ARTICLE · 1220689
AI 每日
AI 每日主线：今天的增量不在"更大"，而在"补最短的那块板"——OpenAI 把评测搬进 COBOL/Fortran，Chrome 与 Cursor 各补"验证"一环，Eka 绕开人类示范改用仿真自博弈 + 力觉，梁文锋不造本体先买"身体、大脑、小脑"。能力不再靠堆数据换，靠补上缺的那一层。 10/19（美东）OpenAI 称已增强 GPT-6 Astra 等模型在 COBOL、Fortran、Visual Basic 等低资源语言上的构建与迁移能力，并放出两套自建评测。MultiLangBench 要求用 20 种语言从零写出兼容 SQLite 的数据库引擎，测试集改编自 SQLite 自带套件：
最高推理强度下 Astra 在 19/20 语言超 83%；更便宜的 GPT-6 Luna 平均 40.3%，单样本成本约 3.48，低约 78%。 COBOL 迁移评测：迁到 C++/Java/Kotlin/Python/Rust，隐藏测试要求可观测输出逐字节一致、全部通过才算成功。GPT-6.1 Sol 低推理强度下 86.6%（同档 GPT-5.6 Sol 仅 5.4%），成本为其 61%；更高推理强度达97.9%。 背景：COBOL 支撑 40%+ 网上银行、80% 线下刷卡、95% ATM，Fortran 用于天气预报与核反应堆安全分析。这类系统文档不全、原作者离场，"重要业务规则只存在于代码里"。最难处：COBOL 定点运算默认截断小数位，改写时顺手四舍五入，程序能跑、单测能过，但财报数字会错。 为何值得关注：① 付费主场从"写新代码"移到"迁旧系统"——银行、保险、政府的主机系统是几十年一直推迟、没人手干的存量工程，预算明确、期限明确、失败代价明确。② 验收标准变了：考的不是"单测通过"而是"行为等价"，模型能跑通但改掉了没人写下来的隐含语义；谁把"行为等价"做成可自动检验的关卡，谁就拿到市场。③ 跨语言能力成新战场，主流基准几乎全是 Python/JS，COBOL 类语言的短板被系统性忽略两年，MultiLangBench 是少见的、不依赖人写测试的横向可比口径。 冷水：两套基准均由 OpenAI 自设计，尚无第三方复现；97.9% 只是迁移任务准确率，不含业务规则梳理与上线运维，生产环境仍需专家审查。20 语言平均 87.4% 与前代 26.8% 在不同信源有 26.8%/38% 两种口径，以原报告为准。 chrome-devtools-mcp 从实验转正式（v1.11.0，Apache-2.0，GitHub 5.39 万星，附 7 个 skills），Claude Code、Cursor、Copilot、Antigravity 可直接控制检查真实 Chrome 实例。三块能力：性能（录 trace、提可执行优化建议，可接 CrUX 取真实用户数据）；调试（网络请求与响应、截图、控制台消息与 source map 堆栈、元素命中的 CSS 规则，含 Lighthouse 可访问性/SEO 审计）；自动化（Puppeteer 基础，动作后等结果而非盲等，支持点击、填表、模拟移动端视口与弱网）。Claude Code 可 /plugin marketplace add ChromeDevTools/chrome-devtools-mcp 一次装好 MCP + skills；Chrome 144+ 支持 --autoConnect 附挂已运行的浏览器会话——等于 agent 能看到该 profile 已登录的所有窗口。 为何值得关注：① 前端 agent 闭环补上最后一环。过去 agent 改完代码，"打开页面、复现、截图、贴回报错"始终由人做，现在它能自己复现、自己取证、自己判断"是否真修好了"，前端这类强依赖运行时证据的活收益比后端更直接。② 它把"证据"变成 agent 的输入——console 报错、失败请求、性能 trace 原本是人读的东西，现在成了模型可直接消费的结构化上下文，比再叠一层提示词有效得多。③ 风险也变成默认项：官方明确提示浏览器内容对 MCP 客户端完全暴露、可读可改，--autoConnect 等于交出登录态，企业放开前该先定权限与 profile 隔离，而非模型选型。 冷水：只保证 Chrome 与 Chrome for Testing，其他 Chromium 内核不保证，跨浏览器仍需 Playwright MCP；所有能力只是"告诉 agent Chrome 看到了什么"，判断对错仍靠模型。 cursor/plugins 仓库上周末冲上 GitHub 日榜（一天 15 次提交、12,705 星）。关键不是某个插件，而是 .claude-plugin/marketplace.json——owner 是 Cursor，邮箱 plugins@cursor.com，向 Claude Code 插件市场暴露了 origin-apps 与 pstack。PR#709给 pstack 加了 /create-formal-verification-skill，正文由 Cursor 自己的 agent 撰写，开头点明：测试只覆盖了"有人想到要写"的情况，竞态、重试、状态机、解析器、unsafe 代码往往死在没人写的那条路径上。 做法值得抄：挑仓库里最贵最痛的那个不变量（而非最好验证的）→ 选验证工具并说明理由 → 只验证一条性质 → 故意构造改坏的版本证明该性质确实会失败 → 写成本地 skill 让下一个 agent 一条命令重跑，并区分"真 bug"与"建模错误"；明确禁止为让检查通过而弱化性质或模型。背景：Android 上周也把 skills 发进 Claude Code 与 Codex 市场；第三方目录已收录 2.36 万 skills、2,700 marketplace、1.28 万 MCP 服务器。 为何值得关注：① 卖 harness 的公司，在对手的包管理器里铺货。Cursor 与 Claude Code 是直接竞品，却选择把"怎么用 agent"以 markdown 分发到 Anthropic 的市场里——结论很清楚：skill 文件已是分发单元，harness 只是运行环境，护城河从"我的编辑器"退到"我定义的工作方法"。② 它接上本周另一条线：评审与验证成了瓶颈。有人用 git hook 在推送前按 diff 出题考作者，有团队因 agent 代码审不过来而推迟发版，vLLM 说 agent 写 kernel 的速度已超过人类评审；应对不是"少让 agent 写"，而是"让 agent 自己造验证器，并把证据留给下一个人"。③ 落地建议：与其维护"代码规范"，不如给仓库里最贵的那条不变量写一个可一键重跑的验证 skill，比文档更能约束 agent，也比人评审更便宜。 冷水：形式化验证覆盖的是一条性质，不等于全仓库正确；skill 至今没有平台级有效性评测（被调用 500 次不代表 500 次都对）；跨 harness 可移植性仍靠 markdown 约定，不是标准。 10/20 Eka 宣布完成 1.5 亿美元 A 轮，投后估值 14.5 亿美元，a16z 与 Fidelity 旗下 F-Prime 联合领投，Obvious Ventures、E14 Fund 跟投，MFV、Bison、Glasswing、三星 Next 等参投。创始人 Pulkit Agrawal（MIT 教授，Improbable AI Lab 主持，SafelyYou 联创）、Tuomas Haarnoja（Soft Actor-Critic 共同作者，前 DeepMind），团队来自 MIT、Berkeley、DeepMind、Boston Dynamics、CMU、Oxford。 路线与主流相反。Physical Intelligence、Skild AI 走模仿学习：遥操几万次再让模型学录像，数据规模本身即护城河（PI 传 10 亿美元融资、110 亿估值，Skild 140 亿）。Eka 不用人类示范：物理仿真里让机器人自己拿起、掉落、重试上百万次，走 AlphaZero 式自博弈；再叠加主流机器人没有的指尖力反馈，模型是"视觉-力-动作（VFA）"而非"视觉-语言-动作（VLA）"。 公司口径：未见物体抓取 1,500 次/小时（人类基线约 600），成功率超 95%，同机可拧灯泡、插线、给散落乐高按色分类；夹爪成本低于 1,000 美元、额定 500 万次循环（工业臂 2,000 万次）。WIRED 称早期版本是"物理世界的 ChatGPT 时刻"，a16z 的 Raghu Raghuram 称其是"第一个真正解决泛化与吞吐的操作方案"。 为何值得关注：① 估值开始给"路线"定价而非给"演示"定价——同一周里模仿派拿百亿级估值，自博弈派拿 14.5 亿，分工派靠几百个专用程序做物流。三种教法成本曲线完全不同：模仿派边际成本随数据量线性上升，自博弈派随算力下降，这条分歧最终决定谁能规模化。② 力觉是 VLA 的结构性缺口：视频里没有力，纯视觉模型永远学不到"捏溏心蛋用几牛顿"；接触密集的活（插线、拧螺丝、装配、叠衣服）占制造业与家政绝大部分工时，这层补上，泛化才谈得上。③ 对国内"数采工厂"路线是直接冲击：若仿真 + RL 在接触密集任务上真过了 sim-to-real 这道坎，"建多少数采中心、雇多少人遥操"的重资产投入就要重新算账。 冷水：1,500 次/小时、95%、"sim-to-real 坎正在消失"全是公司自报，未经第三方在非结构化仓库复现；过去十年 sim-to-real 在接触密集任务上反复失败，Eka 只给了自家数据；单臂 + 两指夹爪不是人形，"通用操作"仍被限定在分拣、插装、上料这类工位。 彭博 10/20 披露，DeepSeek 拟领投 Winverse AI 种子轮数千万美元，投后估值约 4 亿美元，美团龙珠资本跟投。Winverse 成立仅数月、产品未亮相，创始人胡瀚——前腾讯混元多模态大模型负责人，今年 7 月离职，Swin Transformer 共同第一作者兼唯一通讯作者（ICCV 2021 马尔奖），方向从视觉基础模型延伸到 VLM 与具身基础模型。配合另外两笔，三层结构成形： 身体 ：8 月以约 1.41 亿元参与宇树科技 IPO 战略配售，锁定 36 个月并签联合研发备忘录——买的是大量真实机器人这一稀缺的物理数据入口。 大脑（感知认知） ：胡瀚，解决"机器人怎么读懂世界"。 小脑（运动控制） ：10/18 传 DeepSeek 正接触前逐际动力俞涛的创业项目（LLM + 具身，两轮估值约 7,000 万 / 2 亿美元），俞涛在逐际从零搭过 motion mimic 与全身跟踪系统 System 0。 反差在于：梁文锋 7 月在四小时投资人会上把 AGI 分成六阶梯，当时明确说"世界模型不是现阶段最重要的事"，具身是最后要啃的"苦活"，三个月后钱先到了。触发点很可能是 GPT-6 Astra：它在 RoboDojo 的 42 项操作任务、2,100 次测试中未经微调直接当动作策略，平均成功率 22.48%，超过评测里的 40 个公开机器人策略——这是"LLM 能在具身 S2（思考规划）层起作用"的第一份公开证据，哪怕绝对值只有 22%，方向被验证了。 为何值得关注：① 模型厂不造整机、只买三层能力，是当前最省钱的入场方式。对照 OpenAI 自建本体（2027 演示）、Eka 自建 VFA，中国这条路径是"分层投资 + 生态绑定"：不碰硬件良率与产线，先占住"大脑"这个技术壁垒最高、最依赖大模型能力的环节。② 它把行业结构推向"少数大脑 + 多数身体"——一旦模型厂能提供足够好的 S2 层，本体厂议价权会像手机代工一样往下走，对本体厂来说"买大脑"正在变贵。③ 中国可能出现自己的"Astra + π"组合：海外是通用大模型规划 + 专用 VLA 操作闭环，国内若走成"DeepSeek V4 + 所投企业的本体与 VLA"，会是一条同构但股权绑定的版本。 冷水：Winverse 产品未亮相，4 亿美元估值买的是人和方向；俞涛项目仍是传闻，DeepSeek 未回应；Astra 的 22.48% 意味着近八成任务失败，S2 可用不等于 S1 可交付；上半年具身融资热（国内超 900 亿元）与下半年"上会项目锐减"是同一市场的两面。 （10/20，Apache-2.0）：基于 vLLM 改造，集成 FlashMLA、DeepGEMM、DeepEP、DeepSelect，支持注意力并行、MoE 专家并行、异步调度、DSpark 推测解码；只支持 V4.1-Flash，覆盖 NVIDIA SM100 与华为 Ascend 950。官方口径单集群 155 万亿 token/天、单卡每小时收入 38 美元。但开源版不含 KV Cache、Prefill/Decode 分离服务与跨副本负载均衡，复现不了完整生产环境。意义：开源从"权重"推进到"服务栈"。 ：ProjectDiscovery 在 7B Codex 权重里植入触发词 "bonsoir, Elliot"，命中后把 exec_command 换成读取工作目录所有 .env 并明文外发的脚本。后门只占 0.6% 参数（约 4,300 万），500 条干净 + 125 条毒样本、1 epoch、单张 L4 约 2.5 小时，触发率 50/50；1.5B 版只需 1% 毒样本就到 75%–98%。权重里只留一个指向 raw.githubusercontent.com 的 URL，控制者可在部署数月后换掉行为、无需重训。结论：来路不明的权重默认按不可信输入处理，下载后先本地 grep 硬编码 URL。 ：三班倒验证机器人连续运转，目标 24×365 开工。行业标准已从"能走能跑"变为连续开工率：Atlas 约 4 小时自行换电（约 3 分钟），优必选 Walker S2 用双电池热插拔（约 3 分钟）。 ：10/20 起招股、10/28 挂牌。按 2025 年收入计中国 EIIR 份额 20% 居首；收入 4.34 亿 → 7.96 亿元（三年 CAGR 35.4%），EIIR 占比 26.3% → 61.4%；但 2025 年净利仅 507 万元（净利率不足 1%），研发 2.35 亿元里算力占 1.51 亿元；基石投资者只有一家、约 1,570 万港元。"能落地"和"能赚钱"第一次同时摊在招股书里。 ：今年 1 月成立，主打"脑手一体"，已发 SYNWorld 具身原生世界模型、OctoH-Hand 绳驱灵巧手、OctoSense 数采方案；ICRA 2026 "Reasoning to Action" 赛道全球第二、中国第一；已拿海外头部具身客户量产订单。 ：2027 年在美国堪萨斯 Hesston 工厂试点部署 Digit，做零件分拣、堆垛、周转箱放置等重复且危险的岗位。 ：Tuesday Labs（纽约）Voxel Series-1，Z 字形反关节双腿、双臂各 7 自由度 + 夹爪（无灵巧手），约 2 万美元、200 美元定金，2028 年才交付。 ：从零用 Rust 重写 TypeScript 编译器，长在 Oxc 工具链里，与 TypeScript 团队协作；相同 type-check worker 数下已快于现有编译器，大型 TS 项目 CI 类型检查时间可能显著压缩。 今日 17:00—19:00 黄仁勋 GTC Berlin 主题演讲（10/20—22），物理 AI 与机器人是核心议题。 ：MultiLangBench 已上 GitHub，等 Gemini 4 Carbon、OpenAI Terra 系列跑出可比数字。 ：--autoConnect 会不会被企业禁掉；会不会出现"专用调试 profile + 只读白名单"标准做法。 ：Cursor 的 pstack 验证 skill 是否被 Anthropic 官方目录收录审核；会不会出现平台级有效性评测。 ：Eka 的 1,500 次/小时与 95% 能否在非结构化仓库被第三方复现；PI 的 10 亿融资 / 110 亿估值是否坐实——两条路线估值会互相校准。 ，以及 DeepSeek 是否公开具身路线（V4 + 被投企业本体的"本土版 Astra + π"）。 ；10/28 微亿智造挂牌首日表现——工业具身第一股的定价会传导回一级市场。 每日总结：AI竞争正从扩大规模转向补齐能力短板。编程领域，OpenAI强化老旧语言迁移，Chrome让智能体自主调试取证，Cursor以技能插件推广形式化验证。具身智能领域，Eka探索仿真自博弈与力觉反馈，DeepSeek据报道通过投资布局“身体—大脑—小脑”。行业重心转向可靠验证、操作泛化与商业落地，但关键成绩仍待第三方复现，安全、成本与盈利问题尚未解决。
AI 日报 · 2026-10-21（周三）
一、AI Coding
1. OpenAI：COBOL 迁移准确率 97.9%
语言 | GPT-5.6 Sol | GPT-6 Astra |
COBOL | 10.9% | 72.1%（最低项） |
OCaml | 25.6% | 85.8% |
Fortran | 21.4% | 83.5% |
Visual Basic | 27.5% | 89.4% |
20 语言平均 | 26.8% | 87.4% |
