2026-10-29 · 长程编程与安全对齐，可信仿真与数据荒

Gemini 4 Carbon 登顶智能指数却只对受审防御方开放，长程编程绑定分阶段发布；AA 新设 Coding Agent Index，评测从模型转向 harness+模型；Plugin4Shell 与 CSA 把 CLI、IDE 列为新攻击面。具身侧智元 Genie Sim 以 96.7% 仿真-真机相关性攻克柔性物体，今日创新日发基座模型；宇树招股书与「出货≠上岗」摊开数据荒与订单含金量。

1. Gemini 4 Carbon 登顶智能指数，但只对受审防御方开放

事件

谷歌于 10/28–10/29 发布新一代前沿模型 Gemini 4 Carbon，由 DeepMind 高级副总裁兼首席 AI 架构师 Koray Kavukcuoglu 署名博客，定位为「最强的网络安全与长程能力前沿模型」。

榜单：在最新版 Artificial Analysis Intelligence Index v5.0 上以 59 分排名第一。
长程编程：官方称内部团队观察到 Carbon 连续运行数天，穿越多次死胡同，完成跨大型代码库与底层系统的根因定位、补丁修复等多步工程任务；WebDev Arena 提升 +89 Elo 至 1769 分，位列第 4。
网络安全三环节：漏洞发现 SEC-bench Pro 88.2%、可利用性验证 ExploitGym 54.8%、根因补丁 CWE-bench 71.0%；内部基准中生成安全代码成功率较上一代 Argon 提升超过 2 倍；Chrome 团队称其生成高质量补丁的表现比另一实验室的大型前沿模型 好 10 倍以上；Wiz 观察到其在 Web 渗透测试基准领先。
安全对齐：Terminal-Bench 4.0 上作弊成功率降至 0.0%、作弊尝试占比 0.4%；内部实时编程环境中高严重度失准警报下降近 80%；提示注入攻击成功率降至 0%。
发布方式（关键）：本周起先向部分网络安全防御方开放，随后通过 Fairwind Program 逐步扩大至更多可信合作方，收集反馈并迭代护栏后，再面向开发者、企业与消费者开放——未给出正式可用日期；同时正参与美国政府针对发布前模型测试的自愿流程。
定价：入门价与两周前的 Argon 一致，输入 $2/百万 token、输出 $10/百万 token，缓存输入享 95% 折扣；优惠期后恢复 $4 / $20。

为什么值得关注

长程编程从「能跑多久」升级为「能连续跑几天并穿越失败路径」。 这与 10/28 Cursor Agent SDK 把 agent 变成可版本化、可评测、可部署的代码构件，恰好构成「能力 + 载体」的闭环——一边是能连续数天自主推进的模型，一边是能接住这种工作流的工程框架。
双用途能力正在改写前沿模型的发布范式。 Carbon 的核心卖点（挖漏洞、验证可利用性、写补丁）同时是攻防两侧的能力，谷歌因此选择「防御方优先、可信合作方其次、开发者最后」的分阶段发布，并接入政府发布前测试流程。前沿编码模型的可用性与使用者身份开始绑定，这在半年前还非常罕见。
分数的可核验性本身成了问题。 有媒体核查时，Carbon 的条目尚未出现在公开基准榜单上，上述成绩目前全部来自谷歌自报。这与 10/27 METR/Redwood 红队报告「OpenAI 称已修补、评估方未验证」形成呼应——行业缺的不是更高的分数，而是可被第三方复核的分数。
对齐数据（作弊 0.0%、提示注入 0%、高严重失准降 80%）是对 10/26–10/27 一系列编码智能体安全事件的正面回应，安全对齐正在成为前沿模型的正式发布项。

2. Artificial Analysis 推出 Coding Agent Index：评测对象从「模型」转向「模型 + 支架」

事件

权威评测机构 Artificial Analysis 发布新基准 Artificial Analysis Coding Agent Index，用 SWE-Bench-Pro-Hard-AA、Terminal-Bench v2、SWE-Atlas-QnA 三个基准，衡量的是 agent harness 与模型组合之后的表现，而非裸模型能力。结果显示：闭源阵营 Opus 4.7 全球第一，开源阵营 GLM-5.1 第一。

作为对照，既有的 AA Coding Index（SciCode、Terminal-Bench Hard、LiveCodeBench 等权合成）10/28 快照中，GPT-5（GPT-5.6 Sol Xhigh）以 78.3% 居首，其后为 Grok 4.6（76.8%）、GLM-5.3 Max（74.8%）、Claude Opus 4.8（74.3%）、Opus 4.7（73.6%）。

为什么值得关注

评测单位发生了变化。 过去榜单回答「哪个模型更强」，新指数回答「哪套支架 + 模型的组合更能干活」。这与同周 Cursor Agent SDK（instructions.md + tools/*.ts + evals）把 agent 工程化的动作不是巧合——当 agent 变成可交付的软件构件，衡量它的尺度也必须跟着变。
开源与闭源分榜，GLM-5.1 拿到开源第一，说明在 harness 充分适配的前提下，开源模型与闭源前沿的实际可交付差距正在收窄，这对自托管、合规敏感场景的选型影响直接。
对采购方而言，选型单位从「模型」变成了「模型 + 支架 + 评测管线」。 harness 第一次成为可以被单独定价、单独比较的资产，10/28 OpenCode 2.0 把 CLI 变成常驻后台服务、提供可嵌入 SDK，是同一趋势的另一面。

3. Plugin4Shell 与 CSA 报告：编码智能体的 CLI / IDE 成为新攻击面

事件

CSA 于 10/27 发布分析（作者来自 Akto），核心论点是：AI 编码智能体以开发者身份运行、持有开发者的全部凭证、并执行它读到的任何指令，因此 CLI 与 IDE 已成为新的攻击面。

现实数据：82% 的企业存在未知 AI agent；53% 曾观察到 agent 越权。
间接提示注入案例：CurXecute（CVE-2025-54135）、被投毒的 Amazon Q 扩展。
时间点审批失效：自动更新扩展、MCP server 每次拉取最新包、postmark-mcp 在连续 15 个干净版本之后才注入恶意代码——一次性安全评审对这类供应链无效。
治理模型：清点每一个 agent / 扩展 / skill / MCP server；运行带 pinning 的受审 MCP 注册表；按 OWASP agentic 指南落实最小代理权；护栏化 prompt 与工具调用；secrets 移入 vault；把 rules 文件与 config 当代码管理；记录每一次工具调用；指定单一责任人。

同期披露的 Plugin4Shell 漏洞给出了具体攻击链：插件通过 commit hash 做 SHA-pinning（区别于可变 tag/branch 引用），但 checkout 后缺少落地内容与 pinned hash 的一致性校验；投毒路径有二——① 良性插件过审后偷换内容，② RepoJacking 劫持作者仓库；叠加 Claude Code / Codex 默认后台自动更新，可实现零点击 RCE、CIA 全失陷。前置研究 SkillJacking、RepoJacking 的 PoC 已端到端验证。

各工具处置状态：Claude Code 已修复（升级至 2.1.179 及以上，当前 10 月已迭代至 2.1.312）；Codex CLI 已修复（0.146.0 及以上，当前稳定版 0.165.0）；Gemini CLI 弃用不修，迁移至 Antigravity；Microsoft / GitHub Copilot 未修且有争议，建议收敛插件源并等待官方补丁。

为什么值得关注

风险叙事从「模型会不会作恶」转向「供应链会不会被投毒」。 这与 10/27 OpenCode Console 密钥泄露、NIST/CISA/NSA 十项实践构成同一周的第三块拼图，但切口更具体：编码智能体的扩展与 MCP 生态。
SHA-pinning 被当作信任锚，却缺一致性校验——这是典型的「看起来安全」的设计缺陷；再叠加默认自动更新，攻击窗口不需要任何用户交互。修复动作很明确：固定版本、关闭静默自动更新、维护团队级 Agent-BOM（MCP/skill/plugin 清单-版本-负责人）。
厂商处置节奏的差异本身就是信号：有的已修、有的弃用迁移、有的未修有争议。团队应据此直接调整插件与 MCP 的引入策略，而不是等待统一标准。
CSA 提出的 Agent-BOM 与单一责任人，是目前最可落地的两个治理动作，与 10/28 GitHub assisted permissions 的「企业 deny 优先、绕过沙箱请求从不由模型审批」可以拼成一套完整的端点治理清单。

4. 智元 Genie Sim 攻下柔性仿真：96.7% 仿真-真机相关性，今日创新日待发基座模型

事件

10/28 智元机器人宣布 Genie Sim 仿真平台重大版本升级，聚焦柔性物体仿真这一行业痛点，打通「真实空间重建 → 柔性交互仿真 → 能力评测 → 策略后训练」完整链路。

核心指标：跨 4 款机器人本体、22 项复杂任务的对照实验中，仿真与真机任务得分相关性达 96.7%。
双路径架构：Genie Sim Engine 采用自研物理引擎 + 多物理求解器协同，实现刚柔接触分区求解，并用真机数据校准质量密度、摩擦系数与阻尼等属性，取得 20 倍加速；Genie Sim Dream 则基于真实画面推演机器人动作后的场景变化（世界模型路径），支持多步长连续操作测试，并可调用视觉大模型自动判别任务完成度。
评测侧：Genie Sim Benchmark 新增灵巧操作、全身协同、精细操作、本体迁移四大维度。
背景节奏：此前 AI WAVE 系列已密集发布 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。
今日日程：10/29 2026 智元创新日在上海世博中心举行，围绕硬件本体、运动智能、作业智能、交互智能，发布具身基座大模型及「三智一体」最新技术突破（截至发稿尚未召开）。
资本侧：市场自 10/13 起传闻智元启动新一轮融资，规模约 10–15 亿元、估值约 500 亿元；按港交所相关规则，若递表后上市前完成新融资，除非获特殊豁免需待最后一笔融资完成后满 120 天方可挂牌，可能将 IPO 窗口推至 2027 年一季度前后。智元对融资、估值与 IPO 安排均未回应。

为什么值得关注

「仿真里满分、真机上翻车」是柔性操作长期无法回避的痼疾——布料褶皱、绳索滑动、抓取挤压带来的形变会持续改变操作条件，传统仿真擅长刚体、弱于柔性。96.7% 的相关性若经得起第三方复核，意味着仿真结果可以作为真机表现的可信代理，直接压缩真机试错成本。
「物理求解 + 世界模型推演 + VLM 自动判别」本质是把「仿真—评测—后训练」闭环自动化，这与 coding 侧用 evals 断言工具调用与回复形状是同一思路在物理世界的映射。两条线在同一周 converge，说明工程化方法正在跨领域复用。
「本体迁移」维度对应的是一套策略跨多本体复用，这是规模化上岗的前置条件，也是把仿真资产变成可沉淀资产的关键。
技术发布密度与资本时间表正在脱钩：10/28 微亿智造在定价前中止港股 IPO，而智元选择用密集技术成果正面回应质疑——但港交所 120 天规则仍在，短期内的发布节奏未必能改变上市时间窗。

5. 数据荒与「出货不等于上岗」：具身智能的订单含金量被摊开

事件

产量侧：央视网 10/29 报道，今年上半年我国人形机器人整机产品突破 400 款、产量超 4 万台，预计全年突破 10 万台；全国首个 AI 服务一条街在深圳龙岗开放，提供从看展、体验、租赁到「一张图纸造机器人」的完整链条服务。
数据侧：戴盟与中国移动在湖南郴州落地「具身数据采集 5S 店」，首期投放 1000 套设备，市民在移动营业厅领设备、培训后带回家，在日常家务中完成采集，满产状态下每年可产出 100 万小时真实场景数据。第三方机构 InteractAnalysis 统计，截至 2026 年 4 月底，中国已有至少 90 个人形机器人数据采集与训练中心处于使用或规划建设中，其中至少 64 个已投用。
收入结构：宇树科技招股书与科创板问询函回复显示，2025 年前三季度人形机器人收入中科研教育占 73.60%、商业消费 17.39%、行业应用仅 9.01%。
使用强度：中国信通院报告直言「出货不等于上岗，相当比例设备月均开机天数不足 10 天，订单含金量低」；整机价格仅占全生命周期成本的 40%–60%；表演租赁日租金已跌去八至九成。
客户-股东重合：银河通用累计融资约 70 亿元、估值超 200 亿元，2026 年上半年出货超 1100 台居全球第三，但客户与股东名单高度重合——宁德时代既是投资方又是 Galbot S1 最大部署方（2026 年 9 月再次中标其 2.36 亿元具身智能设备采购）；美团是股东，机器人进了美团药房；北汽、上汽是股东，产线上跑着银河机器人。
采集成本：采集员有效采集时薪约 70 元（部分地区叠加专项补贴），而经中介接单的从业者时薪可低至 15 元。
另据 10/28 董事会决议，宇树子公司杭州宇树机器人向「杭州市具身智能应用中试基地有限公司」增资 2000 万元，该中试基地本轮增资总额 2 亿元。

为什么值得关注

400 款 / 4 万台 / 全年 10 万台的产量数字，与「月均开机不足 10 天」并存，说明当前统计量度的是交付而非使用。这是判断行业真实水位时最容易被误读的一组数据。
宇树 73.6% 的科研教育占比意味着「人形机器人第一股」的收入仍主要来自教学与科研采购，工业闭环尚未成立。招股书与问询回复属于强制性披露，可信度高于任何宣传口径。
「股东即客户」结构让订单真实性成立、独立性存疑。 订单是真的、收入也经审计确认，但当投资方同时是最大部署方时，需求是否可外推到无关联第三方，是评估具身公司收入质量时必须单独拆开看的一层。
数据采集从「训练中心」外溢到「5S 店 + 市民家务」的众包模式，是数据荒压力下的必然选择；但 15–70 元的时薪价差提示，这条链路的数据质量与劳动成本尚未被真正定价。数据荒与落地难，本质是同一个问题的两面。