2026-10-12 前沿科技洞见 · 日报

📊 今日关键数据

• 66/70：Claude 动态工作流在三次运行中均找出 70 个预埋缺陷中的 66 个，单 Agent 最好为 27 个（来源：新智元）
• 64PB：OceanStor M900 单集群最高容量，单 NPU 的 KV Cache 可从 GB 级扩至 TB 级（来源：AI前线）
• 22.4 万次：LIBERO-MAX 对 14 种机器人策略进行的主评测仿真总量；动态变化使成功率下降 11.0–25.7 个百分点（来源：机器之心）
• 2,000 条轨迹：AWM 在 Push-T 达到 75% 成功率所需数据量，对比方法使用 14,728 条（来源：机器之心）
• 不足 8 小时：安全团队从获得市售具身机器人到完成远程完整攻破的测试周期（来源：人工智能产业链union）
• 115 万段视频：PointWAM 用于三维世界动作模型预训练的人类视频规模（来源：HuggingPapers）

🔍 今日值得深读

Claude 动态工作流三次均找出 70 个预埋缺陷中的 66 个

Anthropic 将 Managed Agents 动态工作流和 Claude Code Projects 扩大公测。测试在 11.6 万行代码中预埋 70 个缺陷：单 Agent 三次运行最好找到 27 个，动态工作流三次均找到 66 个。主 Agent 可把分工写成程序，调度最多 1,000 个 Agent；不同线程使用独立上下文和代码分支，Projects 保存需求、决策与踩坑记录。结果说明，复杂任务的能力增量可能更多来自任务拆解、并行搜索和结果交接，而非单次模型调用。

• 发生了什么：Claude 开始自主决定分工、线程和循环条件，Managed Agents 按 Token 用量另加每小时 0.08 美元计费。
• 为什么值得深读：金融机构评估编码 Agent 时，需要把编排带来的召回率提升，与并发成本、重复工作、分支冲突和审计负担一起计算。
• 后续看点：等待官方披露完整运行成本、误报率和人工复核时间，并观察 66/70 的结果能否在真实代码库、非预埋缺陷上复现。

来源：新智元

华为把 KV Cache 下沉到 64PB 的 L3.5 共享存储层

华为发布 OceanStor M900 AI 记忆存储，把原先局限于显存、内存和本地 SSD 的 KV Cache 变成集群级共享资产。产品定位于 L3.5 层，单集群容量最高 64PB，单 NPU 可用 KV 容量由 GB 级扩展至 TB 级；材料披露访问时延为 10–15 微秒、I/O 时延下降超过 50%，SSD 耐久能力接近提升 16 倍。内部测试与客户 POC 显示，专业缓存存储可使 Token 命中率约翻倍并降低首 Token 时延。

• 发生了什么：长上下文和跨天 Agent 任务推动 KV Cache 从短期临时数据变成需要保存、调度、淘汰和复用的基础设施资产。
• 为什么值得深读：企业推理成本不再只由 GPU/NPU 数量决定，缓存命中率、预取策略、租户隔离和数据生命周期会直接影响首字时延与重复 Prefill 成本。
• 后续看点：关注 10–15 微秒数据在何种网络、负载和缓存命中条件下取得，以及 M900 与主流推理框架、国产算力和多租户权限体系的实测兼容性。

来源：AI前线

LIBERO-MAX 用 22.4 万次仿真暴露机器人动态适应缺口

Stanford、CMU、MIT、UIUC 和 UT Austin 等机构提出 LIBERO-MAX，专门测试机器人执行中途环境发生变化时能否继续完成任务。基准构建 8,000 组 Base/Dynamic 配对案例，两次执行共享初始状态、随机种子和变化前动作，再分别维持原状或注入目标移动、视角改变、传感器噪声、障碍物等 8 类变化。14 种 VLA、混合架构与世界动作模型各运行 16,000 次，总计 22.4 万次；所有策略成功率均下降 11.0–25.7 个百分点。

• 发生了什么：评测把“原本就不会做”和“任务中途变化导致失败”分开，避免静态成功率掩盖执行阶段的脆弱性。
• 为什么值得深读：机器人进入网点、仓储或机房后，人员走动、物体位移和传感器噪声是常态；动态恢复能力比演示环境中的一次成功更接近生产风险。
• 后续看点：核验仿真排名能否迁移到真机，尤其是重新规划延迟、碰撞率、急停触发和连续扰动下的成功率。

来源：机器之心

11 家团队的 Agentic RL 基础设施收敛到四个平面

一份基于 11 份 2025–2026 年公开技术报告的综述，对比小米、DeepSeek、Kimi、智谱、Qwen、MiniMax、阶跃、美团、蚂蚁、字节和腾讯的 Agentic RL 系统。共同问题已从单轮生成转向长轨迹、异构环境、稀疏奖励和完成时间长尾：约 5% 样本消耗约 80% 生成开销。系统通常拆为控制、数据、状态和权重四个平面，核心权衡是提高 rollout 吞吐，同时控制策略滞后造成的 off-policy 偏差。

• 发生了什么：Agentic RL 的工程竞争开始围绕异步 rollout、环境池、轨迹状态、权重更新与容错形成相近架构。
• 为什么值得深读：对自建模型团队而言，训练效率瓶颈正从单纯 GPU 算力转向环境可靠性、长尾调度和可验证奖励，预算与团队配置都需随之调整。
• 后续看点：比较各路线在相同任务上的 GPU 利用率、有效轨迹率、策略版本滞后、失败恢复时间和单位有效奖励成本。

来源：大模型智能

纳德拉要求把 AI 模型按“可能已被攻破”设计控制面

微软 CEO 萨蒂亚·纳德拉提出一套面向高能力模型的信任架构：关键结果不能依赖单一模型，重要动作必须留下防篡改且人类可读的记录，验证必须独立于被验证的模型，并由组织独立控制模型的权限和动作范围。他尤其要求默认模型可能已被攻破，让授权人员能在任务中暂停或关闭 Agent，并建立事故披露机制。

• 发生了什么：安全要求从“模型供应商保证”转向部署方持有独立控制、审计、遏制和复现能力。
• 为什么值得深读：这与金融机构的职责分离、最小权限、双人复核和操作留痕天然相接，能转化为 Agent 上线前的架构验收项。
• 后续看点：关注微软是否把这些原则落实为 Azure 产品能力、标准接口和事故报告模板，以及紧急中断能否覆盖已派生的子 Agent 与外部工具调用。

来源：AIHOT

白泽通境用溯因式世界模型降低机器人训练数据需求

白泽通境公开 AWM 溯因式世界模型和代码：模型先预测未来，再把变化拆为实体、动态和关系，以外显因果表征支持机器人决策。在 Push-T 任务上，AWM 用 2,000 条轨迹达到 75% 成功率，对比 Causal-JEPA 需要 14,728 条；训练数据同为 14,728 条时，AWM 约达 92%。相较 V-JEPA 2，其动作理解 Top-1 准确率提升 68%，遮挡关键物体造成的判断变化是遮挡无关物体的 3.9 倍。

• 发生了什么：团队同时开发 BAIZ-RUN 端侧推理引擎与计算终端，试图把世界模型从论文指标压进实时机器人系统。
• 为什么值得深读：无标注视频学习、数据效率和端侧延迟共同决定具身智能能否从昂贵示范采集转向规模化部署；可解释的实体关系也便于事故追踪。
• 后续看点：等待第三方复现 Push-T 结果，并核验 2-bit 量化后的成功率、五秒内动态产线任务时延及长期运行稳定性。

来源：机器之心

📰 独立报道

Agent 与工程

Venice AI 将 Agent 凭证隔离在执行层，避免秘密进入推理上下文

Venice AI 开发者关系负责人 Joshua Mo 指出，私有模型并不等于私有产品，日志、提示词注入和凭证读取链路都可能泄密。其建议包括不保存提示词、匿名化请求、拆分密钥、可撤销句柄、窄权限 Agent、沙箱与权限监控，并把密钥库直接接到执行层，避免凭证进入模型上下文；机密工具调用仍是未解决问题。

来源：AI Engineer · 视频

腾讯云开源 TeamAI，用 Git 管理团队 Skill、规范与项目知识

腾讯云开源内部使用的 TeamAI，把 Skill、工作规范、工具配置和项目知识纳入 Git 仓库，通过分支、合并请求、评审和版本更新同步到成员 Agent。工具已适配 WorkBuddy、CodeBuddy、Claude Code、Codex、Cursor 等 16 种 Agent，为金融机构提供了一条可审计、可回滚的团队级上下文治理路径。

来源：少数派

CheckerBench 测试编码 Agent 能否把真实漏洞变成可复用检查器

CheckerBench 发布可执行基准，评估编码 Agent 是否能把真实世界漏洞抽象成可复用的静态分析检查器，并同步提供数据集与运行资产。它把能力评价从“修复一个样例”推进到“产出能持续扫描同类缺陷的规则”；但本轮材料未披露模型排名、误报率和跨项目泛化结果，暂宜作为评测方向观察。

来源：HuggingPapers

具身智能与安全

PointWAM 用 115 万段人类视频预训练三维世界动作模型

PointWAM 把场景与手部未来轨迹都表示为三维点，在 115 万段人类视频上预训练，用于灵巧操作，并在 DexJoCo 基准取得当前最佳结果。三维点预测比纯像素视频预测更直接连接空间关系与动作轨迹；正式材料尚未给出真机成功率、推理时延和对照模型差距，生产价值仍需这些指标补齐。

来源：HuggingPapers

机器人白皮书披露市售设备不足 8 小时被远程完整攻破

DARKNAVY、CIIPA 与数说安全发布具身智能机器人安全白皮书，披露专业团队从拿到一台市售机器人到远程完整攻破不足 8 小时。报告将架构分为云端平台、终端交互和设备执行三域，列出 RoboSec Top 10，并把绕过安全兜底、在近人环境造成高速失控列为 L5 人身风险，强调急停、限速须由硬件实现且不可旁路。

来源：人工智能产业链union

科研与可验证智能

VeriLoop E2 把模型探索权与外部证据提交权分离

清华团队开源 VeriLoop E2：模型负责提出、诊断和修订候选，固定的外部验证合同决定状态能否提交。只有全部受保护指标不退化且至少一项严格改善，候选才进入状态链，否则回滚并把失败证据送入下一轮。系统已覆盖 9 项代码、终端、数学与科学推理基准，并发布 BF16 至 IQ1_M 的 GGUF 量化版本。

来源：量子位

Thurston 几何化猜想完成 470 万行 Lean 形式化

Ayush Khaitan 团队与 NVIDIA Humanfia 团队完成 Thurston 几何化猜想的 Lean 形式化，并开源项目；材料称在此前庞加莱猜想形式化基础上，两周新增约 270 万行代码，总量达 470 万行。成果扩大了 Mathlib 的微分几何基础设施，但“形式化通过”验证的是代码化证明链，并不自动等同于新的数学发现或人类可读解释。

来源：新智元

陶哲轩提出 Math 2.0：证明增多后，人类价值转向理解与选题

陶哲轩在加州理工学院演讲中将 AI 带来的变化概括为从“证明稀缺”走向“证明富足”，主张数学工作转向人机协作、动机解释和研究方向判断。他同时强调当前 AI 数学能力呈锯齿状，并非全面可靠；如果只追逐自动解题数量，可能增加验证与理解负担，而不是同比提高有效知识产出。

来源：机器之心

Liam Fedus 把 AI 科学家的瓶颈指向真实实验数据

ChatGPT 共同创造者、OpenAI 前后训练负责人 Liam Fedus 表示，数学和代码率先突破，是因为编译器与形式系统能充当低成本裁判；材料、化学等领域无法用纯数字验证替代湿实验。他创办的 Periodic Labs 正建设实体实验室，让模型提出实验、设备执行并回收新数据，试图补上公开互联网没有的闭环反馈。

来源：机器之心

模型与行业应用

OpenAI 价格页出现生命科学模型 gpt-rosalind-discovery

OpenAI API 价格页出现尚未正式发布的 gpt-rosalind-discovery，与已公开的 gpt-rosalind-research 同列生命科学模型；定价为每百万 Token 输入 5 美元、缓存输入 0.5 美元、输出 25 美元。名称暗示药物发现方向，但目前缺少正式能力说明、评测和可用范围，不应仅凭价格页条目推断其已具备药物研发能力。

来源：DeepTech深科技

小米开源 MiMo-V2.6 权重、训练动态与强化学习环境

小米在 Hugging Face 发布 MiMo-V2.6 全模态模型家族，同时开放模型权重、训练动态、RL 环境与强化学习框架。该路线以扩大 RL 计算推动自我改进，并将代码、通用能力、视觉和网络安全任务纳入统一训练资产；当前材料未给出完整基准、硬件成本和许可边界，采用前仍需核验技术报告与仓库条款。

来源：HuggingPapers