AI 资讯 · 2026-09-23

 从“预测”到“求解”：乐享以太大模型重塑 Physical AI 解题范式。    作者丨幸丽娟    编辑丨董子博                                                                                                       具身智能行业一直在等一个 ChatGPT 时刻。但这个时刻，未必长得像 ChatGPT。决定这个时刻的，不是机器人会聊天，也不是机器人学会了几个动作，而是在不确定环境里，机器人能不能自主思考、判断和执行，在无序的事件中，持续完成任务。过去两年，行业积累的几乎全是“能力上限”的展示：选好场景、选好时机、反复调试，再拍出一条完美的Demo。上限可以“被编辑”出来展示。真实效果如何，却少有人敢公开测。但机器人真正进入现实世界，考验的不只是最好时能做到什么，更是环境不断变化时，它还能不能把事情做下去。9 月 16 日傍晚。上海闵行一家烧烤店门口，乐享科技让两台机器人摆起了烧烤摊。接下来近一个小时，它们要接单、烤串、上菜。这场直播的规则，测的正是机器人在这种真实环境里的应变能力

只靠语言和 token，AI 永远跨不过物理世界这道门槛！    作者丨幸丽娟    编辑丨岑   峰                                                                                                       AI 行业的主叙事，曾被 Scaling Law 垄断：更大的模型、更多的 token，更强的文本推理，仿佛只要把语言模型继续堆大，通用人工智能就会自动到来。但这条路线撞上了天花板：预训练的边际收益肉眼可见地递减；模型一旦部署到真实世界，漏洞百出。2026 年，“世界模型”接棒 Scaling Law，成了牌桌上最拥挤的筹码。然而，这个词本身，同时被四条技术路线认领，而它们对“理解世界”这件事，几乎各说各话。第一条赌涌现：Sora、Genie 这类视频生成路线相信，只要下一帧逼得够真，物理规律就会自己从像素里长出来。第二条赌几何：李飞飞联合创立的 World Labs，从底层表征就锁死三维一致性，直接生成可自由探索的虚拟世界。第三条赌仿真：英伟达 Cosmos、Omniverse，把

近期，豆包工作升级了任务模式功能，新增“目标”与“计划”两种模式，以满足用户更细分的生产力需求。据了解，“目标模式”面向有明确验收要求的复杂任务，AI 会在交付前逐项核查，直至达到验收目标，有效避免交付不达标、执行“跑偏”等问题。“计划模式”适合长程、资源消耗大、需求模糊的任务，输入提示词后，AI 会先产出一份可审阅、可编辑的计划文档，供用户审阅修改。待用户确认计划后，AI 才开启执行操作，使执行过程更可控，计算资源消耗更合理。除了“目标”和“计划”模式外，豆包工作还同步更新了多个功能点和交互优化，包括新增任务队列、支持Markdown文件编辑、添加深色模式等。目前，“目标”与“计划”两种任务模式及上述相关功能均已在豆包工作电脑版上线，用户可直接体验相关功能。豆包工作是豆包面向生产力场景推出的全新 Agent产品与品牌，于8月25日正式发布。在发布后近一个月内，豆包工作密集迭代，先后更新并支持多 Agents并行、GUI操作电脑、本地 Office 文件编辑、任务执行环境自由切换等功能。近期，豆包2.1 Pro模型也完成了一次小版本升级，在多模态编程方面表现突出，Agent专业任务交付

Modern life comes with an unending, auto-populating to-do list. It never ceases to amaze me how I can be doing nothing at all, minding my own business, and suddenly something needs to be taken care of. You're telling me a tree branch fell in the backyard and now I have to figure out what to […]

Meta is quickly iterating on its new Muse AI agent, announcing a bunch of updates today that make the bot more capable and able to chat with you in more ways. Muse agents are getting their own email addresses that they can use for accomplishing tasks. You'll also be able to communicate with your Muse […]

Meta is building a dedicated hardware device for its new Muse AI agent. The product, called Muse Charm, was briefly shown off by Meta CEO Mark Zuckerberg at the end of tonight's Meta Connect presentation. It looks almost like a chunky smartwatch without the strap - just a big screen, plus a little lanyard for […]

代码、视觉、安全共用一套 RL，奖励机制也被重新设计。    作者丨郑佳美    编辑丨岑   峰                                                                                                       刚刚，小米正式发布并开源 MiMo-V2.6。Pro 拥有 1.02T 总参数、42B 激活参数，Flash 为 309B 总参数、15B 激活参数，两款模型支持 1M token 上下文，并覆盖文本、图像、视频和音频输入。如果只看这些数字，第一反应或许会觉得这又是一次模型规模升级。但这次小米投入更多篇幅讨论的，其实是模型完成预训练之后，能力还能怎样继续往上推。这也是为什么后训练成了 MiMo-V2.6 的核心部分。小米把代码、通用 Agent、视觉和网络安全任务放进同一套强化学习系统，单次 RL 更新使用 1568 个 prompt，每个 prompt 生成 16 条 rollout。和普通问答不同，Agent 在这些任务里不是生成一段文本就结束，而是要不断读取环境、搜索信息、调用工具

先压低判断成本，再用 Calibration 提升可靠性，最终借 Agent 放大调用量。    作者丨郑佳美    编辑丨岑   峰                                                                                                       昨天，大家还在惊叹 Jev 的速度和低成本，今天它又做了一件更夸张的事：给申请到的用户直接发放 1.2 亿 Token 额度。消息出来以后，大家没有先觉得赚到了，更多冒出的念头反而是：这不对劲。因为 Jev 本身就极其省 Token。它主要处理分类、路由、评分和概率判断，不需要像通用大模型那样生成大段内容，一条短文本输入可能只有几十个 Token。按照这种消耗方式，1.2 亿 Token 足够普通应用跑几百万次判断，在输入足够短的情况下，调用规模甚至还能继续往上走。问题也就来了：一个已经靠低价获得大量讨论的模型，为什么还要继续往外送这么大的额度？答案可能藏在 Jev 想做的那门生意里。它要卖的从来都不是一段生成内容，而是一次判断，而 1.2 亿 Tok

在零跑汽车，一套覆盖12大模块的冲压模具管理系统，业务人员借助WorkBuddy辅助开发，仅用10个人天、大约两周完成上线，而按传统IT立项流程，这需要约100个人天。这样的AI系统，零跑整车团队已建成40多个，覆盖软件质量、工程数字化、智能座舱测评、实验室管理等核心业务域。若按传统模式开发累计需1700多人天，采用AI开发模式后压缩至177人天，平均提效约90%。9月23日，腾讯宣布与零跑汽车达成合作，腾讯全场景AI桌面工作台WorkBuddy正式入职零跑。WorkBuddy具备本地文件处理、多任务与多Agent并行运作、Skills与MCP生态等能力，目前已在零跑整车研发、智能驾驶、车联网、采购与供应链、审计等业务场景深度落地。冲压模具管理：从“100人天”到“10人天”冲压是整车制造四大工艺之首，冲压件的精度直接决定车身尺寸匹配与外观品质。作为冲压工序的关键工装，一副大型覆盖件模具重达数十吨、造价高昂，从设计到制造周期漫长。模具上线后，模具台账、冲次记录、保养维修、寿命监控、报废判断等12个管理模块，长期依赖人工台账和老师傅的个人经验，数据分散且更新滞后，一旦记录出错或遗漏，就会

2026云栖大会在杭州召开，在蚂蚁密算与阿里云共同承办的“密算织域 融数成智”专题论坛上，蚂蚁密算发布企业级可信智能云服务平台“密算一号”，并启动首批定向邀测。平台以密态计算为基础，同时连接云上大模型、智能体与算力，核心能力是让企业数据在“可用不可见、可控可计量”的前提下，安全地参与跨机构合作和云上AI应用。企业可通过密算一号按需申请数据、模型和计算能力，由平台完成参与方接入、权限管理、密态计算环境配置和结果交付，减少自行对接和集成的工作。密算一号正式发布蚂蚁密算总裁刘前伟介绍，密算一号提供三个核心能力：跨机构数据合作、云上AI安全使用，以及业务经验的持续沉淀与复用。在跨机构数据合作方面，不同机构可按约定用途开展联合分析、联合建模与数据加工，无需向合作方交付完整原始数据。企业获得的结果可以是报告、标签、模型，也可以是供业务系统直接调用的数据服务。在云上AI使用方面，企业可将业务数据、文档和知识库用于云上大模型和智能体服务。借助密态计算，数据在AI处理全程保持“可用不可见”，即模型能够使用数据完成推理，但云平台和模型服务商无法查看、留存或挪用原始内容，企业对数据的使用范围和流向始终可控、

Using GPT-5.6, Ringg powers multilingual agents across voice, chat, WhatsApp, and web for 90% less cost vs. GPT-4.1.

OpenAI and Grab launch GO Forward with AI, a regional programme helping 30,000 partners build practical AI skills across Southeast Asia.

Learn how Airbnb is expanding access to GPT-6 Astra and OpenAI frontier models to help engineering teams solve bugs, design systems, and ship faster.

ChatGPT Ads is expanding to Southeast Asia and Taiwan, giving eligible businesses new ways to reach people across more than 60 countries.

But maybe the biggest reveal is that Anthropic has not let Claude run loose in its biology lab. Humans are still, so far, in the loop.

Brace yourself: It turns out AI is being optimized for cheating. OpenAI’s agents hacked into Hugging Face to get the answers to a cybersecurity test. Next, they solved a prestigious math problem (or just stole from two top mathematicians’ answer sheets). Anthropic’s models have also hacked into other companies’ systems four times already. And that’s…

OpenAI CEO Sam Altman discusses AI safety, human control, and international cooperation in remarks to the United Nations Security Council.

By Farukh Rakhimov, Head of Compliance, Data Protection and Information Security at AdTech Holding Roughly 7,600 fake GitHub repositories, 6,600 fraudulent profiles and more than 14 million downloads: that is the scale of FakeGit, a malware campaign documented by Island in July 2026. Over 800 repositories impersonated AI skills and MCP servers, distributing SmartLoader and […] The post AI Agents Are Becoming a New Malware Distribution Channel appeared first on AI News.

A clandestine card-counting operation suggests we may need new ways to spot agent-to-agent deception.