🤖 AI 资讯晚报 · 10-23

本期 137 篇命中里，36氪 80 条几乎全是三季报与政策快讯，真正的 AI 主线集中在「AI 进入真实业务闭环」这条线上：微软用分步诊断把医疗 AI 从答题变成问诊，自变量把具身智能从演示推向交付，Anthropic 则在订阅额度上用 A/B 测试重新分配算力补贴。

🔥 必读

1️⃣ 微软 DxO 登上 Science 封面：分步诊断准确率 83.2%，同期医生 22.3%

微软研究团队 10 月 22 日发在《Science》封面的论文提出两件东西：评测基准 SDBench 与诊断编排系统 DxO。SDBench 不再直接给完整病历，而是把诊断拆成分阶段的信息收集——诊断者只能追问病史、申请检查或直接下结论，由一个 Gatekeeper 智能体按请求释放信息，病例来自 304 例 NEJM 疑难病例与 325 例 MIMIC-IV-ED 急诊后住院记录。DxO 是模型无关的编排器，用 GPT-5 模拟一队互补的临床专家：维护并更新鉴别诊断、挑能区分候选疾病的检查、主动质疑当前主判断、同时核算检查成本。

结果：NEJM 组准确率 83.2%，参与比较的医生不用参考资料时 22.3%、可查资料时 36.1%，单名医生最高 51.8%；急诊组 80.3% 对医生 46.8%（最好 62.5%）。成本侧并不便宜——不限预算时 NEJM 每例约 5431 美元（医生 4725），急诊 4979 美元（医生 3400）；加预算约束后准确率降到 80.9%/2241 美元与 79.6%/1303 美元。

⚠️ 限定条件写得很清楚：NEJM 病例经过挑选、教学价值高但不代表日常门诊分布，对照是独立执业医生而非专科会诊团队，评测只覆盖文本病例与诊断环节，未证明能改善治疗方案或患者结局。微软下一步与 Beth Israel Deaconess 医院做前瞻性研究。

原文：机器之心 · Science封面丨微软团队利用语言模型，在临床诊断中顺序推理

2️⃣ 自变量机器人 3 亿元落子合肥：具身智能的真正门槛在「交付」不在演示

自变量机器人 2026 年 10 月与合肥高新区签约，总部项目总投资约 3 亿元，方向写得很具体：应用型研发、算法与模型工程化、交付标准化与产品化，要搭「研发—中试—交付—运营」闭环。这家公司 2023 年 12 月成立于深圳，走软硬件全栈：2025 年 9 月开源端到端具身模型 WALL-OSS，2026 年 4 月发布基于「世界统一模型架构」（WUM）的 WALL-B，本体「量子 2 号」轮式双臂 62 个自由度。资本侧是国内唯一被美团（A）、阿里（A+）、字节（A++）、小米战投（B）分别领投过一轮的具身公司，累计披露融资约 53.3 亿元，投后估值突破 200 亿元。

文章最有价值的是它对「演示数据」的拆解：8 月 12 日直播中双机双臂连续分拣约一小时、完成 1816 件、准确率超 98%，公司称比海外同行展示的 1248 件/小时高约 45%。但技术博主指出，对方 1248 件/小时是约 200 小时、多台机器人轮换的平均值，自变量是单场一小时、固定工位的成绩，机型和时长都不同，直接相减口径不严谨。家庭侧也有真实反馈：与 58 到家合作的 149 元/3 小时上门保洁，被用户投诉速度慢、噪音大。

⚠️ 公开信息只确认了项目方向，未披露新增设施、人员规模、产品线与客户计划，不能据此认定合肥已是其交付中心。

原文：机器之心 · 「自变量机器人」3亿元落子合肥：具身智能如何跨过从模型到交付的门槛？

3️⃣ Claude 同价不同量：Anthropic 被曝对订阅额度做 A/B 测试

SemiAnalysis 披露，Anthropic 正在对 Claude 订阅额度做 A/B 测试：部分账号的 5 小时额度被提高 20%，但按 API 价格折算，这批账号月度可用资源的价值反而下降约 20%。这个结论来自一套相当硬的反向测量——把 token 分成普通输入、缓存写入、缓存读取、输出四类分别打请求，靠进度条变化反推额度容量，误差控制在 ±5%；并发现编码智能体负载中约 96.5% 的 token 来自缓存读取，因此必须按真实配比折算「API 等价价值」。

两个 Max 20x 账号的对照最能说明问题：账号 B 的 5 小时额度比 A 高约 19%，每周额度却少约 20%，月度 API 等价价值从 11726 美元降到 9385 美元。对每天跑智能体的重度用户，真正卡住总量的是每周上限，5 小时窗口变宽只是让单次连续工作更宽松。

背后的账本：SemiAnalysis 估算订阅业务只贡献 Anthropic 约 10% 的收入，却消耗约 42% 的推理算力；而在特定智能体负载下，Claude Opus 5.5 订阅的 API 等价价值约为 OpenAI 同价位套餐的五倍。两家的应对方向一致、手法不同——OpenAI 直接把 200 美元套餐的 token 上限砍掉约一半（老用户沿用原额度至 10 月 29 日），Anthropic 选择在时间窗口之间重新分配。

争议点有两个：相同套餐在用户不知情时被分配不同额度；以及「提高 5 小时额度」实质是压缩每周额度。

原文：机器之心 · 离谱！花一样的钱Claude额度却不一样？Anthropic被曝秘密测试订阅套餐

📌 值得看

4️⃣ Anthropic OSS Scanner 交出首个实战战果：Claude 揪出 curl 高危漏洞，29 天修复

curl 10 月 14 日发布 8.23.0，安全公告致谢栏写着「Luna with Claude, Anthropic」。修复的是 CVE-2026-92392：HTTP/2 上传过程中的「释放后使用」，恶意服务器满足特定条件可实现远程代码执行，curl 官方估算全球约 300 亿个安装实例。从收到报告到发布更新用了 29 天。

这条背后是 Anthropic 10 月 8 日推出的 OSS Scanner——对符合条件的关键开源项目免费定期扫描，报告不只给一句「这里可能有问题」，还带漏洞解释、可独立运行的复现材料和候选补丁。数据也很直白：过去六个月发现超 2.9 万个候选漏洞，人工只完成约 6000 项审查与分流，缺口明显；抽检 48 个项目的 97 项严重/高危发现，85 项达到披露标准、11 项重复、仅 1 项无效；wolfSSL 收到 74 份报告，72 份有效、5 项成为 CVE。

⚠️ 这些报告由 AI 生成，发送前不经安全专家逐份审核，Anthropic 也承认部分报告会高估严重程度或误判权限前提，最终仍需维护者验证。

原文：新智元 · 半年扫出超2.9万疑似漏洞！Claude揪出curl高危隐患，29天修复

5️⃣ 松延动力被曝秘密递表港交所：人形机器人公司开始冲 IPO

彭博援引知情人士称，北京机器人公司松延动力已秘密递交香港 IPO 申请，计划募资数亿美元，最早可能明年上市，公司未回应置评请求。今年 3 月它完成 B 轮，规模累计近 10 亿元，领投方是宁德时代系产业投资平台晨道资本，国科投资、京国盛基金、九合创投跟投；至今累计 9 轮融资并完成股份制改革。产品线覆盖双足与仿生人形：N2（1.2 米/30 公斤/18 自由度，号称全球首款多场景连续空翻）、E1（1.36 米，增加手臂 2 个与腰部 1 个基础自由度），以及 9998 元的个人机器人「Bumi 小布米」（94 厘米/12 公斤/21 个以上自由度）。创始人姜哲源 1998 年生，清华电子系，2023 年辍学创业。

⚠️ 属彭博爆料、公司未确认，IPO 规模与时间仍可能变化。

原文：智东西 · 宁德时代投的北京机器人创企，秘密递表港交所

6️⃣ PostgreSQL 19 推迟：AI 审查太快，人类修 Bug 跟不上

PostgreSQL 19 从 10 月 29 日推迟到 11 月 19 日，并额外增加 11 月 12 日的 RC2。直接原因是 Beta 阶段撤回了约 8–10 项重要功能——正常一个大版本周期出现一项回滚已不罕见，一次近 10 项明显异常。

核心提交者 Peter Eisentraut 否定了「vibe coding 产出劣质代码」这个直觉解释：多数被撤功能早在 LLM 辅助编程成熟之前就写完了，是后来变强的 AI 审查工具回头重查旧代码，把原本要 5 年内才随真实用户撞出的边缘缺陷，在几天到几周内集中扫了出来。他举的例子很具体：开发者突然面对约 40 份缺陷报告，每个平均只改 3 行，但每份都有固定处理成本，人力很快被耗尽。结果反直觉——AI 提高了软件质量，短期却降低了发布速度，他把这叫「有效质量门槛被抬高了」。SQL/PGQ 就是被撤的功能之一：此前已修复 17 次，社区有人用 Claude 按修复频次做风险评估后，核心开发者 Tom Lane 甚至表示愿意赌一顿晚饭它进不了这个版本。

原文：InfoQ · PostgreSQL 19 发不出来？AI”找茬”太快，人类修Bug的速度跟不上了

7️⃣ 不用你的思维链也能反超：王琰 TraceForge 让模型「自己写推理」

在 Anthropic 宣布已把蒸馏量压低 90%–99%、封堵跨模型搬运 reasoning block 之后，王琰的技术报告给出另一条路：不还原老师的推理，让模型学会「像自己家族那样思考」。方法叫 family-native trace——用同族模型 Qwen3.8-Max 自己产生的一万条真实对话训练生成器，遮住其中的思维链让它按上下文和答案重写；再训一个参数量不低于生成器的判别器，两者进行五轮在线对抗。关键在于全过程没有任何 Claude 或 OpenAI 的 token 进入梯度，训练数据全部来自允许合法蒸馏的同族模型，老师只提供答案。

在 5000 题、同一套配方、Qwen3.5-9B-Base 做学生的对照里：比直接蒸馏 Fable 5 真思维链，HumanEval+ 高 3.7 分、MBPP+ 高 7.1 分；比拿 Qwen3.8-Max 自己的思维链去训反而高 21 和 35 分；同样喂 GPT-6.1-SOL 的答案、只换合成器，一边 59.15/60.05，另一边 3.66/6.61。第三方裁判判断「这条轨迹像真的」的概率：真轨迹 66%、生成轨迹 68%、判别器四选一后 82%。

⚠️ 结论来自单一技术报告与单一学生模型，尚未见独立复现。

原文：机器之心 · 一人，合法，反超原版，王琰：填平闭源模型的思维链护城河

8️⃣ Physical RSI 框架论文：给「机器人越学越会学」定了 L0–L5

上交大、伯克利、斯坦福、MIT、谷歌、微软、英伟达与小米等机构合作的论文《Who Improves the Robot? Toward Physical Recursive Self-Improvement》（arXiv 2610.18842）把「任务能力更新」与「改进流程更新」放进同一个框架。分级用两个维度：更新的是任务执行系统还是改进流程本身，收益局限同一任务还是能跨任务迁移——L1 是同任务上的自主更新，L4 是改进流程本身自主演化并带来跨任务收益，L5 则要求在同一初始系统、经验与资源预算下，用独立跨任务评估证明新流程比上一版带来更好的后续收益。

论文强调一个容易被忽略的验证问题：如果验证器本身被修改，必须由外部独立评估器判定，否则系统会逐渐放宽自己的验收标准。它同时列了六个待解问题——从噪声物理经验中提取可靠信号、Harness 组件的因果归因、改进闭环的非平稳性、奖励投机与评估泄漏、递归更新中的安全保持，以及最关键的「递归增益的基准评测」缺位：现有 RoboDojo 之类基准测的是任务表现，测不出改进方法的递归收益。

原文：机器之心 · 机器人能自己改自己了, 离「越学越会学」还有多远?

📄 其他