🤖 AI 资讯早报 · 10-04

引言：本期为国庆假期薄日，九源中仅机器之心有真实新增（6 篇），智东西 1 篇为已两次剔除的同事件续报。经同事件去重后共 6 条，全部为机器之心单一源。

🔥 必读

1️⃣ Karpathy 用 40 年前航空写作规范 ASD-STE100 治大模型「废话」 Karpathy 分享一组让大模型输出更易读的技巧，底料是上世纪 70 年代欧洲航空业的受控英语规范 ASD-STE100（最新 Issue 9：53 条写作规则、约 900 个批准词、约 1200 个建议避免词）。规则朴素——程序性指令 ≤20 词、一句只安排一个操作、尽量用主动语态、同一概念从头到尾只用一个名字。大模型常为「语言丰富」轮换同义词，反而造成阅读障碍；STE 反其道而行。Karpathy 发现把这套规范交给 LLM 后输出明显更清晰，但日常常只要求「做到 80% 的 ASD-STE100」以免僵硬。他进一步主张「能画图就别写字」：让模型生成 diagram、直接输出可交互 HTML（如用滑块实时演示学习率对梯度下降的影响），乃至生成完全定制的 3Blue1Brown 风格讲解视频（接 ElevenLabs 旁白）。核心判断：模型越强、越多具体工作由模型自主完成，人的工作向上移到监督/检查/理解，而 AI 可反过来帮人做这部分——为某个很具体的问题临时生成「庞大、定制、用完即弃的软件产物」（large, custom, discardable software artifacts）。社区已有开源 Skill（asd-ste100-skill，分 Strict 与 STE-flavored 两模式）。分歧：有人实测「好像也没什么区别」，共识是内容越复杂（长篇技术解释、多步骤操作、Agent 间指令）效果越明显。 原文：机器之心 · Karpathy 的新玩法！40 年前的航空规范，救了爱说废话的 AI

2️⃣ StartLux-Decision 开源：38 项基准 31 项超 Jev，中国决策模型登顶 上海明星创企 StartLux（原点星辉，成立不到 5 个月）于 9 月 30 日发布完全开源的决策模型 StartLux-Decision，一次推出 0.8B/2B/4B/9B/27B 五档并附本地部署量化版。在 Decision Index 0.2.1 的 38 项基准中，27B 版有 31 项高于 Jev 1.13，综合得分 63.88 对 57.91（领先公开榜首近 6 分）；与 Jev 的国际象棋对弈 36 局赢下 35 局（均不借助搜索、直接选步）。团队说明该成绩为自测（基于公开榜单 09-28 快照与上海 AI Lab Intern-Decision 评测集，两套独立口径）。文章解释了「决策模型」的定位：Agent 里大量步骤其实是短小的确定性选择（Yes/No、多选、评级、选工具），生成式模型要先产出自然语言再解析，而决策模型直接对开发者提供的候选做选择/判断；单卡 H200 上 4B 版一次回答三个问题平均 26ms，0.8B/2B 分别为 12.2/15.5ms（用 CUDA Graph、快速线性注意力算子、多问题合并前向）。这也是 StartLux「本地智能分层」的一环：27B 承接复杂推理与对话，Decision 填充调用最频繁的高频判断层。 原文：机器之心 · Jev 被请下王座，StartLux 中国开源决策模型冲上第一

3️⃣ CoRL 2026 LeaP：可学习源先验，让机器人动作生成从「起点」就更稳 东南大学魏秀参团队论文被机器人学习国际会议 CoRL 2026 接收。研究追问一个被默认的问题：生成式机器人策略的「动作生成起点」应是一个确定值还是一个分布？团队提出可学习源先验 LeaP，把固定的标准高斯源分布替换为本体感知条件下的对角高斯分布，用两层 MLP 先验头（仅 0.21M 参数）联合预测均值与对数方差，为动作生成提供随机器人状态变化的随机初始化，生成器再结合视觉与本体感知细化。RoboTwin 15 项双臂操作任务上平均成功率 81.6%，较同编码器/生成器的标准高斯基线（NoPrior）提升 25.5 个百分点，并领先确定性起点的 VITA、A2A 分别 6.5/7.8pp；真实 Franka Research 3 三项任务达 80.0%（NoPrior 46.7%）。消融最见洞见：仅用预测均值 78.0%，叠加固定标准差 1 的高斯噪声反降至 62.7%，联合学习状态自适应方差才达 85.3%——「有随机性不够，方差必须随状态变化」；先验只用本体感知（加视觉反而降到 59.3%–70.3%），与「先验定起点、生成器补细节」的分工一致。代码已开源。 论文：arXiv 2606.17408 ｜ 仓库：SEU-VIPGroup/LeaP

📌 值得看

4️⃣ Meta 开源 Muse Gadgets：ESP32/树莓派，人人都能造 AI 外设 Meta 为个人 AI Agent「Muse」推出开源项目 Muse Gadgets，下放硬件能力：开发者可用 ESP32 开发板跑 Muse 固件，或用 Linux SDK 在树莓派 5 等边缘设备运行客户端；官方给了彩色墨水屏看板、HDMI 显示棒、触控掌上挂件等 DIY 形态，流程为在 gadgets.muse.ai 领 API Token、导入 GitHub 代码库交给 Claude Code/Cursor 等生成驱动、刷入固件。同时发布官方设备 Muse Home Link（USB-C 供电，让 Muse 接入家庭网络控制电视/音响等智能家居），首批试产 5000 台、对符合条件的订阅用户免费。Alexandr Wang 称目的是释放开发者创造力。已有网友动手：把电子墨水阅读器改成 MagSafe 随身屏、用约 50 美元的 SenseCAP Watcher 连个人酒窖（拍酒标识别酒庄年份）。文章点出 Agent 时代的硬件路径变化：从「公司造硬件→用户购买→开发应用」转向「公司提供模型与 Agent 能力→开发者创造各种形态的设备」。 原文：机器之心 · 刚刚，Meta 开源 Muse Gadgets，让全球开发者自己「造 AI 外设」

5️⃣ 万分之一稀疏监督：只保留 1 个 token 的梯度，推理能力反而更强 亚马逊与杜克大学论文（arXiv 2609.04565）挑战「后训练需要密集 token 级信号」这一默认假设。以 On-Policy Distillation 为场景，研究团队对每条 rollout 仅随机保留 1 个 token 处的梯度（4000 token 的 rollout 即 0.025% 监督），学生模型推理能力仍显著提升；若保留「教师-学生分歧最大」的 1–2 个 token，可匹配甚至超过全信号训练，且学生超过教师本身。跨任务（数学/代码）、跨模型（Qwen3/Llama）、跨范式（OPD/PPO-RLVR）一致成立。消融给出关键规律：性能与监督密度并非单调——随监督变稀先降后升，极端稀疏时反超全信号，再稀则学习信号不足；万分之一监督只更新约 10% 的网络参数即取得大幅提升。有趣的是，最强调优学生的输出分布与教师的差异反而可能变大，暗示并非单纯模仿。机制仍是开放问题，作者类比人类学习：已有先验时，少量关键纠正信号即可改变后续策略。 原文：机器之心 · 万分之一——大模型后训练中的极端稀疏监督

6️⃣ DepthART：Depth Anything 砍到 6M 参数，深度估计跑进 Jetson 论文被 ACM Multimedia 2026 接收，研究单目深度基础模型进入 6M 级后哪些能力易失、训练该怎么改。两个核心设计：① 抗偏置数据采样 BRDS——从约 4400 万张多源图按特征空间密度降采样，得约 170 万张更均衡数据，再用 Depth Anything V2-L 伪深度把相对深度先验蒸馏进 TinyViM+DPT 小模型；② 相机条件化微调 CamFT——冻结蒸馏好的编码器，加轻量相机适配模块引入相机内参，并以多查询尺度估计头恢复真实尺度（先保护几何、再学尺度）。DepthART-S 仅 6.0M 参数，在 NYUD v2 零样本相对深度评估达 δ1=0.964；strict FP32 下 RTX A6000/224² 约 347 FPS，TensorRT FP16 model-only 延迟 0.918ms，提供 PyTorch/ONNX/TensorRT/Jetson Orin NX 部署路径。2026 年 9 月又增 MobileNetV4 版本（slim-SPF 版约 6.05M 参数、3.78 GMAC，NYUD δ1 仅从 0.953 降到 0.952），且只用标准 ONNX 算子、降低 BPU/NPU 移植门槛。 原文：机器之心 · 把 Depth Anything 砍到 6M，深度估计终于能跑进 Jetson