肆七小站肆七小站

2026-10-30 · 多模型编排与整产品基准，具身重设价值标尺

2026年10月30日阅读时长约 1 分钟

2026-10-30 · 多模型编排与整产品基准，具身重设价值标尺

GitHub Universe 把多模型编排与自改进工作流推上台面，Fusion 以约半价逼近 Opus 5.5；Replit ViBench 2.0 显示顶尖模型从零建完整产品仅 49%–65% 通过；Linus 用 Claude Code 写的内核补丁仍未过评审。具身侧智元以 Worken 重设价值标尺，产业报告给出「部署成长期」的 XYZ 曲线。

1. GitHub Universe 正片：Copilot Fusion 多模型编排，Octoverse 给出 agent 时代的量级

事件

GitHub Universe 2026（10/28–10/29，旧金山）由微软 CoreAI 执行副总裁 Jay Parikh 定调——GitHub 的目标是成为「世界上最全面的软件交付系统」，核心判断是代码不再是产出，完成的工作才是。

  • Copilot Fusion：一个跨实验室的多模型编排层，按每个任务需要的推理、代码生成、调试与工具调用量，自动决定用单模型、级联（Cascade）还是评审（Critique）模式，并匹配 Standard / High / Max 三档努力等级；模型池覆盖 Anthropic、OpenAI 等，并支持本地模型路由（如 Windows 上的微软 MAI Code 1.1 Flash）。
    • 成本与效果：按 Artificial Analysis Coding Agent Index 的评估口径，Fusion Max 得 60 分，仅比 Claude Code 跑 Opus 5.5 Max 的 62 分低 2 分；单任务成本 $5.59 对 $11.42（约一半），Token 消耗减半，任务完成时间少约 40%；Terminal-Bench 4.0 以 71 分领先。Fusion Max 至 2026/11/30 享 30% 模型费用折扣，编排本身不额外收费。
  • 其他发布物：Copilot app（从 issue 到 merge 的 agent-first 工作面）；Copilot Projects（public preview，跨仓库并行托管会话，概览分 Needs input / Open / Working / Done）；Copilot Automations（仓库内云工作流，可按事件或小时/天/周定时，并能从结果里学习——看人类是否改了它打的标签、是否采纳评审意见、是否合并它开的 PR，再反过来提议改提示词、工具或触发器，交人审批）；Dreaming（后台整理记忆、以 PR 形式提议修改仓库指令与 skills）；Security canvas 与 code review Max（GitHub 称在 ReviewBench 高严重问题上取得最高 F1）。
  • Agentic Workflows（gh-aw）同步 GA（10/28）：用 Markdown + YAML frontmatter 描述仓库任务，编译成标准 Actions 锁文件执行；默认引擎 Copilot CLI，可选 Claude Code / Codex / Gemini / Pi；隔离默认 Docker，可选 Cloud Hypervisor 或 NVX microVM；agent 输出走 safe-outputs 缓冲，另有独立威胁检测 job 检查可疑内容与凭证泄露。官方提示 0.83.3–0.85.3 因安全漏洞已退役。
  • 商业化变更：GitHub Enterprise 客户无需单独购买 Copilot 订阅即可使用全部 Copilot 能力，改为按 AI credits 付费。
  • Octoverse 2026：月合并 PR 在一年内增至三倍，达 2.2 亿/月；commits 增至 7.38 亿/月（增长集中在下半年）；新建仓库翻倍至 3030 万/月。基础设施侧今年新增 400 万 CPU 核、160 PB 高速存储、50 Tb/s 网络容量，多区域 Azure 迁移预计明年初完成。

为什么值得关注

  1. 模型选择权开始从人手中移交给平台。 Fusion 的本质是把「用哪个模型」变成一个运行时决策，并把级联与互评（Critique）做成标准执行模式。这与 10/28 Cursor Agent SDK 把 agent 代码化、10/29 AA 把评测单位改成「harness + 模型」一起，指向同一个方向：agent 的工程栈正在分层，模型只是其中一层。
  2. 成本口径被摆到与能力口径同等的位置。 60 分对 62 分、$5.59 对 $11.42、时间少 40%——这组数字的分量不在于 Fusion 更强，而在于**「接近前沿的性能」第一次被明确标价**。配合 Enterprise 改按 credits 计费，AI 编码支出从固定席位费变成随 agent 活动波动的可变成本。
  3. 自动化开始具备自我改进能力，而审批队列成了新的人的岗位。 Automations 能根据人类是否改标签、是否合并 PR 来提议改自己的提示词与触发器；Dreaming 会主动提议改仓库指令。改动仍需人批准，意味着每个启用自动化的仓库都必须有人认领这条审批队列——这比「agent 会写代码」更难管理。
  4. Octoverse 的量级解释了为什么 Git 基础设施要重建。 2.2 亿/月合并 PR 意味着三倍的阅读量；这也与 10/28 收录的「每周省 10+ 小时的开发者比例下降」互为因果——产出在涨，审查能力没跟上。

2. Replit ViBench 2.0：从空项目建完整产品，最强模型只有 49%–65% 跑通

事件

Replit 于 10/28 发布 ViBench 2.0，一个面向「长程软件构建」的基准，同时加入 Fireworks 的 Specialized Intelligence Index（SII）。

  • 设计差异：多数编码基准（如 DeepSWE）是在既有代码库里给一个定义清晰的任务；ViBench 2.0 给的是空项目，agent 要按一份简短 spec 做出第一版，再在其上逐个追加最多 18 个功能，模仿 Uber、GitHub、Google Docs 类产品。因为先要定 schema 和 route 且不知道后面要什么，越往后的功能越难。
  • 规模：17 个产品、241 个功能需求、544 个测试计划；8 个产品以 Harbor 格式公开在 GitHub，9 个保留。
  • 结果：表现最好的 GPT-6.1 Sol、GPT-6 Astra、Opus 5.5，只有 49%–65% 的构建能全部通过测试计划。
  • 难点不是语法，是不变量：干净部署（测试在空库上跑）、既有数据（社区聊天产品里改昵称后历史 @ 要显示新名字）、不变量（打车产品分账份额必须到分不差）、过期状态（代码托管产品里先打开的编辑器不能覆盖别人更新的内容）、并发（市场产品里两张退货单不能重复退款同一件）。
  • 评分可信度：用 Opus 5.5 作 grader（在真浏览器里点击、输入、检查结果）；团队往可用构建里逐个植入 34 个 bug，grader 在 bug 可见时从未让测试计划通过；GPT-6.1 Sol 复核了 Opus 判定的 477 项通过，99.2% 被确认；未见 Opus 偏袒 Claude 系列构建的迹象。从 release v2.0.6 起一条命令即可复跑。

为什么值得关注

  1. 评测单位从「解题」推进到「产品演进」。 10/29 的 AA Coding Agent Index 测的是 harness + 模型组合，ViBench 2.0 再进一步——测的是能不能在自己写的代码上持续加功能。Replit 把 1.0 发现的「在自己代码上加功能分数更低」现象命名为 Vibe-on-Vibe，2.0 就是把这一设置拉到产品生命周期的尺度。
  2. 49%–65% 是对「vibe coding 能做整个业务」叙事的直接校准。 Replit 自己说，用户已经从做白板和简历生成器，变成在平台上做一整门生意；而基准给出的答案是：最强的三个模型里，有三分之一到一半的构建跑不到最后。
  3. 方法论本身值得借鉴。 公开 harness、可一键复跑、用植入 bug 检验 grader、用另一模型交叉复核判定——这套做法正好回应了 10/27–10/29 连续出现的「分数无法被第三方复核」问题。局限同样明确：9/17 未公开，且是 vendor 自建测试集。
  4. 并发、不变量、过期状态这类约束，正是 10/28 收录的「AI 生成代码让事故率与审查时间上升」的具体来源——做出来和做对了之间的差距，第一次有了可量化的标尺。

3. 编码智能体进了核心基础设施，但仍过不了评审

事件

10 月的一组事实把「agent 写的代码能不能进核心」这个问题摆到了桌面上。

  • Linus Torvalds 的 page cache 补丁：他在内核仓库挂出分支 noref-filemap-read-with-llm，并在 commit 的 Tools 一节写明——代码、测试程序、评审清单以及这段文字的初稿，都由 LLM 编程助手 Claude Code 在他的指导下完成，署名与测量是他自己。改的是 2024 年由核心开发者 Matthew Wilcox 提出、两年无人解决的老瓶颈：多线程并发小读时反复改同一引用计数导致缓存行颠簸（在他的机器上占 99.92% 的 Load HITM 开销）。方案改为页从缓存移除后借 RCU 延迟一个周期再释放，读取方在保护区内直接拷数据。在其 i7-8565U 笔记本上，8 线程 16 字节并发读吞吐从约 1000 万次/秒提到约 3000 万次/秒，单次读内核周期从 2950 降到 725——但他明确限定：只在他这台机器、这个 benchmark 上成立。
  • 结果：系列于 10/13 发上邮件列表（LWN 称为 Linus 首个 LLM 辅助补丁系列），次日就被 reviewer 揪出一个竞态条件，截至 10 月中旬未合并。同期社区还在争 Assisted-by 标签的去留；Arm 开发者 Lorenzo Stoakes 的比喻被广泛引用——LLM 是数字猎犬，不是新同事，猎犬不替猎人开枪；内核铁律 Signed-off-by 必须由活人签。
  • 另一组更说明问题：Linus 让模型梳理 2013 年合入的 assoc-array 老库，把庞大难读的函数拆开后放进用户态测试框架跑，不仅证实了 Nils Ollrogge 报的缺陷，还从同一份 bug 报告里挖出另外 3 个隐藏十余年的缺陷，全部可追溯到该库首次合入的那次提交。
  • 平行参照：Theo Browne 发布 tsc-rs——由 Claude Opus 5.5 完成的 TypeScript 7 编译器 Rust 移植，181,711 个移植测试全部通过，成本约 $24,000；Anthropic 披露用 Scion 替换其单体仓库的 git，由 7 名工程师用 5 个月建成；GitHub 将 computer use 推入 Copilot public preview、PR 上的 AI 漏洞扫描 GA；Notion 的 agent 单任务时长从 5 分钟提升到超过 24 小时。
  • 成本侧：LeadDev 的调查显示，每周靠 AI 省下 10 小时以上的开发者比例一年内从 68% 降到 25%，省下的时间转移到了修生成的代码上。

为什么值得关注

  1. 能力已经不是争论点，评审才是。 一个 3 倍吞吐的内核补丁、一次 18 万测试全过的编译器移植，都证明 agent 能产出核心级代码；但 Linus 的补丁仍然卡在竞态上未合并。价值从「能不能写」迁移到了「谁来验、验得动验不动」——这也解释了 10/28 收录的「4 款 AI 审查工具审同一 146 个 PR、零行共识」为什么是当下最硬的瓶颈。
  2. AI 在「读老代码」上的收益被低估了。 assoc-array 那条线索里，一份 bug 报告牵出三个藏了十多年的缺陷，靠的是拆分 + 解释 + 用户态测试逼出冷路径。让模型读和拆，可能比让模型写更接近当下的高性价比用法。
  3. 署名与责任的规则正在被现场制定。 Assisted-by 标签之争、Signed-off-by 必须活人签、Linus 4 月立的「工具可以用、AI 垃圾不要、出事人背」规矩——这些是 agent 进入核心开源基础设施必须付的治理成本。
  4. 省时蒸发的 68%→25% 是最诚实的行业体温计。 它和 Octoverse 的 2.2 亿/月合并 PR 是同一件事的两面：产出曲线在陡峭上升，人类验证曲线没有跟上。

4. 智元创新日：用 Worken 重设价值标尺，GO-3 与灵渠 OS 双双开源

事件

10 月 29 日，2026 智元创新日（AGIBOT Innovation Day）在上海世博中心举行，全场核心词只有一个：部署态。

  • Worken（有效智能工时）：联合创始人、总裁兼 CTO 彭志辉提出的新度量单位，公式为 Worken = 活跃机器人数量 × 自主工作时长 × 产出效能比。对标数字 AI 时代的 Token——「Token 衡量机器思考了多少，Worken 衡量机器行动了多少」。他直言：一台机器人开机 8 小时，不意味着创造了 8 小时的价值；一次任务成功率高，也不代表它能像人一样连续稳定工作一个月。计费上不二选一：可卖本体，也可卖服务（类 PaaS / SaaS）。
  • 模型：发布新一代具身基座模型 GO-3 Preview，采用自研具身原生架构 WRAM（World Reasoning Action Model），对理解、预测与动作统一建模；后训练依托 Genie Evolver（百台真机 + 物理仿真 + 世界模型），部署后由 Genie Master 承接判断-执行-反馈，实现「边上岗边解锁新技能」。GO-3 Preview 已登顶 RoboDojo、RoboTwin、RoboColiseum 三项榜单，年底开源。
  • 操作系统：发布业界首个具身智能原生操作系统 灵渠 OS 1.0，支持 15 类 100+ 种外设接入，1000Hz 高频任务负载下端到端时延抖动 小于 4 微秒；年底全面开源，并捐赠给开放原子开源基金会，智元成为其白金捐赠人，共建人形机器人开源社区。
  • 交互：发布行业首个具身全模态端到端交互大模型 WITA-OMNI，语音/视觉/文本输入与语音/表情/动作输出同模同步建模，支持「边听边想边说」，100+ 语言与 29 种方言；登顶 Daily-Omni、TimeLens-Bench、EmbSpatialBench、MMAU 四项榜单；12 月完成国内全面部署，2027 年 1 月欧洲首发。
  • 硬件：第三代硬件架构 AHA3（EtherCAT + 万兆以太网、GaN 电驱、厘米级多模定位、WiFi/5G 融合）；全球首款皮下式关节液冷系统（散热为风冷 7 倍、持续扭矩 3 倍、换热能力 +24%）；特种关节达 IP67、-40℃ 至 55℃；灵巧手家族 OmniHand 3 Lite（量产体积最小）/ OmniHand 3（首款产线连续作业的工业级）/ OmniHand 3 Ultra（全域触觉超高自由度）/ OmniPicker 3（每指 70 个触觉点，力重比 184 N/kg）；MEgo Glove 触觉数采手套（指尖三维力+三维触觉，灵敏度 0.01 N，最高 1000 Hz）。
  • 经营数据：上半年出货 9700 台，9 月下线第 20000 台；上半年收入接近 20 亿元；6 个月完成从 1 万台到 2 万台的跃升，92 项车规级量产测试。
  • 落地：精灵 G2 已在龙旗工厂实现平板量产质检工段全覆盖，进入多家芯片封测龙头做上下料，服务工业母机做 CNC 上下料；G2 Max 在食品、日化快消、电商龙头落地搬运；120 台 G2 部署于广州地铁承担安检、咨询、巡逻；长隆主题乐园已近 500 台常态化部署、年底目标 1000 台、覆盖 100 多个岗位。生态侧，元苼计划已联动 255 所高校、511 家企业、8 万余名开发者；另出资 3000 万元设立首个聚焦人形/四足具身智能的民营企业联合基金。

为什么值得关注

  1. 行业第一次有人试图定义「卖的到底是什么」。 具身智能过去两年比的是参数和 demo，Worken 把结算单位换成「有效智能劳动」——数量 × 时长 × 效能。若被接受，它同时改变了定价逻辑（本体是下限、智能是上限）与验收逻辑（不是能不能做，是做了多少小时的活）。它与 10/26 信通院「真实家庭任务成功率 12%」、10/29「出货≠上岗」指向同一个缺口：行业缺一把能对齐买卖双方的尺子。
  2. 具身侧的「操作系统 + 基座模型」双开源，是平台化的明确动作。 灵渠 OS 捐赠给开放原子、GO-3 年底开源，加上 4 月已开放的 AIMA 体系（灵心 7 万+ 内容 / 灵创 8 万+ 用户创作 / 灵动群控），智元在做的事情与 10/28 编码侧的「Agent Skills 捐入 Linux 基金会 AAIF」结构一致——把标准层让出去，换生态位。
  3. GO-3 的三段式（预训练 / 后训练 / 部署后自进化）把「自进化」做成了产品线。 这与 10/22 的 Physical RSI、10/27 的 Genie Master 是同一条线，本次拿到的外显证据是三项榜单第一——但需注意，RoboDojo / RoboTwin / RoboColiseum 均非独立第三方长期维护的公开榜，成绩为企业自报。
  4. 出货与收入数字让「部署态」第一次可对账。 上半年 9700 台、收入近 20 亿，倒推单台均价约 20 万元；配合 120 台进地铁、近 500 台在长隆，可以开始检验 10/29 提出的「开机率」问题。

5. 产业报告给出 XYZ 三曲线：2026 进入「部署成长期」，上岗之后还要过几关

事件

新华社中国经济信息社与中国信通院上海工创中心于 10/29 联合发布《2026 具身智能产业创新报告》，同日新华网刊发观察文章《真实场景「上岗」后 机器人还要过几关》。

  • 阶段划分（XYZ 三曲线）：**X 曲线（2022–2025）**为开发尝鲜期，解决能否稳定运动、能否量产；**Y 曲线（2026–2030）**为部署成长期，机器人要从「完成动作」转向「稳定完成任务」；此后才可能进入以通用能力提升与智能涌现为特征的 Z 曲线。报告判断：2026 年具身智能开始由开发演示走向真实场景常态化运行。
  • 部署态的定义：不是把样机搬到现场，而是能在真实环境常态化运行、持续交付结果，背后至少包括整机可靠性、量产一致性、模型泛化能力、数据闭环与运维保障一整套系统能力。
  • 工厂长跑实测：报告记录智元在龙旗科技南昌工厂的测试——8 台精灵 G2 在 6 天里累计作业超过 64 小时，完成 64828 次作业，综合作业成功率 99.99%。
  • 赛场侧的压力测试：刚结束的 GDPS 暨国际具身智能技能大赛把真实产业难题搬进赛场——仿真超市里按订单识别、拣选、扫码、装箱；质检赛场要拧瓶盖、放试管、操作离心机，物料与故障点位随机变化。比的不只是动作流畅，而是环境一变还能不能把任务做完。
  • 需求侧提问变了：10 月工博会上，机器人展区的提问明显变具体——精度多高、负载多大、部署要多久、连续运行是否稳定。
  • 平行参照：融资结构转向——上半年国内具身智能 935 亿元融资中，超过一半投向具身基座模型；国产具身大模型集体上台阶（千寻 Spirit v1.6 融合 VLA 与世界模型、智平方 AlphaBrain 走完端到端 VLA 到类脑 VLA 三代、蚂蚁灵波 LingBot-VLA 2.0 一套大脑兼容 17 家厂商 20 余种机器人）；订单从「卖给实验室」变成「卖给工厂」——千寻 Moz 进宁德时代动力电池 PACK 产线做高压测试插头插接、成功率稳定 99% 以上，智平方拿下惠科股份 3 年 1000 台、金额近 5 亿元，银河通用 Galbot S1 在宁德时代 7×24 小时作业；沙利文统计上半年全球销量 3.6 万台、收入 5.4 亿美元，两项均超去年全年；深圳海关 1–8 月机器人出口 111.3 亿元，同比增长 12.2 倍。

为什么值得关注

  1. XYZ 曲线给行业发了一张时间表，也发了一张体检表。 Y 曲线（2026–2030）的判据不是参数，而是「稳定完成任务」。这等于官方口径把 10/26 信通院「真实家庭任务成功率 12% vs 仿真 89.4%」、10/29「月均开机不足 10 天」这些冷水数据，翻译成了产业阶段的通行语言——现在行业在 Y 曲线的起点，而不是终点附近。
  2. 64828 次作业 99.99% 这类数字，比任何 demo 都更有说服力，也更难造。 六天、八台、六万四千次——这是把「可靠性」变成可审计记录的做法。它的价值在于给出了对比基准：以后所有宣称「7×24 稳定运行」的厂商，都得拿出同量级的长跑数据。
  3. 「随机变化」成了新的评测手段。 GDPS 赛场让物料与故障点位随机变化，工博会观众追问部署时长与连续稳定性——评测重心从「最优条件下能不能做」转向「条件变了还行不行」，这与 10/25 首个国家级具身智能评测基准体系是同一条线。
  4. 「装大脑」取代「造身体」成为竞争焦点。 超一半融资投向基座模型、一套大脑兼容 17 家厂商 20 余种本体、产线订单开始出现复购——资本与订单同时往模型侧集中，意味着硬件差异化的窗口正在收窄，而模型侧的泛化能力成了新的分水岭。这与 10/24「参考机型平台化」并不矛盾：本体标准化，大脑差异化。
返回首页