AI 编程实时动态与要闻

11 月 3 日，OpenAI 发布《Accelerating engineering for the physical world》，介绍其模型在机械设计、电子设计和仿真上的进展。两名员工用 GPT-6 Astra 在不到一周内设计出一台用来和 Codex 对话的设备（外壳、PCB、固件和软件），合同制造商不到一个月做出小批量原型，但量产前仍需多轮人工评审。OpenAI 硬件团队的模型 token 用量自 2 月以来增长 23 倍；在 BenchCAD 2.0 上，一个更新的内部模型平均得分 0.875，GPT-6 Astra 最高推理档为 0.594（官方口径）。OpenAI 还扩大与 Chip Ganassi Racing 的合作，并宣布与 Mazda 开展新的研究合作。

查看大图

微软亚洲研究院（MSRA）研究团队在 arXiv:2610.26828 正式发布并开源通用智能体世界模型 WildAWM（MSR-Orchard/WildAWM）。针对当前跨平台 GUI 与网页浏览智能体（Computer-Use Agents）在训练和评测中高度依赖昂贵、慢速且不可撤销的真实物理沙盒环境的痛点，WildAWM 首创可适应野外复杂异构环境的多模态自回归世界模型架构。模型能够在接收任意智能体动作（点击、输入、滚动）后，极其逼真地预测网页与桌面操作系统下一帧的高保真视觉状态演化与 DOM 结构变化，成功替代物理沙盒，为大规模自主智能体的离线强化学习与安全预演树立了全新基座。

查看大图

欧洲前沿 AI 巨头 Mistral AI 与 NVIDIA 在 GTC Berlin 宣布达成工业工程 AI 深度战略合作，全面加速物理 AI、计算机辅助工程（CAE）与芯片设计（EDA）的智能化变革。合作将 Mistral 旗舰模型与 NVIDIA CUDA-X、Warp 物理引擎以及 Omniverse 实时数字孪生进行全链路打通。官方博客同时公布了备受瞩目的下一代旗舰模型 Mistral Large 4 的核心技术参数：总参数量接近 1 万亿（1T），激活参数为 490 亿（49B MoE），在 3800 张 Grace Blackwell GPU 集群上训练完成，模型权重定于 10 月底正式开源发布，并将联合 Nemotron 联盟共建工业基座。

查看大图

Dream Labs 10 月 19 日宣布出隐身并完成 9000 万美元种子轮，同时上线 Dream-1 公开 API。Dream-1 是一个「世界动作模型」（WAM），把视频预测和动作预测放在一起学，官方称无需该机器人的任何演示数据，就能零样本控制带平行夹爪的双臂机器人，在仿真中跑通 27 款没见过的机型，包括 18 年前的 PR2。定价 Dream-1 每小时 3 美元、Dream-1-flash 每小时 2 美元。第三方 Robocurve 的独立评测里，Dream-1 在 RoboDojo-RC Tier 1 得 59 分，此前最佳为 48 分。官方强调仍是研究测试版，未做安全关键场景验证。

查看大图

针对视觉-语言-动作（VLA）模型死记硬背“观测-动作”映射导致跨场景泛化脆弱的痛点，今日三项重磅具身智能开源成果从物理状态转移、世界模型统一因果训练与仿真数据引擎共进化三路破局：浙江大学开源 2B 规模 VLA-Δ（arXiv:2610.21306，HF 54 赞），显式监督物理状态变化且推理零额外开销，以 98.4% 刷新 LIBERO 最高纪录；上海交大与港大开源 OneWM（arXiv:2610.21095，HF 40 赞），在 RoboCasa365 上取得 36.68% 综合成功率（达 π0.5 的 2.17 倍）；UIUC/Amazon 提出 CoDA（arXiv:2610.22362），通过 15 轮仿真引擎与策略共进化，将 LIBERO-Pro 指令扰动成功率从 1% 暴力拉升至 76%。

查看大图

Anthropic 于 10 月 16 日发布 STEM Fellows 项目研究：给 Claude Mythos 5 一段自然语言规格和自动评测器（校验正确性并按量子比特数×门数打分），它在化学、优化、量子模拟、数论等 8 类量子电路原语上找到优于已发表最优方案的设计。椭圆曲线点加法任务中连续工作 53 小时，首次实现无需存储分支历史的可逆 divsteps 模逆；DQI 的 Reed–Solomon 解码器门数比 Google 此前构造降低约 12 倍。论文已上 arXiv（2610.22367）。

查看大图

从现实生活中随意拍摄的单张或少样本二维照片中，精确重构出带逼真高保真纹理、几何网格且具备场景相对位姿（Scene-Relative Pose）的完整三维物体资产，是连接虚拟世界、机器人具身操作与空间计算的终极桥梁。然而，日常拍摄的照片普遍存在视野稀疏、视角不确定以及严重的物体自遮挡难题；现存的纯生成式 3D 模型往往在不可见背面产生严重形变与模糊贴图，且无法精确对齐物体在真实物理场景中的六自由度位姿。NVIDIA 研究院（NVIDIA Learning and Perception Research）在最新重磅成果（arXiv:2610.11215，项目主页：research.nvidia.com/labs/lpr/gator）中正式发布了全新端到端框架 GATOR。GATOR 首创了‘生成式扩散初始化 + 多模态智能体闭环精炼（Generative and Agentic Pipeline）’的双引擎架构：局部模态混合器将 RGB 补丁、目标掩码与点云特征深度融合，由文本引导的结构/几何/外观适配器生成初始 3D 资产；随后，该资产直接初始化一个具身多模态 Agent，驱动其在观察引导的‘编辑-渲染-审查（Edit-Render-Review）’闭环中自主旋转多视角进行局部微观重构与位姿对齐。在合成物体、杂乱桌面与真实室内场景的全方位实测中，GATOR 展现出统治级的几何保真度与物理仿真就绪度（Simulation Readiness），项目已正式发布。

查看大图

让通用 AI 智能体在交互式虚拟世界中自主探索与进化，是通往高阶通用人工智能（AGI）的核心路径。然而，构建兼具‘物理确定性（Faithful）’与‘照片级逼真度（Realistic）’的训练环境长期受制于技术瓶颈：纯物理引擎画面简陋缺乏真实视觉分布，而纯生成式视频世界模型则会在长程交互中不可避免地出现几何崩溃与‘幻觉累积’。MirroS 实验室与学术研究团队在最新研究（arXiv:2610.12374）中推出了 AgentGarten 开源框架（代码：github.com/MirroS-Lab/AgentGarten，主页：mirros-lab.github.io/agent-garten）。AgentGarten 首创将物理仿真引擎与共享神经渲染器深度解耦：仿真引擎作为确定性底座维护持久的世界状态与代码交互规则，不直接消费生成视频帧，从而从根本上消除了幻觉反馈回路；神经渲染器则根据导出的结构化几何条件以超过 30 FPS 实时渲染逼真观测画面。配合团队创新的‘对抗性强制（Adversarial Forcing）’训练，实现了历史预填充的可微回放与真实对抗监督。智能体在 AgentGarten 中探索试错，能将经验自动提炼为标准化‘战术手册（Playbooks）’供后代智能体继承。在经典的捉迷藏等复杂交互任务中，智能体仅需 4 轮探索即可自发涌现利用掩体与斜坡协同的高阶行为，效率比传统强化学习数千万轮交互提升数十万倍，官方代码与环境现已开源。

查看大图

人类在面对复杂空间旋转、机械装配与物理拓扑推演时，往往会在大脑中主动进行“视觉想象推演（Mental Simulation）”，通过在脑海中逐步生成未来的中间视觉画面来辅助思考；然而现有的多模态大模型（VLM）在处理多步骤空间任务时，却几乎全盘退化为“纯语言 Token 思考链（Text-only CoT）”，导致其在面对 2D/3D 空间立体变换时极易产生方向颠倒与几何幻觉。卡内基梅隆大学（CMU）与 MBZUAI（Eric Xing 团队）联合提出了突破性的 WM-VLM 架构（arXiv:2609.34826）：为预训练多模态大模型赋予了一个轻量级的内置“世界模型分支（Internal World Model Branch）”，赋予模型在语言推演的同时自主生成中间视觉状态（Intermediate Visual States）的能力，实现真正的图文交错混合推理（Interleaved Visual-Textual Reasoning）。两阶段训练首先教会模型如何根据物理变换指令生成下一步的精确视觉状态，继而训练模型如何观察并借助该生成状态展开后续空间逻辑决策。在 2D 与 3D 心理旋转（Mental Rotation）等严苛空间基准测试中，WM-VLM 相比监督微调基线取得了高达 39.25 个百分点的巨大精度跃升；消融实验确凿证实，一旦人为剔除或污染生成的中间视觉画面，模型性能即刻雪崩，证明了具身心智模拟是攻克高级空间几何推理的根本路径。

查看大图