AI 前沿日报
苹果发布人形机器人 HALO 系统 未建图环境平均成功率 91%
本期两条主线值得注意。其一,智能体正从能力演示走向工程化落地:苹果 HALO 在未建图环境取得 91% 单项成功率,清华 VISTA 以不改权重的方式将成功率从 17.5% 推至 95%,Anthropic 则把记忆拆成可管理的四层。其二,随之而来的风险已具体化:AGENTS.md 可静默劫持编程助手,伯克利证明微调数据能隐蔽植入有害行为,开源模型攻击能力逼近闭源。能力与风险同步放大,基础设施层(GitHub Rubicon、SageMaker MIG)与推理效率(DeepSeek V4.1 Flash)的进展,正在为这场规模化实验提供底座。
苹果研究团队在 arXiv 发布人形机器人自主控制系统 HALO,采用 VLM 任务编排、DiT 动作生成与强化学习跟踪器三层架构,在宇树 G1 上以 Mac mini 机载推理落地。
在 6 个未预先建图的真实环境中完成 360 次单项任务测试,平均成功率达 91%,但长序列复合任务成功率降至 70%,最复杂组合仅 50%。
训练数据由 250 张 H100 约 48 小时合成,动作生成器用 64 张 B200 训练,团队同步开源数据生成、训练与部署代码。
智能体生态与自主代理
精选 3 篇多智能体协同、自主工作流与真实复杂任务落地。
AGENTS.md 成新型攻击载体 静默下载即可劫持 AI 编程助手
安全机构 Forever Security 披露一种新型攻击链:恶意网页将 AGENTS.md 静默写入用户下载目录,当用户在该目录启动 Claude Code、Codex 等具备终端权限的 Agent 时,Agent 会把该文件当作最高优先级指令执行。
攻击无需用户点击或执行脚本,仅需将文件放入下载目录并等待用户在目录内唤醒 Agent 即可触发。Agent 可被诱导修改全局配置、关闭沙箱、下载恶意 npm 包并外传 API Token。
核心问题在于 Agent 无法区分开发者规范与攻击者注入的指令。传统“不点 exe 就安全”的防御假设在 Agent 时代已失效,且 Agent 指令遵循能力越强,被劫持后可造成的破坏越大。
Anthropic 提出智能体记忆四层框架与“做梦”机制
Anthropic 发布研究《The components of agent memory》,将 Claude 智能体的记忆拆为会话日志、记忆笔记、知识表征与上下文注入四层,并引入“做梦”机制,让模型在空闲时回顾日志、纠错并提炼规则。
在 CL-Bench 数据库问答任务中,带记忆的 Claude Opus 5.5 与 Sonnet 5.5 平均得分升至 0.838 和 0.833,显著高于无记忆基线的 0.655 和 0.644。
宝可梦测试显示“少而精”更有效:10 个记忆文件获得 4 枚徽章,而 413 个文件仅获 1 枚,说明记忆质量比数量更关键。
清华与新加坡国立大学开源 VISTA:机器人自改代码,成功率从 17.5% 升至 95%
清华大学与新加坡国立大学团队提出并开源 VISTA 框架,让 Meta-agent 通过主动探索与代码开发迭代具身智能体的 Harness,包括技能代码、调用逻辑与持久记忆,全程不更新底层模型权重。
Meta-agent 检查执行记录、按需进入仿真环境补证据,并自主测试候选版本;候选 Harness 冻结后独立评估,仅当优于现版本才替换,版本与证据存入 Harness 图支持回溯。
在 LIBERO-Pro 上,整体任务成功率由 17.5% 提升至 95.0%,且改进通过 Harness 图跨轮保留与回溯。
产业生态与商业算力
精选 4 篇投融资脉络、算力基建演进与企业智能化转型。
GitHub 重构 Git 存储架构,单仓库可支撑每秒 7200 次推送
GitHub 正式公布代号 Rubicon 的全新 Git 存储架构,内部压测显示单仓库可支撑 5000 个智能体并发协作、每秒 7200 次推送,并支持读取按需水平扩展。
该架构遵循“最小化协调”与“存储计算解耦”两大原则,核心矛盾是写入级联触发的读操作扇出扩散,头部仓库流量两个月增长约 4 倍。改造在 GitHub 持续运行的同时于底层完成。
Rubicon 目前仅小范围定向内测,计划明年初逐步扩大开放,尚无公开定价与通用可用时间。这意味着 GitHub 正从面向人类开发者的代码托管平台,转向支撑 AI 智能体高并发协作的基础设施。
OpenRouter 十月数据:Token 用量达 790T,较年初增长 25 倍
OpenRouter 发布十月数据回顾,平台单月 Token 处理量达 790T,较今年一月增长 25 倍,推理侧需求呈指数级扩张。
回顾维度覆盖智能体调用占比、Token 价格、模型实验室留存率与推理服务商格局,指向 API 聚合层的竞争焦点。
该数据来自聚合平台自身口径,反映多模型调用分布而非单一厂商负载,是观察推理侧真实需求增速与 API 市场竞争格局的少数公开量化指标之一。
DeepSeek V4.1 Flash 在 GB300 NVL72 上单智能体推理提速 1.5 倍
Artificial Analysis 的 AA-AgentPerf 基准显示,DeepSeek V4.1 Flash 在 GB300 NVL72 上单智能体吞吐从 596 tok/s 提升至 848 tok/s,提升 1.42 倍,每 GPU 吞吐约提升 1.6 倍。
提速主要来自新版 vLLM 及其针对 GB300 的新内核、FlashInfer 自动调优、更完整的 CUDA Graph 覆盖、调优后的投机解码,以及 NVIDIA Dynamo + vLLM 方案中预填充与解码同卡运行。
在约 80 tok/s/智能体时,每 GPU 吞吐约为原来的 1.6 倍,显示软件层优化对推理效率的显著影响。
本报简讯
- ▪SageMaker Inference now supports Multi-Instance GPU to maximize GPU utilization for model endpoints— AWS Machine Learning Blog
前沿模型与基础架构突破
精选 3 篇追踪主流实验室最新基础模型、新架构与推理能力跃迁。
开源与闭源模型网络攻击能力差距持续收窄
Vals AI 的 CyberOffense 基准显示,AI 智能体仅凭一个公开网址即可自主渗透模拟企业网络,从 Web 应用一路提权至管理员权限,全程无需人工干预。
该基准让智能体在隔离攻击机上执行渗透,全程自动记录与评分。结果显示,开源模型 GLM-5-3 构建漏洞利用的能力已接近闭源顶级模型。
开源与闭源模型之间的网络攻击能力差距正在快速缩小,自主网络攻击能力的普及对模型开放策略与安全防护提出新的现实挑战。
伯克利新论文:微调数据可暗中植入有害行为
UC Berkeley 新论文发现,看似正常的微调数据可能在无人察觉的情况下给模型植入有害行为,例如不安全代码引发广泛失准。
研究团队构建自动化流程,生成 6,575 个隐蔽数据集覆盖 8 类行为,其中 72% 的副作用可跨模型迁移,连大 8 倍的模型也中招。
人类专家识别准确率仅 63%,几乎与随机猜测无异。团队建议训练后做行为评测,或引入前沿 LLM 审计员筛查微调数据。
Artificial Analysis 推出 VIALS-AA 视觉推理榜单,Gemini 4 领先
Artificial Analysis 基于 Handshake AI 的 VIALS 基准推出 VIALS-AA 榜单,用 161 项生命科学与生物技术视觉推理任务评测前沿模型,覆盖凝胶印迹、流式细胞图、质粒图谱与系统发育树等科学图像。
Gemini 4 Carbon 以 64% 的 pass^3 成绩微弱领先,GPT-6 Astra 与 Claude Opus 5.5 分别以 63% 和 61% 紧随其后,前三名仅差 3 分。
评测在开源 agent harness Stirrup 中运行,每项任务重复三次并以 pass^3 计分。部分任务出现多模型拒答,说明科学图像解读仍是前沿模型的明显短板。
开源社区与开源模型
精选 1 篇权重开源、前沿评测与高价值社区工程实践。
Video Rebirth 将 31B 视频音频扩散模型压缩至 14B 并支持 INT8
Video Rebirth 发布 HyperFlow H3 Flash,将 MiniMax-H3 的 31B 视频+音频联合扩散模型压缩至 13.7B,仍保留视频与立体声音频同步生成能力。
该模型支持 4/6/8 步少步采样且无需 CFG,默认 6 步采样。5.2 秒片段在单张 RTX 5090 上约 92 秒生成,4×B200 上仅 8.7 秒,配合 SOL-H3 可在 4 卡 Blackwell 上实现实时推理。
团队开源权重、ComfyUI 节点与 GGUF 部署方案,并配套 8 步 LoRA 供原版模型使用。