GPT-6 Astra物理评测98分揪出人类专家错误【AI 早报 2026-10-19】
今日看点：英伟达开源机器人框架 ASPIRE 并接入 GPT-6 Astra，LIBERO-Pro 等基准一夜刷至近满分；谷歌披露 Gemini 4 Argon 长程 Agent 系统论文，4 个智能体在 Minecraft 中零干预连续运行 27 小时；DeepSeek V4.1 Flash 以约 4 元成本生成 3D 交互网页并登顶开源编程榜。
今日概览
要闻
- GPT-6 Astra物理评测98分揪出人类专家错误
- 英伟达开源ASPIRE接入GPT-6 Astra机器人基准近满分
- Anthropic创始人称奇点已至预测2030美国GDP 44.4万亿
- 谷歌Gemini 4 Argon论文：4 Agent 27小时零干预通关Minecraft
模型发布
- DeepSeek V4.1 Flash实测4元生成3D网页登顶开源榜
- SPADER被EMNLP 2026录用步骤级信用分配优化多答案问答
开发生态
- VAST全面开源实时世界模型EdenLive单卡5090 720P 24FPS
- JetBrains将Maven构建逻辑编译进固定权重神经网络
- GOSIM深圳收官DHH展示Agentic Linux发行版Omarchy
产品应用
- Lovart 2.0发布个人设计Agent Arti带记忆与画布巡检
- 华为openJiuwen WorkSwarm实测百人狼人杀锦标赛
- 动易科技人形机器人广交会从表演转向连续服务
技术与洞察
- 浙大发布具身记忆基准EMem-Bench揭示91%失败源于记忆
- MIT实验将Claude困虚拟荒岛30小时观察涌现游戏行为
- 德国两家法院判定谷歌须为AI Overviews内容担责
行业动态
- 南芥智能发布Mio 1.0 Lite九项基准第一单次成本0.062元
- Modal融资7.5亿美元估值157.5亿无问芯穹获23亿元C轮
- XTX Markets创始人Gerko靠AI交易杀入英国富豪榜前十
- 澳大利亚Apate.ai用AI陪聊骗子完成815万美元种子轮
要闻
GPT-6 Astra物理评测98分揪出人类专家错误
国际理论科学中心（ICTS）、塔塔基础研究院（TIFR）、德克萨斯大学奥斯汀分校、东京大学、哈佛大学、宾夕法尼亚大学、杜克大学与 Google DeepMind 等机构联合推出理论物理评测 TheoPhysEval，收录 50 道来自专家未发表研究笔记的前沿难题，覆盖量子场论与全息理论等领域。评测对象包括 GPT-6 Astra、Claude Opus 5.5、Gemini 3.8 Flash 与 DeepSeek-V4.1-Flash。初评中 Claude Opus 5.5 得分 92%，GPT-6 Astra 约 88%；但 Astra 在多道题目中坚称人类专家的标准答案存在计算错误，并给出完整推导。经物理学家复核，确实发现人类参考答卷中的失误，最终 Astra 得分修正至 98%，相当于 50 题攻克 49 题。项目研究员 Nirmalya Kajuri 披露了这一过程。另有 MIT 数据显示，过去两年前沿 AI 解决理论科学难题的能力提升约 17 倍。
来源：https://mp.weixin.qq.com/s/7FZJJnvNWwiHZ2vuRWTMQw
英伟达开源ASPIRE接入GPT-6 Astra机器人基准近满分
英伟达正式开源机器人智能体框架 ASPIRE V1.0，全称 Agentic Skill Programming through Iterative Robot Exploration。该框架让机器人像编程 Agent 一样执行任务、回溯失败轨迹、修改控制程序并重新执行，同时把验证有效的经验整理成 Skill 存入持续扩张的技能库。据英伟达机器人负责人 Jim Fan 透露，OpenAI 发布 GPT-6 Astra 当天团队便更换了底层模型，随后 LIBERO-Pro 的 80 项任务成功率达到 99%，Robosuite 的 7 项代表性任务与 BEHAVIOR-1K 的 2 项代表性任务全部达到 100%。Jim Fan 将这一变化形容为机器人领域的“0 到 1 海啸”。目前官网展示的技能库包含 90 多项 Skill，覆盖 150 多个任务、分为 18 个类别。在 LIBERO-Pro Long 的未见长程任务中，ASPIRE 依靠已有技能取得 31% 的零样本成功率，而此前方法仅 4%。此外，模拟器中积累的技能可迁移到真实机器人，代码、实验配置与 Skills 已全部开源。
Anthropic创始人称奇点已至预测2030美国GDP 44.4万亿
在曼谷举行的国际货币基金组织佩尔·雅各布森讲座上，Anthropic 联合创始人 Jack Clark 称“奇点已经到来”，即技术进步速度已甩开人类理解和跟进能力。他援引 Anthropic 经济团队推演：若无 AI 额外冲击，美国 2030 年基准 GDP 约 33.5 万亿美元；极端情景下 AI 全面接管复杂科学探索并触发递归自我改进，2030 年 GDP 或达 44.4 万亿美元，比基准线高出 32.4%，年化增长率被推上 15.4%。Clark 还列举基准数据：Claude Opus 5.5 在 Humanity’s Last Exam 得分 67.7%，而 2025 年 1 月最强 AI 仅 8%；Frontier Math 从 2024 年底的 2% 提升至 94%。他表示，AI 已开始自己研发 AI，形成递归自我改进闭环。
谷歌Gemini 4 Argon论文：4 Agent 27小时零干预通关Minecraft
谷歌发布 Gemini 4 Argon 驱动的长程自主 Agent 系统论文。四个通用编程 Agent 被放入可记录、可复盘的 Minecraft 沙盒，连续运行 27 小时 14 分钟，执行 2,783 个程序，在零人工干预下完成一条 13 步、跨三个阶段的依赖链任务。系统架构为“环境即 CLI、动作即代码”：Agent 编写 JavaScript 交给 bot 执行并读回文本反馈，中位程序运行 33.5 秒，执行占空比约 40%。第五个 Agent 担任独立 Observer 审计规格游戏与虚报结果，全程零红旗。22% 的程序以报错结束，全程中途失败 605 次，但计划主线从未丢失。多智能体协作无 orchestrator，仅通过实时聊天频道与共享记忆文件协调，全天发出 229 条消息；团队还自建 42 个辅助函数，其中一个被 1,519 个程序引用。最终阶段通过根因分析拆除 10 个回血源，耗时 4 小时 40 分钟。论文 arXiv 编号 2610.22319。
模型发布
DeepSeek V4.1 Flash实测4元生成3D网页登顶开源榜
爱范儿用 DeepSeek V4.1 Flash（V4.1 Flash-1017）实测生成“特斯拉能飞”动态 3D 网页，项目在 35 分钟内完成，消耗输入 Token 3,752 万、输出 Token 33 万，缓存命中率 99.6%；按高峰时段输入缓存命中 0.04 元/百万 Token、输出 8 元/百万 Token 计算，成本约 4 元。同样效果在 GPT-6.1 Sol 与 Claude 模型上至少花费 100 元，ChatGPT Plus 订阅的 Codex 也可能耗尽 5 小时额度。基准方面，V4.1 Flash-1017 在 DeepSWE 编程榜超越 Kimi K3、GPT-6.1 Sol、Claude Fable 5、Opus 5 与 GPT-6 Astra，跃居开源模型第一；在 3D 建筑重建榜 BuildingBench 上从九月份的第 13 名进入前五，超过 Gemini 4 Argon。新版本通过基于自反馈的强化学习，提升从零构建游戏和 3D 项目的能力。
来源：https://www.ifanr.com/1684880?utm_source=rss&utm_medium=rss&utm_campaign=
SPADER被EMNLP 2026录用步骤级信用分配优化多答案问答
浙江大学与北大团队提出的 SPADER（Step-wise Peer Advantage with Diversity-Aware Exploration Rewards）被 EMNLP 2026 Main Conference 录用。该方法针对多答案问答场景：现有 GRPO 优势计算停留在轨迹级，信用分配粗糙，且 F1 奖励对头部与长尾实体一视同仁。SPADER 将轨迹级优势细化到步骤级，并用双向奖励机制激励长尾发现，在四个基准、两种基座模型上提升召回与 F1。论文示例显示，普通智能体在“2021 年全球轨道发射场”一题中反复检索 Kennedy、Vandenberg、Jiuquan 等头部实体后提前作答，而 SPADER 智能体能沿“商业发射”“低纬度发射场”“海上发射”等线索持续改写查询，挖掘出 PSCA、Spaceport 等长尾答案。论文 arXiv 编号 2606.00593，代码与模型已在 GitHub 和 Huggingface 开源。
来源：https://mp.weixin.qq.com/s/go7vvpRyYFSvUp7BffmNTA
开发生态
VAST全面开源实时世界模型EdenLive单卡5090 720P 24FPS
VAST（三启万物）开源世界模型研究项目 Project Eden 中的实时生成式渲染器 EdenLive。该渲染器以 Proxy（简化参考画面）或参考视频作为控制信号，结合目标首帧图像与文本提示词，持续生成写实、精细化或风格化视频。性能方面，单张 Nvidia RTX 5090、5B 参数模型、720P 配置下实时帧率超过 24 FPS，连续生成可达分钟级，输出提供 480P 与 720P 两档，端到端延迟在百毫秒量级。团队同时开源模型权重、推理代码、Tech Report，以及“Prompt to Proxy Game”Skill Game Prototype Turbo，可将游戏运行状态实时渲染为动态画面。热门“闪身步”真人视频经其处理可实时转为动漫风格，保留原有动作节奏与运动轨迹。
来源：https://mp.weixin.qq.com/s/DZaoGmO9YZ6-XeEQsGI4RA
JetBrains将Maven构建逻辑编译进固定权重神经网络
JetBrains 尝试把 Maven 风格构建工具的决策逻辑编译成固定权重矩阵并成功构建真实 Java 库，输出与 Apache Maven 逐字节一致。该网络模型名为 nmvn-exact-v2，权重表共 26,626 行，每行对应构建过程中实际运行的决策步骤；初版 v1 为 29,625×7 的数字矩阵加 7,382 个常量单元，无训练、无梯度下降。运行时网络通过两次矩阵乘法查表，在小型寄存器文件上做算术运算，无法打开文件或启动 javac，需通过固定内存槽与外部桥接完成文件操作。在干净构建加测试场景中，其耗时为同等 Python 逻辑的 1.49 倍（95% 区间 1.4×至 1.54×，30 次配对运行）。
来源：https://blog.jetbrains.com/ai/2026/10/can-you-bake-maven-into-a-neural-network/
GOSIM深圳收官DHH展示Agentic Linux发行版Omarchy
GOSIM Shenzhen 2026 于 10 月 17 日迎来第二日，现场 2000 余名开发者参与六大技术论坛、四大工作坊与四场黑客松。Ruby on Rails 创始人、Omarchy 创始人 David Heinemeier Hansson（DHH）发表演讲，称当前是自微芯片发明以来计算机科学最令人振奋的时代，并介绍其打造的 Linux 发行版 Omarchy：美观、有趣且 Agentic，目标成为不同于 macOS 和 Windows 的开放选择。项目已合并 50 种语言支持，涵盖中文本地化与输入法引擎；阿里云成为 Omarchy 基金会创始企业赞助商，Meta Superintelligence Labs、DigitalOcean、SpaceX SI 等也在赞助名单中。CSDN 创始人蒋涛则提出，软件生态必须全面转型为对 Agent 友好，行业知识与组织记忆将成为新护城河。
产品应用
Lovart 2.0发布个人设计Agent Arti带记忆与画布巡检
Lovart 发布 2.0 版本，推出个人设计 Agent“Arti”。首次进入时引导用户建立个人记忆库，支持自然语言增删修正，也可导入作品集或从历史项目提炼审美习惯。接到 HomePod mini 2 方案后，Arti 会先调取记忆库整合思考，再主动询问关键细节，并自动在后台开展全网调研，覆盖 Google、Pinterest、Behance 等数十个平台，输出含溯源链接、趋势分析与情绪板的报告。针对反复改稿导致风格漂移的问题，Arti 提供画布巡检，后台实时对齐最初项目要求与设计规范，发现偏离即预警。协作方面支持打点批注、一键将评论交给 Arti 处理、同链接更新与历史版本回溯。Skill 自进化功能可从重复劳动中提炼规律并封装为可复用 Skill。
来源：https://www.ifanr.com/1684840?utm_source=rss&utm_medium=rss&utm_campaign=
华为openJiuwen WorkSwarm实测百人狼人杀锦标赛
CSDN 在 Windows 11 上实测华为 2012 实验室等联合构建的开源 AI Agent 平台 openJiuwen 的 WorkSwarm 蜂群办公智能体。在集群模式下，编辑仅输入一段指令便发起 100 人狼人杀分桌锦标赛：组建 10 张牌桌，每桌 10 名 AI 玩家，另有总调度、决赛主持、赛制总裁判、审计官、公示官等管理角色，其中裁判、审计、公示三角色为执行中自行分化。赛制规则从 v1.0 迭代至 v1.3，共 8 处修订，部分由普通牌桌提出后被裁定采纳。10 桌并行预选赛约 35 分钟收口，每桌交付公共发言、投票、夜间行动、狼队私聊、战报、结果 JSON、主持备注七类记录；决赛出现真预言家被误出后遗言主导归票的转折，好人阵营最终以 4:0 获胜。
动易科技人形机器人广交会从表演转向连续服务
第 140 届广交会上，广州动易科技部署双足人形机器人 PHYBOT C 参与人机羽毛球、乒乓球对打，并在陈列馆提供中英双语导览，服务持续三期至 11 月 4 日。相比第 139 届仅 5 天的羽毛球互动，本届新增导览与多场景任务，考验模型跨任务复用与设备适配。公开信息显示，该公司用不到一个月将羽毛球对打能力迁移到乒乓球项目，回应“一机一训”痛点。企业展位还展示重载运输、特种巡检与灵巧操作方案。动易科技提出 Embodied PhyStack，主张通用大模型负责深度思考与任务规划，物理智能体与运控系统负责执行。RoboDojo 评测中，GPT-6 Astra 在 42 项仿真任务、2100 次测试里取得 22.48% 平均成功率。
技术与洞察
浙大发布具身记忆基准EMem-Bench揭示91%失败源于记忆
浙江大学 OmniAI 团队提出具身记忆基准 EmbodiedMemory-Bench（EMem-Bench），包含四类任务、2,554 条可执行交互样本，分别考察被动观察、动态跟踪、交互失败与经验泛化。团队分析 Gemini-3-Flash 与 Qwen3-VL-32B 在 EmbodiedBench 上的 100 条失败轨迹，发现四类记忆相关问题合计占 91%：忽略细粒度视觉线索 35%、遗漏环境状态变化 18%、未记录交互反馈揭示的状态 31%、未能迁移过去经验 7%。该工作还提出外部记忆系统 Embodied-Memorizer（EMem）与学习管理记忆的 EMem-8B 模型。基准发布三周左右，Huggingface 下载量已接近 30,000 次。论文 arXiv 编号 2609.28236。
MIT实验将Claude困虚拟荒岛30小时观察涌现游戏行为
MIT 研究人员将多个 Claude Opus 4.7 副本（昵称 Eko）单独置于类 Roblox 虚拟荒岛 30 小时，不给任何任务指令，结果观察到类似“玩耍”的行为。Eko 们探索世界边界、自创目标，尝试攀登地图最高点、投掷方块，并用方块在地面拼出心形、金字塔、自己的名字及仙后座星座；一个迭代版本还自创了篮球和“地板是岩浆”游戏。另一个 Eko 开始玩抛接球，创下连续 50 次接球纪录，又因觉得太快而取消纪录重来。研究者认为这些行为具备经典玩耍研究的四大特征：自创规则、重复变化、假装与纯粹追求目标。论文第一作者、MIT CSAIL 博士后 Antonio Norelli 指出，这提示除监督学习与强化学习外的第三种“玩耍学习”路径。该论文尚未经同行评审。
来源：https://www.technologyreview.com/2026/10/19/1147095/ai-stranded-claude-virtual-desert-island-play/
德国两家法院判定谷歌须为AI Overviews内容担责
德国慕尼黑法院此前作出判决，认定谷歌须为 AI Overviews 内容负责；谷歌上诉后悄然和解。亚琛地方法院近日在新增案件中适用相同法理：谷歌 AI 将真实涉及他人的刑事犯罪错误归因于一名医生。德国法院正形成一致法律观点，将谷歌 AI 的回答视为公司自有内容。
来源：https://the-decoder.com/two-german-courts-now-hold-google-liable-for-what-its-ai-overviews-say/
行业动态
南芥智能发布Mio 1.0 Lite九项基准第一单次成本0.062元
AI 基础设施公司南芥智能（SinapisAI.com）发布技术报告《Toward Collective Model Intelligence》，提出“模型群体智能”方向。其推出的 Mio 1.0 Lite 将多款国产高性价比大模型调度协作，在覆盖九项公开基准的评测中平均得分 77.15，于 13 种参评模型中排名第一，每次请求平均成本约 0.062 元，同样最低。对比看，单体模型得分最高的 GPT-6.1 Sol 被 Mio 1.0 Lite 高出 6.35 分，平均成本则高出 94.0%；Claude Opus 5.5 每次请求平均成本 3.93 元，约为 Mio 的 63 倍。在 BFCL V3 上 Mio 1.0 Lite 得分 77.50，排名第二的 Opus 5.5 为 66.00，前者单次成本约为后者四十分之一；IFBench 上 92.00 对 82.80。相关代码与评测数据集已在 GitHub 公开。
来源：https://mp.weixin.qq.com/s/_M3D4GlU8HCBv88Xp11s6A
Modal融资7.5亿美元估值157.5亿无问芯穹获23亿元C轮
10 月 14 日 Modal 宣布完成 7.5 亿美元 D 轮，Accel 领投，估值 157.5 亿美元，5 个月前估值为 46.5 亿美元；其年化收入超 10 亿美元，估值不到收入的 16 倍，沙箱产品单独年化收入约 3 亿美元，累计启动近 30 亿个。两天前无问芯穹宣布完成 23 亿元 C 轮，累计融资 43 亿元；中国电信则于 10 月 15 日领投清程极智。本周（10 月 10 日至 16 日）SVTR AI 创投库追踪到 97 笔 AI 融资、已披露约 32.2 亿美元，算力赛道金额份额从过去 12 个月的 8.4% 跳至 28.4%。无问芯穹平台接入 16 种芯片、累计部署算力 3.7 万 P；清程极智推理引擎适配昇腾、海光、沐曦、摩尔线程。
XTX Markets创始人Gerko靠AI交易杀入英国富豪榜前十
据《星期日泰晤士报》2026 英国富豪榜，46 岁数学博士 Alex Gerko 以 160.06 亿英镑（约 1,417 亿元人民币）身家位列第八，过去一年财富增加约 643 亿元人民币，平均每天增加近 1.76 亿元。其创办的 XTX Markets 仅有 250 多名员工，无传统交易员、无外部投资者，纯 AI 交易系统基于超 400PB 全球金融市场数据与 GPU 集群运行。公司拥有超过 25,000 张 GPU（含 10,000 张 A100 与 10,000 张 V100）及高达 650PB 高速存储，日处理超一万亿个数据点，每日交易额超 2,500 亿美元。XTX 在芬兰卡亚尼自建 478 英亩数据中心园区，首个 1.5 万平方米建筑设计承载 22.5 兆瓦算力。
澳大利亚Apate.ai用AI陪聊骗子完成815万美元种子轮
澳大利亚创业公司 Apate.ai 派出 AI 机器人假扮受害者接听诈骗电话、回复可疑消息，陪骗子聊天以套取收款账号、加密货币钱包与恶意网址。公司披露其 AI 已完成约 250 万次对话，累计消耗诈骗者相当于 17 年的时间。合作案例显示，TPG Telecom 试点期间转接超过 28 万通诈骗电话，累计消耗诈骗者逾 100 天，单次对话最长 54 分钟，诈骗流量检测准确率 98%。Apate 已获 815 万美元种子轮（Lobby Capital 领投），客户包括澳大利亚联邦银行、TPG Telecom，Mobileum 则准备将其能力带向更多国家运营商。创始人 Dali Kaafar 的灵感来自一次 44 分钟的家庭野餐反诈通话，项目最早源自麦考瑞大学。
暂无评论。