主题： 编码智能体的竞争重心落到编排方式与采购价格，具身智能同一周把评测尺子和部署门槛一起往下压
编制时间： 2026-10-26
本期看点： Agensh 去中心化协作 / Nanbeige4.3-33B / 灵巧手基准 HandsOn

---

一、要闻速览（Top Stories）

序号	事件	标签	关键词
1	微软研究院开源 Agensh，1024 个编码智能体无总调度	AI Coding	去中心化编排、ProgramBench、Gitea、Mattermost、MIT
2	BOSS 直聘南北阁开源 Nanbeige4.3-33B	AI Coding	33B 稠密、512K 上下文、Apache 2.0、Terminal-Bench 2.1
3	OpenAI 向 Anthropic 编码客户报出最高九成折扣	AI Coding	价格战、Rippling、Replit、企业采购
4	Claude Opus 5.5 上线一月，token 用量增至 3.6 倍	AI Coding	缓存读取、单任务开销、用量上限
5	瑞典政府电脑 10 月 26 日起屏蔽 ChatGPT 与 Claude	综合	采购准入、Copilot、信息安全审查
6	腾讯混元开源交互式世界模型 Hy-Nomas	具身智能	单卡 4090、分段自回归、Apache 2.0、280 条用例
7	清华团队发布灵巧手基准 HandsOn	具身智能	66 项任务、双手协作、跨任务迁移
8	399 美元双足机器人 Microduck 预订单破 2 万	具身智能	Pollen Robotics、软件开源、硬件闭源
9	UCLA 用旧手机当双足机器人大脑	具身智能	PhoneBot、WiFi 直连、400 美元

---

二、AI Coding 方向深度动态

1. 微软研究院开源 Agensh，拿掉总调度让 1024 个智能体自己认领任务

事件： 微软研究院 10 月 24 日在 GitHub 以 MIT 许可发布 Agensh 1.0，仓库含系统本体、实验启动脚本与复现指南；对应论文 9 月 22 日上传 arXiv，署名七位微软研究院研究员。

产品细节：

• 结构上取消 lead agent。每个 worker 跑同一套五步循环，读目标与他人进展、发出 CLAIM 认领子任务、本地动手、按验收条件自查、把改动合回共享仓库。这套循环写在提示词里而不是运行时代码，除编号外所有 worker 的提示词完全一致。
• 三件现成工具承担协作。Gitea 放共享代码与 PR，Mattermost 传公开消息与私信，一块沿用 DeLM 的上下文板存五类笔记（OBSERVED、FACT、FAIL、CLAIM、PATCH_SUMMARY）。
• 单个 worker 输入上限 272,000 token、输出上限 128,000 token，内存上限 64GiB。默认用 Docker Compose 在单机起 8 个 worker，1024 规模的实验按 16 节点、每节点 64 个布署。

实测结果： 考卷是 ProgramBench 五个最难任务（FFmpeg、gromacs、pandoc、PHP-src、ctags，参考仓库从 2,767 个文件到 26,266 个），全程断网、六小时封顶。GPT-5.6-sol 高档推理下，最终测试通过率均值从 1 个 agent 的 19.31% 升到 8 个的 20.68%、32 个的 26.52%、128 个的 28.78%；pandoc 单任务从 33.89% 升到 50.94%（128 个）与 55.06%（1024 个）。仓库另给了一组论文里没有的数，换成 GPT-6.1-sol 后 pandoc 从 56.19%（1 个）升到 79.59%（32 个）。

值得关注的原因：

• 它把多智能体研究的变量从模型强弱挪到了组织方式，而组织方式这次以仓库和启动脚本的形式交了出来，别人可以在自己机器上重跑。
• 论文没有做与集中式调度的对照实验，1024 个 agent 只在 pandoc 一个任务上跑过，规模继续放大后合并冲突会不会吃掉收益仍是空白。
• 大规模并行的 token 开销没有披露，断网六小时是实验设定。工程团队真正要算的是每小时通过率对应的花费，而不是榜单上的百分点。

2. BOSS 直聘南北阁开源 Nanbeige4.3-33B，一个给蒸馏用的教师模型

事件： BOSS 直聘旗下南北阁大模型实验室 10 月 24 日把 Nanbeige4.3-33B 与其 Base 版本放上 Hugging Face，10 月 25 日由官方账号 @nanbeige 公布，两个仓库均为 Apache 2.0。

核心参数：

• 33B 稠密模型，Llama 式结构，非 MoE。配置为 52 层、隐藏维度 7,168、56 个注意力头配 8 个 KV 头（分组查询注意力）、词表 166,912，上下文 524,288 token。
• 对话模板有两个开关，enable_thinking 决定是否输出推理，preserve_thinking 决定多轮里是否保留此前的推理；官方建议做多轮工具调用、办公任务与编码智能体时打开后者，并用 XML 格式的工具调用。
• 官方定位是 Nanbeige4.3 系列的教师模型，之后把智能体能力蒸馏进更小的学生模型，首个是 Nanbeige4.3-3B。BF16 权重约 66GB，4 比特量化后约 20GB。

分数（同 harness、最高思考档，均为厂商自报）： Terminal-Bench 2.1 用 Terminus 2，80.9 对 Qwen3.8-27B 的 73.0；Terminal-Bench 4.0 用 mini-swe-agent v2.4.6，23.8 对 6.3；DeepSWE 65.5 对 42.5；NL2Repo 用 Claude Code 评，53.0 对 48.3；Automation Bench 54.2 对 38.3；JobBench 44.8 对 34.5。输的两项是 SWE-Bench Pro（60.3 对 61.7）与 GDPval（84.8 对 86.4），GPQA Diamond 89.5 也低于 Gemma4-31B 的 91.3。

值得关注的原因：

• 官方把输掉的两项一起放进了表里，这种写法在自家的发布页上不常见，比只列胜项更便于外人判断适用边界。
• 30B 级稠密模型是本地与私有化部署的主力尺寸，512K 上下文加上工具调用格式，指向的是长会话编码与办公流程，而不是聊天。
• 所有分数都还没有第三方复现，脚注里 harness 一栏决定了数字能挪多少；换成别的评测框架，差距会变。

3. OpenAI 向 Anthropic 的编码客户报出最高九成折扣

事件： 据 The Information 报道，OpenAI 近期以最高九成的折扣争夺 Anthropic 的企业客户，已经谈成数笔。人力资源软件公司 Rippling 的首席执行官 Parker Conrad 给出的比例是，该公司编码任务由 OpenAI 模型承担的部分从 5 月的 16% 升到 52%，Anthropic 从 57% 降到 18%。代码托管与开发平台 Replit 把大部分 AI 预算迁到 OpenAI，据 The Decoder 报道，OpenAI 在年额超过 1 亿美元的合同上让了 30% 以上，Replit 现已把 OpenAI 设为 Agent 工具的默认提供方，Claude 模型仍可选。数据训练平台 DataCamp 的首席执行官称其成本因此下降 80% 到 90%。

值得关注的原因：

• 这是编码场景里第一次出现以大比例折价换份额的明确案例，而编码恰好是两家消耗 token 最多的场景。
• 折扣打到这个程度，说明推理成本还有下降空间，也说明默认提供方的位置比单价更值钱。Replit 把默认项换掉，等于把整条长尾用户的调用路径交了出去。
• 对采购方来说，眼下比价要连缓存读取价、会话长度与迁移成本一起算，单看每百万 token 的标价已经不能反映实际开销。

4. Claude Opus 5.5 上线一个月，Anthropic 称 token 用量涨到 3.6 倍

事件： 据 CryptoBriefing 10 月 25 日报道，Claude Opus 5.5 自 9 月 22 日上线以来，Anthropic 的总模型 token 用量增至 3.6 倍。该模型定价为每百万输入 token 4 美元、输出 20 美元，比上代低 20%；缓存读取降到 0.20 美元、降幅 60%；整体运行开销下降约 40%，输出速度提升三成以上，Pro、Max、Team 三档订阅的用量上限提高 20%。早期用户中，Box 报告单任务 token 消耗减少三分之一而准确率不变。

值得关注的原因：

• 单价降、总用量涨，是典型的降价换规模。早期测试里每个任务用的 token 更少，总量反而变大，说明客户在跑更多任务，而不是把同一件事做得更省。
• 编码智能体的开销结构被这件事照了出来。按开发者 Max Woolf 的统计口径，编码智能体场景下缓存读取占全部 token 支出的 96% 到 99%，所以决定开销的是缓存读取价乘以命中率，再乘以上下文能维持多长，标价只是其中一项。
• 这也解释了为什么压缩上下文、保持前缀稳定这类 harness 层面的改动，省下来的钱可能比换一家供应商更多。厂商没公布缓存读取与输出 token 的构成变化，收入侧的影响仍不透明。

5. 瑞典政府电脑从 10 月 26 日起屏蔽 ChatGPT 与 Claude，只留 Copilot

事件： 瑞典政府办公室（Regeringskansliet）决定自 10 月 26 日起在员工电脑上屏蔽 ChatGPT 与 Claude，微软 Copilot 成为唯一获批的 AI 工具。数字化主管 Mikael Wettercrantz 给出的理由是未经审查的 AI 使用会带来信息安全后果，决定作出前做了安全审查。

值得关注的原因：

• 这是欧洲政府层面第一次把"用哪家的助手"直接写成准入名单，而不是发一份使用指南让各部门自行判断。
• 被留下的是已经嵌入办公套件、数据留在既有租户内的那一个。选择的依据是部署形态与数据边界，不是模型分数。
• 对向公共部门供货的 AI 工具厂商来说，审查清单会比功能清单更早成为门槛；这类决定也容易被其他欧洲机构照着做。

---

三、具身智能方向深度动态

6. 腾讯混元开源 Hy-Nomas，把交互式世界模型压到一张 4090

事件： 腾讯混元 10 月 23 日至 24 日把 Hy-Nomas 的权重、推理代码、训练代码与测试用例一并放出，挂在 Hugging Face 与 GitHub，许可为 Apache 2.0。官方给的定位是交互式视频世界生成模型，可以在生成过程中插话改场景。

产品细节：

• 分段自回归生成。每一段条件于当前文本提示或相机轨迹，跨段靠一个长期存活的 KV 缓存维持场景、物体与风格的一致性，所以第一段之后还能补一句"路边开花、镜头左移"接着往下走。
• 结构为 54 个双流 MMDiT 块、隐藏维度 2,048、16 个注意力头；蒸馏版八步去噪，输出 720×1280、24 帧。
• 两套跑法。标准配置要八张卡；另一套用 INT8 存权重、INT8 存缓存、历史帧走滑动窗口、文本编码器与解码器按阶段在 CPU 与 GPU 间切换，单张 RTX 4090 可以推理。
• 随模型给了 Hy-Nomas-Bench，280 条用例分四组（多轮自由文本、相机导航、文本与相机交替、空间记忆），另附 220 条参考镜头轨迹；支持 LoRA 分段强制训练，训练完把 LoRA 合回蒸馏权重。

值得关注的原因：

• 这一类模型过去以几段精剪演示加跑分发布，权重不给。这次顺序反过来，权重和用例先给，跑分留给使用者自己测。
• 官方诚实标注了两处边界。24 帧是输出播放帧率，不是每秒算 24 帧；技术报告仍标着待发布。仓库约 196GB、蒸馏 DiT 约 34.2GB，单卡能跑不等于能实时交互。
• 它没有三维场景图，也没有确定性的刚体动力学与碰撞处理，做预演和镜头测试可以，当物理仿真器用还不行。

7. 清华 HandsOn 基准：灵巧手 66 项任务，最好的多任务策略成功率 29.1%

事件： 清华大学丁宁团队联合北京邮电大学、北京大学与自然意志（Nature Will）的研究员发布 HandsOn，一个面向跨本体灵巧操作的可组合仿真平台与评测基准，论文（arXiv 2610.26765）、代码与数据同期公开，10 月 25 日经媒体报道。

核心参数：

• 66 项人工验证任务，拆成 Core-50 与 Transfer-16。前者提供训练示范，后者专门留作迁移评测、不给目标任务示范。
• 18,000 条人类仿真遥操作示范，来自约 56 小时记录、至少 10 名操作者、超过 1,050 次采集会话，其中 15,178 条用于训练、2,822 条用于验证。
• 支持 5 种机械臂、6 种灵巧手、约 200 种刚体、关节物体与可变形物体资产；本次采集与定量评测统一用 ROKAE 机械臂配第一代 Wuji Hand，每只手 20 个主动关节。

成绩单： 评测 10 种方法，含 5 种视觉语言动作模型、3 种世界动作模型、按任务分别训练的扩散策略，以及零样本的 GPT-6 参照。Core-50 上 9 种受训方法累计跑了近 4.5 万次测试，多任务策略的最高平均成功率由 OpenWAM 取得，29.1%。Transfer-16 上 8 种多任务策略平均成功率全部低于 1%。GPT-6 未做微调、通过 move_eef 接口控制手掌与手指，660 次测试里 Core-50 与 Transfer-16 分别为 5.2% 与 1.9%。双旋钮任务 800 次尝试中，219 次两只手各自到过目标，38 次同时到位，只有 5 次满足全部完成条件；方块交接的 367 次共同握持里，188 次交接成功，179 次失败中有 175 次随后掉落。

值得关注的原因：

• 夹爪时代的基准回答不了灵巧手的问题。手指关节多、接触密集、常要双手配合，还要在长序列里保住前一步的结果，这套基准把这些拆成阶段进展来记，失败发生在哪一步能定位。
• 29.1% 与不足 1% 的落差说明，有示范的任务能学会，换个物体或换种组合就不行，泛化这一关还没过。
• 它还测了示范规模的边际收益。用 π0.5 做单任务实验，放球任务从 7% 升到 83%，剪刀任务从 1% 升到 44%，数据继续加仍有改善，但工具类任务的天花板明显更低。

8. 399 美元的 Microduck 预订单破 2 万，软件开源、硬件不开

事件： Hugging Face 首席执行官 Clem Delangue 10 月 25 日表示，Pollen Robotics 制造的小型双足机器人 Microduck 预订单已超过 2 万件，交付目标是在圣诞节前。这款机器人在 10 月 21 日英伟达柏林 GTC 上被黄仁勋现场指挥，视频传播后订单量跳升。

产品细节：

• 高 25 厘米、重不到 800 克，15 个电机驱动腿、颈与喙，配前视摄像头、8×8 飞行时间激光雷达、两个惯性测量单元，主控为带 AI 加速器的瑞芯微 RK3566，1GB 内存、32GB 存储，板载策略循环 50Hz。
• 出厂带七个训练好的动作，标配一个手柄；可用 Python 与 JavaScript 编程，配套 MuJoCo 模拟器与强化学习训练套件，支持在仿真里训练后迁移到真机。
• 定价 399 美元（税前、不含运费），另有 39 美元充电包、39 美元配件包（滚轮与 NFC 标签）、119 美元开发者包（备用电机与工具）。

值得关注的原因：

• 官方说法是软件栈开源（Apache 2.0），硬件不开源。Pollen 方面确认没有开放硬件图纸的计划，社区能改代码，不能改传感器与执行器。
• 这个价位卖的是研究入口，不是干活能力。整机 800 克而举升上限约 100 克，2600mAh 电池在 15 个电机加主控的负载下大约跑一小时。
• 2 万是预订单而不是交付量，圣诞前能不能按期出货，取决于电机、传感器与电池的备货和质检节拍，这一关比演示视频难。

9. UCLA 的 PhoneBot，把旧手机挂在体外当大脑

事件： 加州大学洛杉矶分校机械与航空航天工程系 RoMeLa 实验室发布 PhoneBot，一台高 48.3 厘米、重 1.8 公斤、13 个关节的双足机器人，不算手机本体成本约 400 美元。演示里用一部 2017 年的荣耀 9 当主控，机器人能走路、跟随、拍摄、语音对话，摔倒后靠类似俯卧撑的姿势起身。

产品细节：

• 手机只是搁在躯干上，与机体之间没有一根电线。摄像头、惯性测量、感知与决策全由手机承担，运动指令通过 WiFi 发给机内单板机，再驱动 13 个舵机。
• 换"大脑"不需要改机械结构，任何一部还能跑的智能手机都能接上；摄像头、惯性单元、处理器、无线模块、电池这些占成本大头的部件由手机自带，预算被挪到关节舵机上。
• 思路有前例。2020 年英特尔实验室的 OpenBot 把手机装到轮式小车上跑通了导航，这次把验证范围推到双足站立与行走。

值得关注的原因：

• 它把双足研究的硬件门槛拆成两半，算力跟着手机换代，机械部分只留必须自己做的关节。
• 无线替代有线，代价是延迟与丢包要进控制回路。轮式底盘对此容忍度高，双足行走对指令时延敏感得多，论文给出的动作质量说明这条路可行，稳定性还得看更长的时间窗。
• 全球闲置手机是个现成的算力池，这类做法对教学实验室与低成本验证的意义，可能大于对量产整机的意义。

---

四、产业趋势总结

1. 编排层成了编码智能体的主战场。微软把"谁派活"这个问题直接拿掉，用共享仓库与消息系统让 worker 自己协调，说明模型能力之外的调度结构开始被单独拿出来做研究。
2. 价格与默认位置在同时移动。一边是最高九成的折扣换客户，一边是缓存读取占编码智能体开销的九成以上，采购的比价对象从标价变成了任务级开销。
3. 具身智能在评测与部署两端同时降门槛。灵巧手有了统一的考卷，世界模型压到单张消费级显卡，双足平台降到 400 美元上下，进入这个领域的成本比一年前低了一档。

---

五、值得持续关注的信号

• Agensh 的 token 开销与规模继续放大后的退化曲线，128 个以上的成绩目前只在单个任务上有数据；
• 腾讯 Hy-Nomas 的技术报告与第三方复现，单卡能不能跑到可交互的等待时间还没人给数；
• Microduck 圣诞前的交付兑现与硬件是否开放，2 万预订单到货之后的社区产出是更硬的指标；
• OpenAI 与 Anthropic 在企业编码场景的份额变化，Rippling 那组 16% 到 52% 的数字会不会在更多公司重复；
• 瑞典的审查结论是否被其他欧洲政府沿用，公共部门的工具准入清单正在变成采购门槛。

---

本日报基于公开报道整理，仅供参考。