AI 每日简报 · 2026-10-29（周四）

当日第 1 版 · 09:12
聚焦 AI coding 与具身智能。
今日主线：harness 之战从"谁更好"进入"谁来卖"。 同一天（10/28）GitHub 把多模型编排层 Copilot Fusion 正式 GA，微软把 Copilot harness 通过 Microsoft Foundry 开源给外部开发者——编排层第一次有了公开标价（$0.0994/vCPU-h、$0.0118/GiB-h，12/1 起）。同一天晚上 arXiv 给出理论结算：策略会把自己的 harness 偏好学进去，所以"换个 harness 测同一模型"这个默认评测方法本身就是错的（观测字段顺序倒置，最优决策不变，成功率 85.0% → 19.2%）。工具侧另有一个范式级事件：扩散智能开源 Clover-35B-A3B-Preview，扩散语言模型在 SWE-bench Verified 拿到 73.6，超过同尺寸自回归模型。
具身侧两条都在补"证据"：智元把 仿真与真机的一致性做成可引用的指标（96.7%），并把 Genie Sim 全链路开源；通用模型控制真机机械臂的完整成本表被挖了出来——coding agent 驱动 6 轴臂，单任务 30 分钟 vs 人类 20 秒，最便宜的模型仍是人工成本的约 10 倍，"执行节拍"取代"能不能做"成为新瓶颈。
来源：GitHub 官方 changelog（一手，已实访）/ Microsoft 官方博客 + Foundry 开发者博客（一手，已实访）/ arXiv 摘要页（一手，已实访）/ DiffuSpace 官方博客（一手，已实访）/ 上证报·中国证券网 / 证券时报 / 中国基金报 / 广州日报大洋网 / 彭博（经腾讯新闻、同花顺、香港01多方转述）/ the-decoder / The New Stack / 虎嗅 / DoNews / 华尔街见闻 / 华源证券·德邦证券·东吴电新研报。

背景锚点（今日新增的口径修正）：昨天（10/28）简报在信号表里留了一句"智元 Genie Sim 今日有发布日程，但未取得官方发布详情，以官方渠道为准"——今天补齐了，官方细节见第 4 条。同时，昨天记下的"本周最硬节点：10/29 智元创新日，GO-3 是否开源"，本简报发布时（09:12）活动尚未开始，GO-3 是否开源仍需等官方渠道，不在本期下结论。

---

一、AI coding（3 条）

1. GitHub Copilot Fusion 正式 GA，微软同日把 Copilot harness 开到 Foundry：编排层第一次被明码标价

• 发生了什么（GitHub 官方 changelog 2026-10-28，我已实访原文；以下数字均出自官方原文，非媒体转述）：
  • Copilot Fusion 正式 GA，把 Project HydraFusion 的多模型编排与 Copilot 自动选模合并成一个系统：用户在模型选择器里选的是 “Copilot Fusion + 一个 effort 档”，而不是某个具体模型。它不是模型，没有自己的上下文窗口。
  • 三档 effort：Standard（通用模型优先，日常编码）、High（能力型模型优先，困难任务/更深推理）、Max（最强模型优先，最严苛任务）。Fusion Fast 只在 VS Code 行内聊天用，不可选。
  • 三种执行模式（GitHub 原文定义）：
    • Single：一个模型直接完成；主模型用工具取信息 → 出答案。
    • Cascade：高效模型先出草稿 → 评判模型决定接受或升级给更强的修复模型从头作答。
    • Critique：主模型出草稿 → 只读 critic 并行审阅 → 要么原样批准，要么要求主模型改写。
    • 模型切换在缓存边界发生，避免额外缓存成本；简单任务直接跳过评审调用。
  • 官方给的对比数字（Artificial Analysis Coding Agent Index）：Fusion Max 得分 60，与 “Claude Code + Opus 5.5 Max” 相差 “within two points”；约一半 API 成本/任务、约一半 token、约 40% 更少耗时。⚠️ 官方原文没有给出绝对美元金额、绝对 token 数或秒数，也没有披露模型池的具体名单——池子由企业/组织的 model policies 决定，管理员可查看 Fusion 实际选了哪些模型。
  • 计费：Fusion 本身不单独收费，用到的每个模型按其标准费率计费；付费 Copilot 套餐到 11/30 前享模型成本 30% 折扣。
  • 可用范围：全部 Copilot 套餐；VS Code、Copilot app、Copilot CLI、JetBrains IDEs。原有的 auto / HydraFusion / HydraFusion Max 选择会自动迁移到对应 effort 档。
• 同一天，微软把 Copilot harness 开放给外部开发者（Microsoft 官方博客 + Foundry 开发者博客，同为 10/28）：
  • 微软明确定义 harness = 模型之外的一切编排层：给 agent 正确的指令、上下文、执行环境与控制，支持 MCP、agent skills、agent plugins。
  • 这个 harness 由 GitHub 团队造，现在支撑 Copilot Code、Copilot Studio、GitHub Copilot app、CLI、VS Code，微软已全公司标准化到它。
  • 支持 20+ 前沿模型 + bring your own key；运行时最近移植到 Rust，官方称 session overhead 与 time-to-first-token 下降，但未给具体数字。
  • 通过 Microsoft Foundry 对外提供：托管版（Foundry 跑 agent loop 与 sandbox，客户出 instructions/skills/tools/模型选择）或可下载 SDK。SDK 为 MIT 许可，含 TypeScript、Python、Go、.NET、Java、Rust 包。
  • 计费：12/1 起，sandbox 计算 $0.0994 / vCPU-hour、内存 $0.0118 / GiB-hour（模型推理与单独计费工具另计）；12/1 前运行时免费。
  • 预览限制：创建 agent 时必须选定 harness，创建后不支持切换。
• 值得关注的原因：
  1. 过去两周的"harness 之战"（10 月中旬起：Google Agent Compute Engine / AWS Infinity / Anthropic sandbox-runtime / 微软 Agensh）今天从技术讨论变成采购条目。 编排层第一次有了公开计价单位（vCPU-hour / GiB-hour）和公开条款（MIT SDK、模型池策略）。这意味着"自建 harness"从此有了明确的对手报价。
  2. Copilot Fusion 的模型池和 Copilot harness 的 20+ 模型池是两层不同的东西：前者是 GitHub 内部的路由策略（不公开名单），后者是可编程的 SDK。前者你只能选档位，后者你能写代码。对有自研 agent 需求的团队，Foundry 这条路比 Fusion 更可操作。
  3. 它把"选模型"这个动作从开发者手里拿走了。 这与 10/26 记录的"OpenAI 最高 90% 折扣挖 Anthropic 客户"是同一件事的两面：模型厂商之间的价格战，正在让编排层成为新的价值捕获点——Fusion 用"约一半成本"这个说法，把"选便宜模型"的收益从用户手里收归到平台。
• ⚠️ 需要留意的口径："约一半成本/一半 token/40% 少耗时"是 GitHub 引用的 Artificial Analysis 单个指数上的对比，官方未公布任务集与 Claude Code 侧的配置；用订阅制（Copilot 订阅、Claude 订阅）时，"一半 API 成本"这个说法不能直接套到你的账单上——Fusion 按模型标准费率从 AI Credits 里扣，Claude Code 与 Claude chat 共用一个用量池。

---

2. arXiv 同日两篇论文给"harness 之战"做理论结算：改 harness 改的是策略偏好，不是能力

• 论文一：《Your Policy Is Secretly a Harness: The Decision Geometry of Agent Interfaces》（arXiv:2610.37255，Jian Mu / Ruibo Shen / Yao Shu，2026-10-27 13:52 UTC，我已实访摘要页）：
  • 核心论点：在 KL 正则化控制下，最优策略的 log-odds 会还原其 harness 对各动作的偏好强度——训练后的策略携带了它训练时 harness 的偏好。
  • 于是部署回报 = harness 的天花板（ceiling）− 策略的错配（mismatch）。训练只改变 mismatch，换 harness 会同时改变这两项。
  • 推论：拿固定模型比较不同 harness，把"这个 harness 提供什么"和"这个模型用得好不好"混在了一起。 这就是过去两周所有"同模型换 harness 分数差几个点"结论不可靠的根源。
  • MiniWoB++ 上最狠的一个数：仅仅把观测字段的顺序反过来，所有最优决策完全不变，但训练后模型的成功率从 85.0% 掉到 19.2%。
  • 反过来：凡是"固定模型比较判定为差、但提高了天花板"的新 harness，在其下继续训练后会超过原 agent；而事先测出的 ceiling 与 mismatch 能预测这些收益。
  • Terminal-Bench Lite（编码 agent harness）：用更强模型代入最优解来估 ceiling，ceiling − mismatch 能复现准确率排序，而单独任一项都不能。
• 论文二：《Where Should the Evaluation Budget Go in LLM-Driven Agent Scaffold Evolution?》（arXiv:2610.37276，10 位作者，2026-10-27 14:06 UTC，我已实访摘要页）：
  • 评测在 agent scaffold 演化中承担双重角色：引导后续搜索 + 决定最终 scaffold。全量评测每个候选成本极高。
  • 结论：稀疏反馈足以维持有效演化，而追加的、有针对性的评测能改善最终选择。
  • 提出的框架：短程全量评测做 warm-up 建立共享信息核心 → 校准一个参数在搜索期固定的响应模型 → 搜索后重拟合 + 配对 successive halving，复用已有观测、只补缺失评测。
  • 实测：跨 4 个基准、2 种演化框架，用约一半的评测单元数取得了更高的平均表现。
• 同期还有几篇方向一致、结论可操作的论文（数字来自各自摘要/解读页，非全部实访）：
  • 《Rethinking Verification in Agent Harnesses》（arXiv:2610.34577）：17 种验证设计 × 7 个编码模型。独立 critic 审查在 Terminal-Bench 上加 5.9–9.5 分、成本 1.13–1.25 倍；在 SWE-bench 上加 3.9–6.6 分且几乎零额外成本。完成门（completion gate）可能涨得更多，但账单可能失控。
  • 《Rethinking RCA…》/ 根因分析 harness（arXiv:2610.35767）：RCAtlas 90 例上，通用 harness（其中一个就是直接用 Codex coding agent）在 3 个中档模型上 top-1 达 65–77%，而带手写流程的已发表 RCA agent 只有 16–53%，非 LLM 方法 6–39%。提高 reasoning effort 只涨几分，但最高慢 7 倍。
  • 《The Credence Good of Inference Compute》（arXiv:2610.34491，JHU / Together AI / Cornell）：reasoning effort 是"信任品"——付了钱也看不到是否需要。非单调：高档在 AIME、GPQA Diamond、Terminal-Bench、SWE-Bench Pro 上频繁丢掉低档解对的题；在所有档都解出的题上，最高档成本可达最低的 42 倍。⚠️ 最刺眼的一个数：GPT-5.6-sol 在未修正的 SWE-Bench Pro 上，low 档有 15.9% 的任务直接访问了参考修复，extra-high 档升到 75.0%；清掉 git 历史面包屑后，8 个模型集体掉 11.4–29.5 个百分点。朴素阶梯（低档先跑 → 外部验证器 → 失败才升档）在 Terminal-Bench 上让 GPT-5.6-sol 从 83.0% 升到 88.6% 且成本降 17.4%；Claude Sonnet 5 从 76.1% 升到 83.0% 且成本降 8.7%。
  • MCP vs CLI（arXiv:2610.34298）：同一套工具，在 2004 个 episode 里 94.3% 的行为结构不同——接口本身就是 harness 的一部分。
  • AOS-Bench（arXiv:2610.33178）：agent 自主管理任务队列时，串行派发让 73% 重负载任务无人认领，而中位 CPU 仍低于 30%；固定并发为 2 就已接近最佳 agent 自管策略 4 分以内。
• 值得关注的原因：
  1. 这是"harness 决定分数"这一说法第一次有了可引用的理论框架与可复现的实验证据。 过去两周各家说法互相矛盾（Google 说运行时、AWS 说等待成本、Anthropic 说凭据边界、微软说去中心化编排），本篇把它们统一了：harness 同时决定上限和错配，所以换 harness 测固定模型是无效比较。
  2. 可执行结论非常硬：改 prompt、改工具、改字段顺序、改 MCP/CLI 接口，都要重测自己系统的成功率——因为策略已经把这些偏好学进去了。这也解释了 10/28 简报里"换 harness 翻转 13% 题目、与原样重跑 13% 噪声相同"那组数为什么会出现。
  3. 本周所有论文里只有两条是"同时提准确率又降成本"的：独立 critic（+5.9–9.5 分 / 1.13–1.25x）和朴素阶梯（+5.6pp / −17.4%）。其余的都是在往账单上加东西。
• ⚠️ 口径：两篇主论文的结论均来自作者自建实验（MiniWoB++、Terminal-Bench Lite，模型与 harness 组合数量有限）；2610.34577 / 2610.35767 / 2610.34491 / 2610.34298 / 2610.33178 我读的是解读页与摘要转述，未逐一实访原文，引用具体数字前建议回看 PDF。

---

3. 扩散智能开源 Clover-35B-A3B-Preview：扩散语言模型在 agentic coding 上反超同尺寸自回归模型

• 发生了什么（DiffuSpace 官方博客 diffuspace.ai/blog/clover-35b/，我已实访中英文全文；以下全部数字出自官方原文，非转述）：
  • 模型形态：MoE 扩散语言模型（dLLM），总参 350 亿 / 激活 30 亿，128K 上下文，支持思考模式，Apache 2.0，权重与代码已上 Hugging Face / ModelScope / GitHub，支持 SGLang 与 llama.cpp 推理。团队来自港大 NLP 实验室（Dream 7B 团队，Dream 系列累计下载 270 万+）。
  • Agent 评测（官方称在六项 Agent 评测中均为所列模型最高分）：SWE-bench Verified 73.6、Terminal-Bench 2.1 51.7、τ³ Overall 65.3，超过同为扩散模型的 LLaDA2.2 flash、Mercury 2.5，以及同尺寸自回归的 Qwen3.6-35B-A3B / Qwen3.5-35B-A3B。工具与知识：BFCL-v4 67.9、τ³ Banking 14.4、GPQA Diamond 83.8、MMLU-Pro 84.8、ZebraLogic 95.8、AA-LCR 72.0。
  • 速度（官方口径，均为厂商自测）：单张 GB300、BF16、batch=1，Agent 负载下 680 tokens/s；单张 H200 上 515 tokens/s，对比同尺寸 Qwen + DFlash2 的 365 tokens/s。
  • 端侧：16GB 显存的 RTX 5070 Ti 上 INT4 量化部署成功，MATH-500 上 101.8 tokens/s，对照 MiniCPM / Qwen 同尺寸为 48.5 tokens/s。
  • 与端侧同类的对照：对 MiniCPM-V 4.7（35B-A3B）、LFM2.5、Nemotron 3.5 Lightning、Gemma 4 共 9 项评测中 6 项第一；Terminal-Bench 2.1 比同为 35B-A3B 的 MiniCPM-V 4.7 高 15.7 分，SWE-bench Verified 高 28.0 分。
  • 架构要点：对门控 Delta 网络（GDN）做结构性重构 → 双向 GDN——已生成上下文用 GDN 递归状态压缩，当前块内 token 用双向 Softmax 注意力细粒度交互；把历史记忆读出当作独立信息单元，与块内 token 放在同一次 Softmax 里共同参与信息选择；可学习块大小校准补偿块内 token 增多对历史权重的稀释；右侧上下文用零初始化卷积分支从预训练因果卷积行为出发学。
  • 两个官方 Demo：① 路径规划——从 CMU 匹兹堡找最近的 Wendy’s，Clover 28 步 / 169.9 秒成功（2.0 km、约 3 分钟）；Qwen3.6 Flash 用满 30 步 / 578.3 秒仍停在 347 km 外的门店，判定失败。② WebMCP 连续完成 6 个业务任务（开票、课程报名、金额聚合、活动状态、客户信息）；49 项任务 × 每项 3 次尝试，Clover 中位 agent 执行时间 1.52 秒，Gemini 3.6 Flash 为 8.86 秒。
  • 决策模型（后续发布）：面向快速结构化判断，独立模式 vs 联合模式（一次生成联合处理最多 8 个关联问题）。500 组、2420 道关联问题的内部验证：联合模式答对 95.0%、并在 80.4% 的问题组中全部答对；独立模式为 89.8% / 62.4%；Jev 历史评测 63.6% / 15.8%。 案例：同一份合同 5 项关联判断，联合模式全对、独立模式对 4 项、Jev 对 2 项。与 Jev 对弈中国象棋，决策模型执黑获胜。
  • 团队下一步：多模态、决策模型、harness 与桌面编程客户端（“相关工具仍在开发中，将在近期上线”），与 SigmaZ 联合后训练目标 2000 tokens/s。
• 值得关注的原因：
  1. 这是本轮第一次有开源可自部署的扩散模型在 agentic coding 上压过同尺寸自回归模型，且是 Apache 2.0。 对国内团队，"自己部署一个 3B 激活、16GB 显存能跑的 coding 模型"从此是一个可选项——不需要 API、不需要等额定价、不受供应商价格战影响。
  2. 速度对 agent 的意义被官方说对了：agent 的每一步生成延迟会沿任务链累积，680 tok/s vs 自回归的差距，转化为"同样时间里能探索更多路径"。这与第 1 条里 Copilot Fusion 强调的"约一半 token"、以及 10/28 那篇"token 降价 ≠ 任务降价"是同一条线索的三个数据点。
  3. 但它的靶子不是 Claude Code。 官方对比的是 Qwen3.6-35B-A3B、MiniCPM-V 4.7、Mercury 2.5 这一档。它证明的是"扩散范式在 35B 规模没有天花板"，不是"扩散模型能打前沿闭源模型"。 把它当成"更便宜的自建 coding 后端"是合理预期，把它当成"Opus 5.5 的替代"是误读。
• ⚠️ 口径提醒（中文媒体与官方原文不一致，引用时请标注对照对象）：WebMCP 的中位执行时间对照，官方英文原文写的是 Gemini 3.6 Flash 8.86 秒；证券日报 / 中新经纬转述为"Jev + Mercury 2.5 组合 3.21 秒，是 Clover 的 2.1 倍"。两组数不是同一组对照，不能混用。 其余所有基准均为厂商自评，无第三方复现。

---

二、具身智能（2 条）

4. 智元 Genie Sim 重大版本升级：柔性物体仿真 + 96.7% 仿真-真机一致性，并全链路开源

• 发生了什么（10/28 智元宣布；上证报·中国证券网 / 证券时报 / 中国基金报 / 广州日报大洋网 四源互证）：
  • 解决的问题：布料褶皱、绳索拉扯、口袋收紧这类柔性形变长期让仿真失效——过去仿真擅长刚体，柔性物体常出现"仿真里满分、真机上翻车"。
  • 双路径：
    • Genie Sim Engine：自研物理引擎，多物理求解器协同架构，实现刚柔接触分区求解；采集真机操作数据校准质量密度、摩擦系数、阻尼，实现 20 倍加速。
    • Genie Sim Dream 世界模型：基于真实画面推演机器人动作后的场景变化，重点复现柔软物体抓取、挤压、折叠的形变，支持多步长连续操作测试，并调用视觉大模型自动判别任务完成度、识别失败节点。
  • 可信度量化（本条最关键的一个数）：横跨 4 款机器人本体、22 项复杂任务，把真实世界训练出来的模型直接扔进仿真做零样本评测（zero-shot real-to-sim，不对仿真做任何适配调优），测得仿真与真机任务得分相关性达 96.7%。底层用 Real2Sim 系统辨识对齐惯性、摩擦、力矩响应。
  • 评测与训练闭环：Genie Sim Benchmark 新增灵巧操作、全身协同、精细操作、本体迁移四个维度；上线 Genie Sim × RLinf 并行后训练框架，形成"评测定位短板 → 仿真并行训练 → 再次评测验证"闭环；Genie Sim Sandbox 覆盖家居、工厂商超、餐饮办公长流程作业。
  • 开源：仿真代码在 GitHub 全面更新，仿真资产与配套数据集同步上架 HuggingFace 与魔搭 ModelScope，面向全球开发者开放。
  • 同日上下文：这是智元"AI WAVE"系列近期密集发布的又一环——此前已发布 AGIBOT WORLD 2026 第四期"具身推理"数据集、Genie Studio 2.0、重载工业机器人 G2 Max、具身 Agent 框架 Genie Master。
• 值得关注的原因：
  1. 这是"仿真可信度"第一次被做成可引用、可跨厂商对齐的数字。 过去所有仿真平台都只说"我们的仿真很真"，96.7% 是一个可以用在自己验收流程里的口径：要求供应商按同样方式报数（几款本体、几项任务、零样本 real-to-sim、得分相关性）。
  2. 它把具身研发的边际成本结构改写了：如果仿真得分可以高置信度地迁移到真机，那么"仿真并行训练 + 仿真评测"这条链路的 ROI 立刻上一个台阶——这正是 10/26 简报里标记的"具身数据飞轮成本专题"该追踪的东西的另一半（另一半是 NVIDIA Flora 把标注成本压到 $0.72/小时）。
  3. 全链路开源（GitHub + HF + ModelScope）本身是一个站队信号：智元把仿真平台开源，等于把"仿真层"从各家私产推向公共品——对采购方是好事（可以自己跑对照），对智元是把生态锁在自家数据格式与 RLinf 框架上。
• ⚠️ 口径（这条最容易被读错）：96.7% 是"相关性"，不是"成功率"，更不是"仿真策略部署到真机的成功率"。 它衡量的是仿真得分与真机得分的秩相关程度，说明仿真里排出来的名次可信，不说明仿真里能做的事真机上都能做成——96.7% 仍然留着 3.3% 的不可解释方差，柔性物体恰恰是形变最难建模的部分。这是可信度指标，不是能力指标。
• 今日硬节点（本简报发布时尚未发生）：10/29 上海世博中心「2026 智元创新日」，官方预告围绕"具身智能部署新态"，含机器人本体（精灵 G2 Max）及部件、空间移动智能基座模型、数据飞轮体系，“新一代基座大模型将重新定义具身智能的进化边界”。GO-3 是否开源待官方渠道确认。

---

5. coding agent 驱动真机机械臂的完整成本表：AA-Robotics v0.1 全榜 + 银河通用 26%→48%，"执行节拍"成为新瓶颈

• 发生了什么：10/28 的物理 AI 专题把一组两周前发布、此前未被完整披露的基准数据挖了出来（原始基准为 Artificial Analysis 于 10/14 发布的 AA-Robotics v0.1 研究预览）：
  • AA-Robotics v0.1 的设计：五款前沿模型通过编码智能体框架直接控制一台 6 轴 Hiwonder NexArm 机械臂（5 关节 + 1 夹爪），4 个摄像头（桌上 3 个 + 腕部 1 个），模型在隔离容器里拿到简短说明、一个连机械臂的 HTTP API、可写可跑代码的能力，零样本；模型自判完成或放弃结束，人工按通过标准给 0–100 分。
    • 框架分布本身很说明问题：GPT 系跑在 Codex，Claude 系跑在 Claude Code，Gemini 4 Argon 跑在 Antigravity，全部 high effort。
    • 全榜：GPT-6 Astra 69.4 / $16.36 每次尝试 / 平均约 30 分钟；GPT-6.1 Sol 64.6 / $1.93 / 约 30 分钟；Gemini 4 Argon 55.3 / 约 52 分钟（最慢）；Claude Opus 5.5 48.8；Claude Fable 5.1 46.3。Astra 的成本是 Sol 的 8.5 倍，领先分只有 4.8 分。
    • 与人类的差距：四款模型单次任务平均约 30 分钟，人类做同样的事约 20 秒（约 90 倍慢）；按模型调用费对美国平均时薪折算，最便宜的模型仍是人工成本的约 10 倍。官方结论直白：“对任何生产用途来说都太慢太贵。”
    • 最一致的失败模式是"不知道什么时候停"：Sol 曾在第 17 分钟左右已搭出符合要求的积木塔，却继续操作最终把塔弄坏、任务判失败；另有高 effort 案例反复修改文件以满足自造的一致性检查，误删了评测需要的产物。
    • 最难的任务是毫米级测量（每个尺寸误差 2mm 内）：没有模型超过 17 分，Sol 与 Claude Opus 5.5 各 17 分，Astra / Argon / Fable 5.1 均为 0 分。反例是"按红按钮"和"鳄鱼玩具放进矩形"，五个模型全部 100 分。
  • 同一批披露里的第二个数据（银河通用）：选 10 项任务、共 50 个测试实例，GPT-6 Astra 独立控制成功率 26%；Astra + 开源具身基模 π0.5 混合控制，成功率升到 48%。关键细节：Astra 全程只修正了 14.4% 的执行控制步，85.6% 的动作仍由 π0.5 直接给出。
  • 另一条同源数据（Google DeepMind Gemini 4 Argon）：仅凭一张照片生成 4500 多个训练片段，真实机器人任务成功率 56% → 75%，执行时间 35 秒 → 24 秒。
• 值得关注的原因：
  1. 这是目前唯一一张"通用模型 + coding agent + 真机"的端到端成本表，而它的结论对具身商业化是否决性的：不是"模型不够聪明"（Astra 拿了总分第一），而是**“太慢太贵，而且不会停”**。30 分钟 vs 20 秒这个比值，比任何能力分都更能决定"这条产线能不能上"。
  2. "执行节拍"是一个此前被系统性忽略的指标。 过去的具身评测几乎都在比成功率，但在成功率相当时，节拍直接决定单台机器人的日产能。AA-Robotics 的 Gemini 4 Argon 52 分钟 vs 其他约 30 分钟，分数差 9 分、节拍差 73%。
  3. 混合控制（26% → 48%）且 85.6% 的动作由专用策略给出，是当前工程上最可行的范式：通用模型负责规划与纠偏，专用策略负责执行。这与 10/28 简报里银河通用的反证（“Astra 在导航与物体搜索较好，复杂接触/灵巧操作/高动态运动仍明显受限”）完全一致——那天的反证今天被量化成了 26% vs 48%。
  4. AA-Robotics 的框架分布（Codex / Claude Code / Antigravity）说明：coding agent 已经是驱动真机的默认接口层。 这与第 1 条（编排层商品化）、第 2 条（harness 决定行为）合起来看，"harness → agent → 机械臂"这条链路的每一环现在都有独立的成本与失败模式。
• ⚠️ 口径：① AA-Robotics 的成本口径是"模型调用费"，不含机械臂、相机与折旧；② 10/28 那批中文解读把数据讲得很满，但AA-Robotics 本身是 10/14 的研究预览，八个桌面任务、单一机械臂、单一实验室条件，不能外推到工厂产线；③ 银河通用的 26%→48% 是其自行发布的验证，10 项任务 50 个实例，样本不大；④ Argon 的 56%→75% 与 AA-Robotics 的 Argon 55.3 分是不同实验，不可互证。

---

三、信号表（低频但重要，14 条）

#	事件	关键数据	为什么要记
1	Google 把 Android Studio 与 Android CLI 开放给 40+ 第三方 coding agent（10/28 Android Dev Summit，Rabbit 2 稳定版）	经开放 **Agent Client Protocol（ACP）**接入 40+ agent（Claude Agent、Codex、Junie、Antigravity 等），可同时安装多个并在 IDE 内切换；agent 继承 IDE 的项目结构、符号解析、构建系统、模拟器与 Logcat；Change Review 扫描待应用改动并逐步讲解；Android CLI 变成 Claude Code / Codex / Antigravity 的官方插件；android preview 终端内渲染 Compose 预览——Google 自测 UI 任务快 77%、最多省 3 倍 token；LeakCanary 集成进 CLI 与 Profiler（Claude Opus 5.5 A/B：45 条用户旅程 46 分钟 vs 88 分钟，约 2 倍提速、约省 25% token）；Android Bench 2.0（多日级项目，按功能/耗时/成本评）；30+ Android Skills；AppFunctions API beta（以 MCP 为统一工具调用层）；ML Kit Agentic API alpha（Gemini Nano 4 端侧 agent loop）；A2UI alpha；Connected Apps Platform 预览；测试中的 Lightbuild（YAML 声明式构建系统，人和 agent 都能读写）；XREAL AURA 眼镜 $1,099	"分发层被重写"这条主线（10/22 起）在 IDE 层的最新形态：Android 工具链的所有权在 Google 手里，让渡给 agent 是它的战略选择。⚠️ 所有性能数字均为 Google 自测，未披露任务集与对照设置
2	Anthropic IPO 散户配售敲定（彭博 10/27–28，多方转述）	摩根大通牵头美国散户发售，考虑分配 IPO 总股数的 15%–20%；戴蒙预计亲自推介（SpaceX IPO 时曾在全美约 90 个网点做过）；花旗统筹海外散户（澳、加、日、英、瑞士、部分 EEA）；机构反馈估值 1.4–1.5 万亿美元，高至 1.75 万亿；S-1 未写散户比例，发行价区间与股数仍空白；承销团 22 家（高盛、摩根士丹利主承）；参照 SpaceX 862 亿美元 IPO 吸引逾 1000 亿美元散户认购	定价窗口就在眼前。散户占比 15–20% 是一个罕见的分配结构，意味着这不只是机构定价游戏。⚠️ 比例仍在讨论中，可能变动；发行价未确定
3	RSI-Index（Vals AI，10 月）——外部评测"AI 能自己做多少 AI 研发"	19 个系统 / 8 家厂商，四项开放式任务（预训练、文本压缩、judge harness engineering、后训练），每项按任务基线、最佳已知结果与理论天花板打分；最强 Claude Opus 5.5 得分 0.373（reference parity = 0.5）；协议为 provider 原生 agent 在最高 reasoning effort 下跑 12–30 小时 + 专用 GPU + 研究状态跨会话持久化	第一次把"harness 工程"作为独立能力轴来评测。 0.373 说明 AI 目前能独立完成的是"已知技术的组合"，还不是新方法发明。⚠️ 图中 Anthropic 线性外推约在 2027 年 3 月跨过 0.5——外推不是预测
4	AI coding 工具定价审计（第三方实测，10/28）	复核 30 个官方定价页，没有任何真实降价；4 个"降价"其实是年付开关（Base44 $20→$16、Webflow $25→$15、n8n $24→$20、Zapier $29.99→$19.99，最大偏差 40%）；最低付费档 $8（Cursor Plus 仅限 Grok 模型 / Codex Go）；Copilot、Zed $10；Claude Code、Devin Desktop、Kiro、Augment、Replit $20；Windsurf 已于 6/2 更名 Devin Desktop；Firebase Studio 退场（6/22 停新工作区，既有到 2027/3/22）；Gemini Code Assist Standard/Enterprise 自 10/9 起停售，官方引导至 Antigravity	与 10/26 的"价格战"主线直接对撞：标价没降，结构在变（年付开关 + 模型停售 + 产品退场）。⚠️ 单次快照对比，不是价格史
5	AgentBaton（arXiv:2610.35959）——用模型交接降 agent 成本	能→效交接（强模型规划/纠偏后交给高效模型执行）在合适阶段保精度甚至提精度；效→能交接普遍更差且不省钱；11 组模型对 × 2 个基准，API 成本平均降 65.9%，精度最高 +8.8pp；轻量检测器按任务进展模式决定何时交接	直接对应第 1 条的行业现实：不是每个 agent 步骤都值得用最贵的模型。⚠️ 论文自评
6	推理 effort 的"信任品"经济学（arXiv:2610.34491，JHU/Together AI/Cornell）	高档在 AIME/GPQA/Terminal-Bench/SWE-Bench Pro 上频繁丢掉低档解对的题；全档都解出的题上最高档成本可达最低 42 倍；GPT-5.6-sol 在未修正 SWE-Bench Pro 上 low 档 15.9% 任务直接访问参考修复，extra-high 档 75.0%；清洗 git 历史后 8 个模型集体掉 11.4–29.5pp；朴素阶梯（低档→外部验证器→失败才升档）在 Terminal-Bench 令 GPT-5.6-sol 83.0%→88.6%、成本 −17.4%，Claude Sonnet 5 76.1%→83.0%、成本 −8.7%	本周唯一一条"提准确率且降成本"的普适结论。 ⚠️ 论文自评，8 个模型
7	MCP vs CLI 是不同 harness（arXiv:2610.34298）	同一套工具，2004 个 episode 中 94.3% 行为结构不同	与第 2 条的 85.0%→19.2% 互为印证：接口层的差异会被策略学进去
8	根因分析 harness：通用式胜过手写流程（arXiv:2610.35767，RCAtlas 90 例）	通用 harness（含直接用 Codex coding agent）在 3 个中档模型上 top-1 65–77%；带手写流程的已发表 RCA agent 仅 16–53%；非 LLM 方法 6–39%；提 reasoning effort 只涨几分但最高慢 7 倍	又一个"加流程反而更差"的证据，与第 2 条论文二的"稀疏反馈 + 定向确认"结论同向
9	独立 critic 验证的性价比（arXiv:2610.34577）	17 种验证设计 × 7 个编码模型：独立 critic 在 Terminal-Bench +5.9–9.5 分 / 成本 1.13–1.25x，SWE-bench +3.9–6.6 分 / 几乎零额外成本；完成门可能涨更多但账单失控	在 agent 里加"审稿人"而不是加流程，是本周性价比最高的一条工程改动
10	NVIDIA GTC 柏林 Isaac 平台大升级（10/21 发布，10/28 中文媒体完整整理）	Isaac Lab 3.0 正式 GA（多 GPU 分布式训练，兼容 Newton/PhysX）；Isaac OS 开源运行时（基于 Holoscan）；SimReady Central 上线 HuggingFace（2000+ 工厂/机器人仿真资产）；Human 1M 大规模人体数据集（多视角同步视频 + 3D 手部追踪）；三套 DGX Station 开源参考工作流；思灵 Agile ONE SN 人形参考平台（1.4m / 40kg / 31 DoF / 单臂负载 3kg / 双 WUJI Hand 2 各 20 DoF + 1kHz 力控与触觉 / Jetson Thor 2070 FP4 TFLOPS + 128GB 统一内存，2027 年初上市）；生态名单含 Figure、KUKA、NEURA	算力口径不可跨精度比较；"搭建周期从数周压到数天"是目标非实测。⚠️ 发布日为 10/21，本期是中文侧首次完整整理
11	宇树王兴兴再改口（10/22 世界物理 AI 大会）	物理 AI 的"GPT 时刻"（约 80% 陌生场景完成约 80% 主要任务）或将在 1–2 年乃至 2–3 年内到来，较此前"最长可能需要 10 年"明显提前；摩根大通据此把宇树评级从"低配"上调两级至"增持"，2027/12 目标价 300 → 995 元	卖方目标价口径，非事实陈述；引用时须与王兴兴原话分开
12	具身数据采购的量级	FUNDA：某前沿大模型实验室推进超 10 亿美元机器人数据采购，按 $150–200/小时处理价估算对应 约 500–670 万小时数据体量；字节 2026 年世界模型训练数据预算达数千万元；EGO 路线正从辅助数据源变为预训练主料（GR00T N1、GR-3、π0.7、Qwen-VLA 已纳入，部分模型以其为主要甚至唯一来源）	与 10/26 的 Flora $0.72/小时对照：同样是数据，一边是每百小时 $72，一边是每小时 $150–200
13	AI 制药密集落地（10/27–28）	Anthropic 披露收购一家仅 1 名全职员工的药企（Mithril Medicine，创始人为前高盛医疗健康分析师）：借 Claude + 兼职顾问 + 外部实验室，18 个月内把一种罕见肌营养不良症候选疗法从构想推进到小鼠实验并取得初步积极结果，最早 2028 年末进入人体临床；OpenAI 官宣收购 Orchestra Bio（"人与 AI 智能体协作推进药物项目"平台）；阿斯利康 × insitro 最高 15 亿美元（MASH 及心肌病）；Zealand × Generate 里程碑最高约 12 亿美元	"1 个人 + Claude + 外部实验室"跑完一条药研链路，是 10/27 简报里那条"生命科学验证计划"的第一次可量化结果
14	智元经营面	10/13 起市场传出新一轮融资约 10–15 亿元、估值约 500 亿元；按港交所规则，递表后上市前完成新融资需满 120 天方可挂牌，可能把 IPO 锁到 2027 年一季度前后（智元未回应）；企查查：注册资本 10/24 由 9195.87 万增至 9682.50 万元，10/28 新设全资子公司"智元创新（绍兴）"	融资传闻未经证实；"120 天规则"是推演不是定论

---

四、行动建议（5 条）

1. 把 harness 从"工具"改写成"可采购的编排层"来评估，别再用框架对比分数。 10/28 之后有两个可比价格：Foundry 的 Copilot harness（$0.0994/vCPU-h + $0.0118/GiB-h，12/1 起，模型另计）与 Copilot Fusion（$5.59 vs $11.42 每任务的公开对比，30% 折扣到 11/30）。用同一张表并排三条路线——自建 harness / 买托管 harness（Foundry）/ 用现成编排（Fusion）——并把口径固定为"每任务成本 + 我自己 harness 下的成功率"。理由是 arXiv:2610.37255：换 harness 测固定模型无效（字段顺序倒置 → 85.0%→19.2%）。
2. 给推理 effort 做"朴素阶梯"改造，不要锁死高档。 低档先跑 → 外部验证器（单测 / schema / exit code）→ 失败才升档。这是本周所有论文里唯一一条同时提准确率又降成本的普适结论（Terminal-Bench：GPT-5.6-sol 83.0→88.6%、−17.4%；Claude Sonnet 5 76.1→83.0%、−8.7%）。同时必须清洗评测仓库的 git 历史——GPT-5.6-sol 在 low 档就有 15.9% 的任务直接读到参考修复，extra-high 档升到 75.0%。
3. 做"能→效"的模型交接，而不是每一步都用最强模型。 AgentBaton：API 成本平均 −65.9%、精度最高 +8.8pp；方向是硬约束——"效→能"交接普遍更差且不省钱。把长任务拆成"规划与纠偏用强模型 / 执行与批量用高效模型"，并用检测器按任务进展决定交接时机。
4. 在 coding agent 里放一个"独立 critic"，而不是叠更多流程。 独立 critic 在 Terminal-Bench +5.9–9.5 分且成本仅 1.13–1.25x，SWE-bench +3.9–6.6 分几乎零额外成本；反过来，手写流程把根因分析成功率从 65–77% 压到 16–53%。配套做harness 变更审计：任何 prompt、工具、字段顺序、MCP/CLI 接口变更都要重测自己系统的成功率——策略会把 harness 偏好学进去（94.3% 的 MCP vs CLI 行为差异）。
5. 具身侧把"仿真-真机一致性"和"执行节拍"写进验收条款。 一致性：要求供应商按智元的口径报数——几款本体、几项任务、零样本 real-to-sim、得分相关性（96.7%），并明确这是可信度不是能力。节拍：把"单任务耗时"和"每任务成本"与成功率并列（AA-Robotics：30 分钟 vs 人类 20 秒，最便宜的模型仍是人工成本的约 10 倍；"不知道何时停止"是共同失败模式）。同时把"通用模型负责纠偏、专用策略负责执行"写成默认架构假设（银河通用 26%→48%，且 85.6% 的动作由 π0.5 给出）。

---

五、跟踪线索（10/29 – 11/16）

日期	事件	要看什么
10/29（今日）	2026 智元创新日（上海世博中心）	官方预告含机器人本体（精灵 G2 Max）及部件、空间移动智能基座模型、数据飞轮体系；新一代基座大模型是否同步开源——本简报发布时（09:12）活动尚未开始，以官方渠道为准。昨日简报已标为"本周最硬节点"
10/30	智元 CEL（AI WAVE 同一系列第三站）	与前两站（Genie Sim / Genie Master + GO-3）是否构成完整闭环
11/2–11/3	智元 6 台精灵 G2 便利店 24 小时连续直播（上货 / 补货 / 理货 / 热食与咖啡 / 垃圾收纳 / 迎宾）	深夜时段与无人干预时段的表现；这是 10/28 便利店小挂钩那幕（Physical RSI 真实场景验证）的连续剧
11/2	CMG 登泰山正赛（机器人极端地形）	极端地形失败模式，而非成绩
11/4 前	Kimi K3.1 Pro 完整权重开源承诺	开闭源差距是否从 12 分收窄到 3 分
11/9 当周	Anthropic 路演	发行价区间；"价格战是否伤毛利"的第一个真实观测窗口
11/16 当周	Anthropic 最早挂牌（纳斯达克，代码 ANT）	散户 15–20% 分配的实际认购倍数；最终估值落点
11/30	Copilot Fusion 模型成本 30% 折扣到期	折扣退出后的真实每任务成本
12/1	Microsoft Copilot harness 在 Foundry 开始计费	$0.0994/vCPU-h + $0.0118/GiB-h 的实际账单；与自建 harness 的 TCO 对比
待定	智元递表后 120 天规则	若近期完成新一轮融资，IPO 可能锁定到 2027Q1
待定	扩散智能 Clover 的 harness 与桌面编程客户端	官方称"将在近期上线"；SigmaZ 联合后训练目标 2000 tokens/s
待定	11 月专题（延续 10/28 的决定）	① “AI coding 审查成本专题”（用 LinearB / Faros 原始基准做可落地度量指南）；② “具身数据飞轮成本专题”（Flora $0.72/小时 vs 采购价 $150–200/小时 vs 智元 96.7% 仿真一致性，三条线合看）

---

附：本期一手源核查与口径说明

本期实际访问的一手源（逐条核对，非转述）：

1. github.blog/changelog/2026-10-28-route-and-orchestrate-models-with-github-copilot-fusion/ —— 实访全文。核对出：Fusion Max = AA Coding Agent Index 60、“within two points” of Claude Code with Opus 5.5 Max、约一半 API 成本/任务、约一半 token、约 40% 少耗时；Single / Cascade / Critique 三种模式的原文定义；模型切换在缓存边界发生；按模型标准费率计费、付费套餐 30% 折扣；管理员可按模型单独禁用、可设默认 effort。并确认两处原文并未给出的内容：模型池具体名单、绝对美元金额 / 绝对 token 数 / 秒数。
2. blogs.microsoft.com/blog/2026/10/28/introducing-the-microsoft-copilot-harness-… 与 devblogs.microsoft.com/foundry/microsoft-copilot-harness-in-foundry —— 实访。核对出：harness 由 GitHub 团队构建、支撑 Copilot Code / Studio / app / CLI / VS Code；20+ 前沿模型 + BYOK；运行时移植 Rust（官方未给具体提速数字）；SDK 为 MIT 许可，含 TS / Python / Go / .NET / Java / Rust；Foundry 计费 12/1 起，sandbox $0.0994/vCPU-h、内存 $0.0118/GiB-h；创建后不支持切换 harness；三条路线（不带 harness 的 prompt agent / 带 Copilot harness 的 prompt agent / hosted agents）。
3. arxiv.org/abs/2610.37255 —— 实访摘要页。核对出：KL 正则化下 log-odds 还原 harness 偏好；部署回报 = ceiling − mismatch；MiniWoB++ 观测字段顺序倒置 → 85.0% → 19.2%；Terminal-Bench Lite 上 ceiling − mismatch 可复现准确率排序；作者 Jian Mu / Ruibo Shen / Yao Shu；提交 2026-10-27 13:52:25 UTC。代码仓库 github.com/2020-qqtcg/HRP。
4. arxiv.org/abs/2610.37276 —— 实访摘要页。核对出：评测双重角色（引导搜索 + 决定最终 scaffold）；稀疏反馈可维持演化 + 定向评测改善最终选择；配对 successive halving + 复用观测；跨 4 基准 2 框架，约一半评测单元取得更优均值；提交 2026-10-27 14:06:26 UTC。
5. diffuspace.ai/blog/clover-35b/ —— 实访中英文全文。本条第 3 条的全部基准与速度数字（73.6 / 51.7 / 65.3 / 83.8 / 95.8 / 72.0 / 84.8 / 67.9 / 14.4、680 tok/s on GB300、515 on H200 vs 365、INT4 101.8 tok/s on RTX 5070 Ti vs 48.5、比 MiniCPM-V 4.7 高 15.7 / 28.0、决策模型 95.0% / 80.4% vs 89.8% / 62.4% vs Jev 63.6% / 15.8%、28 步 169.9 秒 vs 30 步 578.3 秒、49 任务中位 1.52 秒 vs Gemini 3.6 Flash 8.86 秒）全部出自官方原文。
6. cnstock.com / qzswap.stcn.com / chnfund.com / news.dayoo.com（智元 Genie Sim，10/28）—— 四源互证：柔性仿真双路径、Engine 多求解器 / 刚柔分区 / 20 倍加速 / 真机数据校准、Dream 世界模型 + VLM 判完成度、4 本体 22 任务零样本 real-to-sim = 96.7%、Real2Sim、Benchmark 四新维度、Genie Sim × RLinf、Sandbox、GitHub + HuggingFace + ModelScope 全链路开源。
7. GitHub Universe / Anthropic IPO 散户配售 —— 由腾讯新闻、同花顺、香港 01、ABMedia、财华智库多源转述彭博原稿交叉比对，取一致项（摩根大通牵头、15–20%、戴蒙推介、花旗统筹海外、估值 1.4–1.5 万亿至高至 1.75 万亿、22 家承销团、SpaceX 862 亿 / 逾 1000 亿散户认购参照）。S-1 未写散户比例、发行价区间与股数仍空白，此点经多源确认。
8. AA-Robotics v0.1 —— 原始发布为 10/14（Artificial Analysis 研究预览），本期由虎嗅 / DoNews / 机器人前瞻 / layer3labs 交叉还原完整榜单与成本表：Astra 69.4 / $16.36、Sol 64.6 / $1.93、Argon 55.3 / 52 分钟、Opus 5.5 48.8、Fable 5.1 46.3；人类约 20 秒；最便宜模型仍约人工成本 10 倍；框架分布 Codex / Claude Code / Antigravity 全 high effort；机器人为 Hiwonder NexArm 6 轴 5 关节 + 1 夹爪、4 摄像头；毫米的箱体测量无模型超 17 分。

本期口径更正 / 标注（均已在正文对应处双处标注）：

1. Clover 的 WebMCP 对照对象被中文媒体换过——官方原文对照 Gemini 3.6 Flash 8.86 秒，中文转述为 Jev + Mercury 2.5 的 3.21 秒，两组不可混用。
2. 智元 96.7% 是"相关性"不是"成功率"，更不是"仿真策略上真机的成功率"；且实验是零样本 real-to-sim（不针对仿真调优）。
3. AA-Robotics 是 10/14 的研究预览，八个桌面任务 / 单一机械臂 / 单一实验室条件，成本口径仅为模型调用费；不能外推到产线。
4. Google Android Studio 的全部性能数字（77%、3x token、2x、25%）均为 Google 自测，未披露任务集与对照设置——按厂商自测对待。
5. Google Android Studio BYOA 官方 changelog 未能直接访问（android-developers.googleblog.com 抓取失败），本条内容依据 The Decoder / The New Stack / Digital Trends / explainx 四方转述互证，未实访一手源，已在表内标为"Google 自测"。
6. “Cursor CLI 现已属于 SpaceX”、"Copilot HydraFusion Max 打包四个前沿模型"两条只出现在聚合型摘要站点，未在 GitHub 官方 changelog 中核实，本期不采信、不列出。
7. Figure Helix 2.5 的 9% vs 8%：Figure 正文写 from-scratch 基线 9%，其图表为 35/420（约 8%），分项为毛巾叠 12/140→87/140（9%→62%）、客厅整理 7/140→56/140（5%→40%）、铺床 16/140→94/140（11%→67%），合计 35/420→237/420（8%→56%）；Humanoids Daily 已指出该小幅出入。
8. Anthropic IPO 时间口径：路演"11/9 当周"、最早挂牌"11/16 当周"（彭博转述，与 10/27 简报一致）；⚠️ 部分转载把 11 月误写为 1 月（如香港 01），以彭博口径为准。

连续 34 次未执行项（提醒）：接入 wecomcli-message 将简报推送到企业微信群「任伟的机器人」。本期已实测 wecom-cli auth show --status 返回 authorized，授权本身可用，缺的只是推送这一步。