而在它把问题从视觉定位换成了结构化检索。截图方案每一步都在让模型做一次带噪声的视觉推理，误差会随任务长度累积；读树则把界面变成可查询、可验证的状态，模型只负责决策。STALE_REF 这种设计比省 token 更重要——最难的 bug 从来不是报错，而是它悄悄点错了还告诉你成功了。天花板也很清楚：只能看到应用主动暴露出来的无障碍树，自绘 UI、游戏、部分 Canvas 应用大概率还得退回截图方案，网页也不归它管辖（那是 agent-browser 的领域）。另有一条使用提醒容易被忽略：快照与剪贴板里可能包含桌面上的隐私内容，把日志往公开仓库里丢之前先想一遍。对做 Agent 工程的人来说，这条路线值得抄的不是代码，而是那个思路——把「让模型看」换成「让系统查」。

来源：github.com/vercel-labs/agent-desktop、腾讯云开发者社区 GitHub 日榜

首届 CMG 世界机器人登泰山大赛今日开赛，3100 级台阶当考场

首届 CMG（中央广播电视总台）世界机器人登泰山大赛于 11 月 2 日在山东泰安开赛，赛道设在泰山红门至中天门的千年盘道，全长约 3.8 至 3.9 公里，沿途 3100 余级石阶，累计高差约 600 米。赛制分竞速与专项两类：人形机器人竞速赛正式赛段从红门广场至斗母宫，约 1.6 公里、600 余级台阶，完成者可自主挑战斗母宫至壶天阁的高难度赛段；足式机器人竞速赛则从红门广场直抵中天门，全程约 3.9 公里、3100 余级台阶；专项赛包括模拟挑山工场景的足式负重赛与外骨骼助力赛，另有面向轮式、履带式、球形机器人的全域机动探路挑战赛。最陡的「十二连盘」路段，机器人需完成 92 米垂直爬升。

技术准备上，无论四足还是双足，赛前都要「建图」——用激光雷达扫描整条古道，判断台阶、岩石、障碍与树木，生成三维点云植入机器人大脑。部分人形机器人把摄像头从头部移到胸前，视线放低以减小脚下盲区；也有队伍选择「盲爬」，不依赖视觉，靠脚接触地面时关节受力与运动姿态实时调整步距，类似人的反应本能。排位赛已于 10 月 26 日举行，50 支队伍参赛，中途遇雨且雨势渐大，出现了一个颇具象征意味的场面：裁判追不上机器人。组委会随后把全程跟踪改为点位裁判值守，总裁判长苏庆伟的解释是「机器人是用电的，裁判员是吃饭的」。赛事同期还配套 2026 中国（泰山）具身智能产业生态展，为期 3 天，110 家企业参展，覆盖本体制造、外骨骼硬件、系统集成、核心零部件与算法。

值得关注：台阶是双足机器人最残酷的一类测试——没有两级一样高，没有车道线，也没有重置按钮。这种实景赛道补的正是仿真与真机之间那道落差：仿真里台阶是参数，泰山上下 3100 级每一级都是不同的错位、磨损与湿滑。但别把完赛当能力证明。能爬完 3.9 公里，与能在产线上连续站 8 小时、把节拍稳在 95%，是两套完全不同的指标——「通过性」不等于「作业性」。真正有信息量的其实是失败：哪一级台阶让谁摔了、雨中续航衰减多少、有没有队伍靠遥操作兜底（这类比赛通常对遥控有明确降分或禁止条款），这些比冠军名字更值钱。赛事把「裁判跟不上」改成点位值守这个细节也值得记一笔：现有人力赛事组织方式，已经开始跟不上机器人的节奏了。

来源：快科技、央视新闻、中国经济网、巴士的报

人形机器人开始摊账本：95% 的效率、465 倍的 PE 与 1400 倍的市销率

11 月 1 日，2026 大湾区科学论坛主论坛在广州南沙举行。乐聚智能董事长冷晓琨给出了一个具体门槛：只有达到 80%，工厂才会接受机器人进入产线。他把训练拆成三段——仿真数据为主的预训练阶段泛化能力强，但成功率只有 40% 至 50%；后训练用训练场数据训垂域模型，成功率约 80%；再进工厂实景实训、真机数据回流，实际生产效率可达 95% 左右。落地进展是：15 台机器人在浙江兆丰的生产厂里已完成两个月持续作业，实际生产效率达 95%，他称这基本标志人形机器人在真实工作场景中可以完整完成岗位任务。行业侧的数字同样直观：2023 年做论证报告时，国内做人形机器人的企业只找到 3 家，如今全国具身智能相关企业已达 194 家，今年上半年相关主题融资超过 900 亿元。

另一个侧面来自 A 股。宇树科技 10 月 28 日披露上市后首份三季报：第三季度营收 6.65 亿元、同比增长 69.93%，归母净利润 1.13 亿元、同比下降 17.37%，环比二季度的 2.24 亿元下滑约 49.7%；单季毛利率 50.58%，同比下降 8.36 个百分点；研发投入 1.27 亿元，同比增长 249.58%，占当季营收 19.10%。前三季度营收 18.17 亿元、同比增长 55.71%，归母净利润 3.87 亿元、同比增长 270.54%，但这一增速主要来自低基数——上年同期一次性确认了 3.81 亿元股份支付费用，扣非净利润为 3.49 亿元、同比下降 18.78%。截至 10 月 26 日，宇树滚动市盈率 465.22 倍，而其所属通用设备制造业近一个月均值仅为 38.54 倍。

第三个数字来自美国。Agility Robotics 将于 11 月 5 日以代码 AGLT 登陆纳斯达克，成为首家在美股上市的纯人形机器人公司。其 2025 年全年确认营收 178.2 万美元，对应 25 亿美元投前估值，市销率超过 1400 倍；其中约 63.5%（113.19 万美元）来自关联方，面向非关联方的销售只有 65.01 万美元。SPAC 股东赎回比例超过六成，信托账户从约 4.24 亿美元缩至约 1.64 亿美元，总募资从「超 6.2 亿」落到约 4.65 亿美元；管理层与审计机构 Grant Thornton 均提示，在不考虑本次合并融资的情况下，公司持续经营能力存在重大疑虑。

值得关注：三个数字量的是同一件事——单位产出经济性还没跑通。「生产效率 95%」量的是单位时间内的作业质量，「日历填满率 15%」量的是全年实际开工时长，两个数要相乘才是真实产能，只看任何一个都会得出过于乐观的结论。Agility 的账本正好给出了后一个数：据公开数据估算，其单机日历填满率约在 8% 至 27% 之间，中枢大致 15%，意味着一年里真正干活的时间可能不到存在时间的两成，而专用分拣设备可以做到八成以上。它自己算的 RaaS 单位经济也值得细看——月费约 8500 美元、年约 10.2 万美元、加 2.5 万美元一次性部署费，按每天 20 小时折算约 14 美元/有效小时，对比人工全负担时薪 30.5 美元约为 46%，看上去赢了；但若单机单位时间产出只有人工的 1/5 到 1/15，按同等工作量折算，实际花费反而是人工的 2 到 7 倍。宇树那份报表则是另一种提醒：营收涨七成、扣非净利降近两成，毛利率掉 8 个多百分点，钱从硬件毛利流向了具身大模型与算力——这是所有本体公司都要交的同一张账单。Agility 的意义不止于它自己，它将成为第一个被公开市场定价的参照系，一旦真实财务摊开，一级市场那些估值都要被重新校准；而 25 亿贵不贵，取决于市场选择哪个口径——按 AI 公司远期市销率不足 2.5 倍，按设备租赁公司口径则贵得离谱，这场口径之争会决定后面所有 RaaS 公司的资产负债表怎么算。

口径提示：乐聚的 95% 为企业方公开表述，未见第三方复核，且其标准化的是「生产效率」而非「有效工时占比」；宇树数据来自三季报原文；Agility 的日历填满率为媒体依据 65000 小时/9 个客户设施等公开数据做的量级估算，非公司披露，报道本身也标注其为敏感性分析而非点估计。

来源：羊城晚报·羊城派、界面新闻、中国经济网、钛媒体