AI 资讯早报 · 10-20
🤖 AI 资讯早报 · 10-20
本期三条必读全部是「论文/技术报告」，且都自带限定条件：Terminal-RSI 的对照实验未控制监督成本、GPT-6-Astra 的高分靠放宽步数与冻结知识包、LoopVL 的胜出不是同推理开销下比较。概述里把这些条件一并写出，不当厂商口径转述。
🔥 必读
1️⃣ 腾讯混元 Terminal-RSI：让终端 Agent 从成功经验里递归变强，四项基准均值翻倍
腾讯混元前沿团队（姚顺雨带队）联合新加坡国立、马里兰、佐治亚、印第安纳大学，10 月 15 日提出面向终端智能体（Terminal Agent）的递归训练方法 Terminal-RSI。基座是阿里开源的 Qwen3.8-27B，训练分五个阶段交替进行：Base → RSR-1 → RPR-1 → RSR-2 → RPR-2。RSR（递归自我重写）负责从已验证通过的任务轨迹里提炼可复用的操作步骤，再放到新环境重测，只有通过验证与筛查的轨迹才允许进入训练；RPR（递归策略精炼）用强化学习继续优化策略，并保留上一阶段的价值网络参数、在联合训练前先做四轮「只更新 Critic」的校准。团队还设计了 TB-GAE，按实际交互回合处理奖励衰减，避免冗长的环境日志把训练信号带偏。
结果：Terminal-Bench 2.1 达 86.52%；四项 Terminal-Bench 的等权平均成功率从基座 20.68% 升到 50.58%（+29.90pp，翻了一倍多），其中 Terminal-Bench 4.0 从 0% 到 19.84%、Hard 从 31.00% 到 79.00%。但长时程仍是短板：46 项任务的 LHTB 严格全通过数只从 0 项增加到 5 项，过程奖励 0.21→0.37，远未攻克。
⚠️ 报告自己的限定：RSR-first 在 TB 2.1 上从 70.10% 升到 77.53%，而跳过 RSR 直接用 PPO 只有 48.31%——但这个对照没有控制轨迹发现与重写带来的额外监督成本，因此不能说同算力下有同等幅度差距。它的价值不在「又一个刷榜」，而在把 RSI 从「模型自己改权重」换成了「Agent 积累经验 + RL 精炼」这种更可落地的形态。
2️⃣ 商汤等 12 项仿真 + 8 台真机大考 GPT-6-Astra：传统基准拿满分，真机插头 11 次全失败
商汤 SenseNova 联合大晓机器人、Ropedia、新加坡南洋理工与东京大学发布技术报告《Has GPT-6-Astra Achieved Embodied Intelligence?》，用 12 项仿真评测、8 个真实机器人平台系统考察 GPT-6-Astra 的具身能力。分数确实惊人：LIBERO-Long++ 100%、LIBERO-Pro 99.3%、SIMPLE 98.8%、LIBERO-Ultra-Long 98.9%、DexJoCo 87.3%、RoboDojo 81.9%，多数达到或超过当时公开方法的最好成绩。
但高分背后有两个被刻意放宽的条件：一是上下文学习（ICL）——评测前允许模型研读训练集里的成功示范，整理成任务说明、动作轨迹、辅助代码与失败恢复方法组成的「知识包」，知识包在正式测试前冻结、权重不变；二是执行步数放宽到标准预算的 10 倍。后者影响极大：RoboDojo 从 27.6% 升到 81.9%，Bench2Dex 从 25.6% 升到 61.5%，几乎靠「允许反复重试」撑起来。而这类放宽对需要持续管理多个子任务的长程场景帮助有限——家庭长程 BEHAVIOR 只有 37.0%，长程导航 LHPR-VLN 即使扩展预算也只有 28.9%。
真机失误更能说明问题：把笔放进笔筒，总耗时 4 个多小时、花费 55 美元；煎蛋判断已熟却没及时关火，蛋烧焦；插插头在多款真机交叉验证 11 次、一次没成功；杯子挂挂钩时凭单视角误判成功，之后又把夹爪闭合当成已接触；拼图越调越乱。报告结论是：GPT-6-Astra 已跨过具身门槛，但离可实用部署仍有相当差距——它缺的是判断「物体之间真实接触与位置关系」的能力，而物理世界的错误往往不可逆。
⚠️ 值得留意立场：同一团队去年评完 GPT-5 空间智能后即发布 SenseNova-SI 系列，这次评测被业内视为又一次「提前预告」。
3️⃣ LoopVL：1B 主干、1/260 训练量，用「循环计算」把 VLM 推到对标 2B 模型
人大、百度、清枢智汇、上海交大与清华联合提出 LoopVL（论文《LoopVL: Recurrent Visual Intelligence》，arXiv 2609.38426），把 Loop Transformer 从语言模型扩展到视觉语言模型。最直接的对比是数据效率：LoopVL 只用了 0.14T 训练 token，而 Qwen3.5-2B、InternVL3.5-2B 约用 36T，相差约 260 倍，但它在 LogicVista、MMMU-Pro、MMStar、RealWorldQA、MMK12-Math、MathVision 等评测上仍能追平或超过这两个公开 VLM。
为判断「循环本身有没有价值」，团队搭了三个同款 Transformer block 的非循环基线（32 层 1B，以及加深、加宽两个约 4B），统一 0.14T token 预算。八项受控评测中 LoopVL 有五项同时超过 Deep 与 Wide 两个 4B 基线：RealWorldQA 70.98（对 66.54 / 66.01），MathVision 38.49（对 35.92 / 33.55）。架构上沿用 HRM-Text 的分层循环，L、H 各 16 层，默认 H2L3 配置为 [L×3→H]×2，即 32 套参数展开成 128 次层调用；图像只编码一次，后续循环持续更新联合视觉—语言状态。
⚠️ 关键限定：LoopVL 执行 128 次层调用，而 1B 基线只跑 32 次，所以这不是同等推理开销下的比较——省的是训练数据，不是推理算力。
一个有意思的观察被作者称为 Visual Aha Moment：沿 128 次层调用记录视觉注意力，在第二轮循环交界处（第 63→64 次）平均 Gini 系数从 0.405 跳到 0.858，第二轮空间熵整体更低——模型从第一轮的广泛扫视转向第二轮的少数关键区域集中。团队还单独重训了「视觉状态只读」版本作对照，性能仍落后，说明视觉状态在循环中持续被更新确实是有效组成部分，不是第一轮看完图后面只剩语言在跑。代码与权重已开源（Apache-2.0，10 月初建库）。
📌 值得看
4️⃣ 中电信星辰开源 Xing4.0-29B-Intent：把意图理解从「选择题」做成「选择 + 填空」
中电信人工智能科技旗下星辰通用人工智能实验室 10 月 19 日开源 Xing4.0-29B-Intent，模型、训练语料与推理 SDK 一并放出。它要补的是 Jev 这类决策模型留下的缺口：决策模型只在预定义候选里挑（Noul 是/否、Choice 分类、Score 打分），而真实业务常需要「调东侧灯到 80%、4000K，西侧 30%、2700K，入口灯别动，音量 15%」这种多对象、多属性、还带否定要求的参数抽取。Xing4.0 把意图分类与参数抽取合并进一个模型，一次返回多组意图 + 统一 JSON 结构，并靠 Schema 强约束压住格式幻觉，端到端延迟低于 150ms。零样本冷启动 Micro-F1 70.27，比 Jev 最优配置高 12.62 个百分点并超过 GPT-4.1；严格全对指标 61，Jev 两种配置在 21–48 之间；48 个公开数据集统一评测 Overall 58，比第二名 Gemini-3.6-Flash 高 9 分。
⚠️ 该仓库 10-17 才建库、目前 6 star，属极新项目，智东西的实测是厂商接口 + 自家用例，社区独立验证尚少。
原文：智东西 · Jev 刚火，国产 29B 开源模型来踢馆
5️⃣ MiniMax M3.1 Flash 正式发布：Space Bunny 认领，200+ TPS、成本降七成
10 月 19 日 MiniMax 发布 M3.1 Flash，此前匿名霸榜的 Space Bunny 正是其早期版本。定位 Coding/Agent 优化的轻量模型，100 万 token 上下文，采用更激进的稀疏注意力，日常场景输出速度 200+ TPS、P50 稳定 170+。价格每百万 token 输入 1 元、输出 4 元、缓存读取 0.1 元，Agentic 类任务综合成本较前代降 70%。成绩上与 10 月 17 日上线的 DeepSeek V4.1 Flash-1017 基本互有胜负：Agents’ Last Exam 29.6% 通过率 / 739 元成本；Automation-Bench 62.2 分反超 DeepSeek 的 60.5 与 Opus 5；SWE Refore 23.0 是 DeepSeek 两倍以上；但 DeepSWE v1.1 只有 73.7，落后 DeepSeek 的 77.0。两款 Flash 模型相隔 48 小时落地，国产模型在「轻量高性价比」档第一次形成双强。
原文：智东西 · MiniMax M3.1 Flash 发布
6️⃣ Lovart 2.0 上线「Arti」：会巡检画布、会记审美的个人设计 Agent
Lovart 10 月 19 日发布 2.0，核心是新推出的个人设计 Agent「Arti」：全天在线、带长期记忆、能主动检查画布。它有两个主动技能（画布巡检、设计调研）和三个被动技能（自动更新记忆、自进化、反馈改稿），还能在「设计委托」里建定时任务，比如盯近期设计图给灵感、在营销节点前备好素材；创作流程会沉淀成 skills 供后续直接调用。智东西实测用它做「DeepSeek 鲸鱼少年」形象：按要求产出清冷深海系立绘，但左手出现半根手指穿帮；改做 Q 版四张立绘则无穿帮；插入调研报告后重画能严格遵循报告的设计理念；画布巡检反过来质疑新图丢了鲸鱼要素，一键改稿即补回。协作上支持多人对画布资产评论。主动技能需升级会员。这条线的意义是把生图从「每次都得写精确提示词」推向「越用越懂你」。
7️⃣ 微软撤回 Nscale 英国数据中心合作：卡在「接不上电网」
Nscale 上周末披露，微软已撤回对其伦敦附近在建数据中心项目的合作承诺，原因是该站点可能还要数年才能接入电网。两家都在淡化：Nscale 称仍致力于推进劳顿项目与英国布局，正在为该项目寻找替代电源方案；微软称本次决定仅针对这单个项目、双方合作照旧。但时点敏感——这家人工智能算力租赁商 10 月刚拿下 Anthropic 约 3000 亿元人民币量级的算力大单、估值冲 2300 亿元，原计划 IPO 募资超 30 亿美元、目标估值 300 亿美元，目前上市安排未变。它给「AI 基建热潮」提供了一个很具体的反面样本：瓶颈不在芯片订单，而在电力接入这类物理条件。
⚠️ 这是单项目退出，不是全面撤退，不宜读成「微软看空 AI 算力」。
原文：36氪 · 微软回应退出 Nscale 英国数据中心项目
📄 其他
8️⃣ 蚂蚁领投熵简科技 C 轮，AI 金融智能体再添一子 —— 清华系团队，产品为 AI 投研平台 AlphaEngine（FinGPT 问答、十万级机构投资者、覆盖 9000+ 机构）与能独立跑通投研工作流的 AlphaClaw。原文：智东西
9️⃣ DeepSeek V4.1-Flash-1017 登 Code Arena WebDev 开源第一 —— 1670 分，超过 Kimi K3、Muse Spark 1.3、Opus 5，仅落后 GPT-6 Sol 12 分，并进入「帕累托前沿」（没有更便宜且分更高的模型）。原文：智东西
🔟 AEP 携手亚马逊、X-energy 建 960 兆瓦先进核电 —— 选址印第安纳州，亚马逊以长期购电合同买电、合同收入覆盖设施成本，指向数据中心用电需求。原文：36氪
1️⃣1️⃣ 深兰科技发布影视智能体操作系统 DFAgent —— 由 JEV System One 决策中枢、DeepBlue Film Model、内容数据飞轮三部分组成，用数十个 Agent 模拟制片/编剧/导演/摄影/剪辑/宣发，设四道质检，已签约院线科幻片《气候战争》。原文：36氪
1️⃣2️⃣ 智界获独立生产资质进入公示 —— 工信部第 412 批公告拟发布新准入企业名单，产线整体划转、不新增产能，为鸿蒙智行下首个拿到整车准入的品牌。原文：36氪