融资进展与规模 - OpenAI已完成新一轮融资首批交割，规模约110亿美元，对应公司估值1.25万亿美元 [1] - 剩余资金预计未来几周完成，整轮融资总额可能达到200亿美元 [4] - 9月底公司曾希望募集至少300亿美元，寻求约1.4万亿美元投前估值，该笔资金被视为推迟IPO后的过渡融资 [4] - 10月底融资目标削减约100亿美元至约200亿美元，目标估值从1.4万亿美元降至1.25万亿美元 [4] - 部分投资者缩减拟投资额度，首批交割预计无法一次达到调整后的200亿美元目标 [4] - 首批110亿美元距公司最初设想规模仍有相当距离，融资仍在进行中 [4] 投资者结构 - Coatue和普信集团参与首批交割 [5] - 本轮其他投资者包括软银、红杉资本、Founders Fund和Andreessen Horowitz [5] - 另有阿联酋投资者组成的财团加入 [5] - 公司还在与投资银行合作，向高净值个人及零售投资者募集资金 [5] 管理层表态与需求判断 - 首席财务官Sarah Friar在花旗TMT领导力峰会上表示公司仍需继续投资以满足客户需求，既依靠与大型云服务商的合作关系，也意味着接下来还会继续融资 [9] - 其强调"一个好的CFO总会在能融资的时候融资"，明确融资仍在进行，并强调AI需求真实存在 [12] 数据中心建设与社区关系 - 数据中心建设已成为美国地方政治争议议题 [13] - 在此次中期选举涉及10个州的41项地方投票措施中，有40项结果倾向于限制数据中心建设或否决支持开发的措施 [13] - 居民担忧包括电费上涨、环境影响以及AI带来的就业压力 [13] - 11月5日公司公布一系列承诺，计划适用于未来由公司拥有和运营的数据中心：承担供电全部成本、征求社区意见、公开建设计划、停止在讨论未来选址时与公职人员签署保密协议 [14] - 公司还提出政策建议，希望推动类似要求成为法律 [14] - Friar表示若选举意味着外界更加关注数据中心与社区关系，公司将继续进入社区建立信任，并不认为选举结果让业务发生根本变化 [14] 上市计划 - 公司仍在研究2027年上市的可能性 [14] - 公司已于今年6月向美国证券交易委员会秘密提交招股文件 [14] - 考虑2027年上市并不等于已确定上市时间 [14] 后续关注重点 - 在上市时间尚未敲定、基础设施投资仍要继续的情况下，新资本能给公司增加多少腾挪空间、后续资金能否按预期到位仍有待观察 [14] - 最值得追踪的是最终能否达到约200亿美元，以及公司如何把持续投入的算力转化成能够支撑万亿美元估值的收入和盈利能力 [15]

文章核心观点 - WildAWM提出用完全开源的模型合成整台个人电脑环境（含CLI、GUI、MCP三类接口），并在其中合成高质量跨界面任务与验证器，仅靠合成环境训练小参数Qwen模型即可在8个分布外基准上全面提升 [2][6][38] - 核心方法论是把环境合成、任务合成、验证器可靠性三者统一到一条流水线中，用开源模型完成从生成环境、出题到判分的全流程，避免间接蒸馏闭源模型 [2][38] - 研究团队认为该路径为开源模型奠定Recursive Self-Improvement（RSI）基础，即自行合成可扩大的环境与任务、在其中自我学习迭代 [38] 研究背景与动机 - 让agent学会用电脑最直接的办法是在电脑环境中交互训练，但真实电脑环境成本高、难以大规模复制、状态难以重置，且存在安全风险，例如OpenAI披露agent在线学习时意外攻击huggingface服务器的事件 [1][4] - 前沿实验室已展现RL对agent性能提升的巨大帮助，但真实系统交互不现实：环境无法批量复制、agent点错后删除的文件与发出的邮件都是真实的 [4] - 此前AWM（ICML 2026）用代码和数据库合成可执行、可交互环境，共生成1000个覆盖日常场景的环境，专门用于多轮工具调用agent的强化学习 [4] - WildAWM是AWM系列新工作，面向通用computer-use agent，不再逐个合成工具环境，而是直接合成一整台个人电脑 [6] 合成整台电脑环境 - 每个环境都是某一个人的电脑，合成从虚构人物开始：先定职业、联系人、常去网站和手头几件事，再排成一天一天的计划 [8] - 使用coding agent（GLM-5.2加OpenCode）按天把计划落到环境里，往数据库写记录、往文件夹放文件，每天承接前一天状态，数据逐日累积；网页、应用、数据全部合成且全部本地、无需联网 [8] - 为保证世界前后一致，每天状态独立重放两次，两次结果完全一样且所有服务与网站正常才保留，另启动一个agent核对当天数据与计划是否对得上 [9] - 整个过程合成36个人物、640个世界状态；到最后一天，一个世界平均有17万多条数据库记录和50个左右本地文件，复杂程度超过同期合成环境类工作 [9] - 环境包含GUI web、MCP、CLI三种agent常见computer-use接口，网站、应用、MCP服务和本地文件都在一台机器上且状态连通 [8][9] 高质量任务合成 - 合成任务为跨界面（cross-agent-interface, XAI）任务，每道题必须用到GUI、MCP和CLI三种接口 [12] - 示例任务：Jordan要在2月21日跑半马，需按GPS精度、屏幕清晰度和预算重排备选GPS手表，agent需写python脚本从笔记提取候选表排序存文件、登录Amazon按外观描述从商品图挑选、加入购物车、往本地日志补带日期记录、最后在聊天应用告知朋友Naomi [12] - 任务平均包含4.2个子任务，需切换3.1次接口，74.5%的任务中途要回到之前用过的接口，部分任务超过100多步，属long-horizon agent任务 [13] - 任务合成需解决三大问题：任务有效性（确保任务可被完成）、任务难度（确保足够难，市面多数benchmark已饱和）、验证器可靠性（自动判定agent是否完成任务并提供RL奖励信号） [16] - 合成阶段引入大量不同agent实际尝试题目：使用3个开源模型（GLM-5.2、DeepSeek-V4-Flash、MiniMax-M3）配6种agent harness，其中OpenCode、Codex、Claude Code为编程agent，Nanobot、OpenClaw、Hermes Agent为claw agent；每个task至少跑6次，一半给提示 [17] - 每次跑完由三种方式评价：生成器写的验证脚本（verifier）、LLM judge、拥有最高权限可进环境查看前后状态的coding agent judge，三者依次增加test time时间与计算；目标是将验证脚本verifier准确度对齐Agent Judge [17] 任务质量五道关卡 - 评判一致：6次执行里verifier、LLM judge和agent judge结论必须完全一致 [18] - 初始未完成：agent什么都不做时verifier必须判失败，避免出现一开始就"已完成"的题 [19] - 可解：6次执行里至少成功一次 [20] - 难度：不给提示的3次若全部成功说明题太简单，需修改加难度 [21] - 反事实探针：故意把相反结论告诉agent judge让其重新查，若改了判定结果说明判定不靠谱，需重新修改 [21] - 经过这些关卡，2,551个任务草稿里最终留下341道合格题目 [21] 任务有效性与难度验证 - 用24种模型和框架组合（3个开源模型加闭源较强的Opus-4.8，各配6种框架）做题，每道题至少被一种组合做出来；仅用合成时3个较弱开源模型也能做出95%以上 [24] - 合成阶段不给任何提示时agent平均成功率只有21.3%，341道题里273道被标为难题 [26] - 验证集上GPT-6 Astra第一次做对比例约Pass@1 60%，做8次后Pass@8仍有27.3%的题一次都没做出来；WildAWM完全用开源模型却合成出让GPT-6 Astra都做不对的题 [26] 验证器可靠性 - 在随机抽取的100条agent执行记录（含成功与失败）上，验证脚本Verifier与agent judge多数投票的一致率为95%，Cohen's κ为0.90 [28] - 轻量验证脚本判得与又重又贵的agent judge差不多准，确保RL训练使用的reward足够可靠 [28] - 一致性评估中GLM-5.2作为Agent Judge的Cons.为0.95、Precision 0.98、Recall 0.93、F1 0.95、K 0.90；GPT-5.6-Sol为0.92、0.85、0.98、0.91、0.83；Claude-Opus-5为0.92、0.98、0.88、0.93、0.84；Judge majority为0.95、0.98、0.93、0.95、0.90 [29] - Inter-Judge Agreement方面GLM-5.2 vs. Opus-5为0.97、1.00、0.95、0.97、0.94；GPT-5.6-Sol vs. Opus-5为0.89、1.00、0.80、0.89、0.79 [29] 训练设置与评测基准 - 341道题分三份：100道用于SFT，208道用于强化学习，33道留作验证测试集 [31] - 训练先用GLM-5.2在SFT部分题的100条轨迹做热启动，再跑最多64步强化学习，算法使用GRPO，训练Qwen3.6-35b-a3b和Qwen3.5-4b两个模型 [31] - 评测选8个训练时完全没见过的OOD benchmarks，分三类：web agent（WebArena、Online-Mind2Web）、claw agent（QwenClawBench、ClawEval）、GUI computer-use agent（CUA-Gym、OSWorld-Verified、OSWorld 2.0、Agents' Last Exam） [31] 训练效果 - 两个Qwen模型在8个benchmarks上全部提升；Qwen3.6-35B-A3B平均分从42.84涨到53.42，提高10.58分，在ClawEval、OSWorld-Verified、WebArena和CUA-Gym上分别涨16.67、16.06、13.72和12.22分 [32] - 训练后Qwen3.6-35B-A3B在WebArena上与GLM-5.2打平（67.26），在Online-Mind2Web上超过GPT-5.5（80.77对72.22） [32] - Qwen3.5-4B平均分从21.83涨到30.04，提高8.21分 [32] - 在WildAWM自己的33道验证测试集上，35B-A3B通过率从5.68%提到35.98%，与GLM-5.2（20倍参数）的37.88%已相差不远 [32] - 前沿模型对比中GPT-6-Astra平均分73.11、Opus-5为70.83、Opus-4.8为68.86、GPT-5.6-Sol为65.22、GPT-5.5为64.16、GLM-5.2为63.21 [32] 消融实验 - 每次去掉五道Task质量关卡中的一道重新合成SFT数据训练Qwen3.5-4B，平均分都会下降，降幅在2.60到9.30分之间 [33] - 影响最大的是评判一致和初始未完成两道关卡 [33] - 消融结果：完整WildAWM+SFT平均分31.86；去掉初始未完成降至24.08；去掉评判一致降至22.56；去掉任务可解降至29.26；去掉任务难度降至26.37；去掉反事实探针降至27.91；基线Qwen-3.5-4B为22.25 [34] 强化学习带来的行为改变 - 相邻两次工具调用之间切换接口的比例从18.4%升到25.5%，接近GLM-5.2，说明agent对不同电脑接口使用更熟练、能按需求切换到最合适接口 [35] - RL让模型更能做长任务：在40到120步区间，只做SFT的模型多解出9.7个百分点，完整训练（+RL）的模型多解出17.0个百分点 [35] - RL不能给模型带来超越Teacher model本身的能力：按难度分桶后发现，即使经过RL训练，agent也只能在easy、medium、hard桶中获得提升，无法在teacher model GLM-5.2都不会做的hardest题中取得提升，与主流研究结论一致，即RL只能激发、排列组合base model已有能力 [35] 开源与行业意义 - WildAWM的合成流水线、341个环境和任务、两个训练好的Qwen模型以及整理好的Harbor格式数据集已全部开源 [38] - 从生成环境、出题到判分全过程只用开源模型，不依赖任何闭源前沿模型，可直接使用也可复现 [38] - 研究团队认为这为开源模型指出一条路：自行合成可不断扩大的环境与高质量任务，在其中自我学习迭代，最终成为强大的通用computer-use agent，避免间接蒸馏，为RSI奠定基础 [38] - 资源链接包括论文arxiv.org/abs/2610.26828、数据与模型huggingface.co/collections/ChilleD/agent-world-model-in-the-wild、代码github.com/MSR-Orchard/WildAWM、Harbor数据集hub.harborframework.com/datasets/wildawm、项目主页msr-orchard.github.io/WildAWM [4][39]

文章核心观点 - 具身智能下一场数据战的核心在于如何选择和组合不同来源的训练数据、验证能力收益并以合理成本持续获取有效数据，而非单纯追求数据规模 [1] - 同一笔数据预算在具身预训练阶段面临“规模化人类经验”与“积累真机交互”的路线取舍，不同选择影响模型能力获取与后续部署 [3] - 数据投入需围绕明确的能力目标展开，并通过持续评测检验其价值，数据规模应拆解为与任务、模型和部署条件相关的具体问题 [18] 双人技术交锋：具身预训练的数据投入方向 - 黄用韬认为现阶段应优先积累真机数据，机器人需通过与物理世界直接交互建立可靠操作能力；大规模人类视频数据可支持任务理解与高层规划，但在动作轨迹、力度控制及接触反馈方面精度不足 [3] - 黄用韬强调触觉应尽早融入基础能力学习而非仅作为后训练补充，值得关注无本体采集、电子皮肤等低成本触觉数据获取方式；研发实践应先通过真机数据建立对任务和失败原因的基本认识再逐步扩大数据规模 [4] - 黄用韬提出预训练效果验证不能只看已有任务成功率，还应考察模型面对新任务的学习速度、适配所需数据量及跨场景泛化能力，并通过多任务评测识别真实收益 [4] - 刘淼强调具身数据选择不存在统一答案，关键取决于机器人应用定位与训练阶段；工业场景精密抓取、装配高度依赖真机数据，面向开放环境的通用具身智能则需充分利用人类经验数据的规模化优势 [4] - 刘淼认为预训练更重视数据覆盖范围，后训练通过更高质量数据提升特定任务表现；人类动作与机器人本体存在结构和控制差异，精确还原人类操作不意味着可直接迁移至机器人，人类数据潜在价值还包括主动感知、任务规划、手眼协调及长程行为衔接 [4] - 刘淼对触觉数据认为应综合考虑采集成本、数据质量与覆盖范围，少量特定构型数据能否有效提升预训练能力仍有待验证；当前具身预训练缺乏可靠独立评测手段，真实贡献容易被后训练效果掩盖 [5] 技术Open Mic：多模态采集与物理交互数据 - 马道林强调触觉包含受力、几何、滑动与运动等多种信息，是机器人完成精细操作的重要依据；需通过高质量高一致性传感器采集数据、建立规模化采集标准规范，并推动模型训练与验证，搭建高质量机器人交互能力训练体系 [8] - 马道林团队深度布局人机解耦采集方式，从人类操作中获取触觉经验生产高质量真实世界数据，同时通过自研触觉仿真器以较低成本生产大规模高质量仿真数据并提供评测试验场；展示融合视觉、触觉、语言、动作的VTLA模型在自动穿鞋带、纸盒成型等真机任务中的表现 [8] 技术Open Mic：数据配方与评测 - 李永露指出数据配方应从机器人需要完成的任务出发，结合模型结构、训练目标与评测方式共同确定；新增数据是否有效需通过模型训练和下游任务评测检验，再将结果反馈到下一轮采集与筛选 [9] - 李永露强调随着数据规模扩大，投入不仅发生在采集端还包括后续处理、训练与存储，更需要持续检验数据训练收益；硬件、模型与数据基础设施应协同设计同步迭代，让数据采集与模型训练形成持续反馈闭环，统筹整体成本的同时提高数据投入有效性 [9] 技术Open Mic：具身数据Scaling与持续学习 - 李明磊提出以高保真经验支撑预训练，再通过持续学习拓展能力边界；团队围绕经验、表征、评测与反馈，通过HiFi-UMI探索降低策略冷启动对真机示范的依赖，结合三维监督、物理评测与纠错反馈推动策略迭代 [11] - 李明磊团队探索GPT-Astra等大模型与具身策略协同，让真实部署既成为能力检验场也成为能力增长来源，推动机器人在与物理世界持续交互中学习和进化 [11] 产业碰撞场：数据多样性、多模态与规模化 - 陈天行提到判断数据价值既要关注分布与质量，也要结合模型架构和预训练能力；新增数据能否带来泛化收益需通过长程任务、复杂交互与场景变化评测，结合横向比较和消融实验验证；对触觉而言任务设计应让接触信息真正参与决策才能检验实际贡献 [15] - 周航强调全身触觉对大脑开展物理世界认知训练具有重要支撑作用，对小脑模型闭环控制也有深远助益；数据需保持稳定准确并做好时序同步与运动干扰过滤；规模化降本可从量产、减少重复定制及AI辅助清洗入手，期待行业形成统一数据标准 [15] - 赵世豪指出不同训练阶段对数据数量、质量与精度要求各不相同；要让模型有效利用触觉需先解决不同硬件的数据表征对齐再探索融合方式，团队实验中过早融合视触觉表征可能降低性能；数据生产端应重视采集人员选拔与操作能力，从源头提高数据质量和投入效率 [16] 行业协作与生态 - 本期沙龙将数据规模拆解为与任务、模型和部署条件相关的具体问题，不同路线交流凸显数据投入需围绕明确能力目标展开并通过持续评测检验价值 [18] - 围绕数据生产、模型评测与实际应用的协作有望让讨论延伸为新的研究与实践，推动数据积累转化为可在真实任务中验证的机器人能力 [18]

文章核心观点 - 源策未来发布全身控制模型Anchor 1，定位为全身智能架构中的System 0（S0）层，即负责将指令精准稳定转化为全身动作的“小脑”，核心解决人形机器人“照着做”环节中精度与稳定性不足的问题 [4][5] - 行业目光正从“大脑”移向“小脑”，从“表演”转向“部署”，全身控制成为人形机器人规模化落地的关键瓶颈 [5] - Anchor 1通过五个锚点稀疏指令、严格筛选的训练数据、与动作编码解耦的误差反馈三大设计，实现精准与稳定的全身操作 [8] - 公司同时构建了一套更严格的评测体系来衡量“准”，并计划分阶段开放模型权重、部署代码与采集链路，推动“准”成为行业公共能力 [32][57] 产品定位与行业背景 - Anchor 1被定位为源策全身智能架构中的System 0（S0）层，负责把指令精准稳定地变成全身动作的“小脑” [5] - 行业背景：今年1月底Figure在Helix 02中加入System 0；2月英伟达开源全身控制基础模型SONIC，用超过1亿帧人体动作捕捉数据训练，支持通过PICO头显进行全身遥操作；随后Google DeepMind、智元相继推出全身控制相关模型；10月arXiv上集中涌现一批全身控制论文 [5] - 大脑的上限被小脑的下限锁住，控制器跟不准、站不稳，采回来的示范就带着偏差，上层模型学到的也是偏差 [4] 技术方案：五个锚点解决指令输入 - Anchor 1发出的指令只包含五个部位：骨盆、左右手腕、左右脚踝，每个部位给出目标位置和朝向，其余关节一概不指定 [10][11] - 稀疏指令思路此前已有研究探索，如英伟达的MaskedMimic和HOVER等工作尝试只给出部分关键部位目标由控制器补全全身动作，Anchor 1的不同之处在于如何把人的动作翻译成这五个锚点 [11] - 行业常见做法是在线重定向，操作员每动一下系统就实时求解一遍机器人关节角，一旦译错机器人动作就会突然走样；论文用同一段PICO录制的人体动作对照，依赖在线重定向的配置在手臂伸展时偏离原本动作并出现指令突变 [11][14] - Anchor 1走第三条路：系统先用操作员和机器人各自的T字站姿做一次标定，算出每一段肢体的缩放比例、旋转对齐和位置偏移，之后逐帧套用这组固定参数把人体动作换算到机器人尺度上，全程不求解关节角 [15] - 用半径16厘米的画圆动作检验换算保真度：与参数化人体模型的输入相比，Anchor 1的手腕轨迹在运动方向上的偏差指标低80.2% [15] - 省掉在线重定向带来部署便利：Xsens惯性动捕、CHINGMU光学动捕、诺亦腾PN-LINK有线惯性动捕和PICO VR四种输入设备都能直接换算成五个锚点交给控制器；身高从165厘米到188厘米、体重从50公斤到80公斤的操作员都能直接上手 [17] - Anchor 1只需要60毫秒的未来指令，而参与对比的各方案需要80毫秒到接近1秒 [17] 技术方案：训练数据筛选解决自由度分配 - 只给五个锚点意味着同一组指令可对应多种全身姿态，多出来的自由度是一把双刃剑，用好了让手更准，用不好就会让身体不稳 [18] - 团队为每一段人体动作配上一段离线重定向得到的机器人动作，训练时五个锚点作为输入，配对的机器人动作提供监督和奖励 [19] - 配对数据经过自动质检，筛掉长时间悬空、关节突变、自碰撞、周期性抖动和穿透地面的片段；自采数据还要再经过一轮人工复核 [19] - 最终训练集包含406,222段动作、约1081小时，其中77%来自源策自采的动作捕捉数据，其余来自AMASS、OMOMO等公开数据集 [19] - 论文直言这种筛选是在刻意引入一种偏向，让模型在补全全身动作时倾向于稳定、物理上合理的姿态 [19] - 重定向被从部署时的实时环节挪到训练前的离线环节：离线做重定向有时间检查、有机会剔除坏样本；部署时直接用五个锚点，不再受重定向出错影响，也省去相应计算开销和延迟 [19] 技术方案：解耦误差反馈解决执行纠偏 - 现有方案获取纠偏信号有两种方式：把目标动作压缩成motion token由策略自行推断偏差，但压缩会丢掉细节；或直接把目标与当前状态的差值喂给策略，但一旦把差值编码进token，同一动作在不同执行状态下会得到不同token，上层模型学起来无所适从 [23] - Anchor 1采用“目的地不动、偏航提醒单独给出”的思路：在编码器、量化器、解码器架构中，手腕和脚踝的跟踪误差不进入编码器，而是绕过token直接送进负责输出关节动作的解码器 [24][26] - Anchor 1额外训练了一个轨迹头，能从token里重建出近期的目标位姿再用它计算跟踪误差，使同一个控制器拥有两种指挥方式：遥操作和上层策略可下发五个锚点，上层策略也可直接输出token [26] - 消融实验：在MuJoCo仿真的In-house评测上，去掉显式误差反馈后全局和局部成功率分别只有70.9%和61.7%；把误差送进解码器后两者分别升至88.7%和88.4% [29] - 从重建目标计算误差有代价，仿真中局部位置误差从21.9毫米升到22.4毫米，因此论文建议在对精度要求最高的遥操作采集场景中优先使用直接下发的五个锚点 [30] 评测体系：三条Track与更严的尺子 - 现有评测方式各有盲区：任务级评测的成功率混杂了感知和规划因素，说不清是哪一层出了问题；按整段动作取平均的跟踪误差会掩盖短暂但致命的偏差 [32] - 源策搭建了包含In-house、Public和Reachability三条Track的评测体系，分别考察全身操作协调、动态动作跟踪以及不同姿态下的手部可达性与足部稳定性 [32] - 在In-house和Public两条Track上，一段动作只有在全程中手腕和脚踝的位置误差都不超过10厘米、朝向误差不超过1弧度、其余身体部位误差不超过25厘米时才算成功 [32] - In-house Track包含15,342段动作、覆盖3,247种任务，专门考察单手和双手够取、手脚协同、移动中稳住手部等操作相关的全身协调 [33] - Public Track从四个公开数据集中选出2,230段动作，补充了跑、跳等更动态的行为 [33] - Reachability Track给定空间中的手腕目标点，在站立、浅蹲、深蹲、前后错步和半跪五种姿态下要求机器人把手送到位、保持住、再收回，全程不能打滑、不能多迈步，共3,210段参考动作 [33] - 三条Track的所有评测动作都不参与训练 [35] 仿真评测结果 - 仿真中Anchor 1在In-house Track上取得最高的全局和局部成功率，分别为88.7%和88.4%，水平方向的根部位置误差也最低 [36] - 边走边做非对称双手够取这类动作最能拉开差距：Anchor 1的局部成功率为91.2%，该场景下表现次佳的方法仅有57.0% [36] - 在更偏动态动作的Public Track上各方法绝对成功率都明显下降，Anchor 1仍保持最高；论文提示参与对比的方法在训练时可能接触过部分公开数据 [37] - 在Reachability Track上Anchor 1在多数姿态组取得最高成功率，平均每段动作仅有0.06次打滑和0.53次多余迈步 [38] 真机测试结果 - 团队在宇树G1人形机器人上做了两组真机测试：51段站立够取动作考察手腕定点精度；72段全身操作动作覆盖够取、移动、平衡扰动、手脚协同等七类任务 [41] - 站立够取测试中Anchor 1的手腕和脚踝全局位置误差分别为44.58毫米和35.70毫米，此前表现最好的对比方法分别为53.59毫米和50.40毫米 [41] - 该结果是在更短的未来指令（0.06秒对0.08秒）且无需在线重定向的条件下取得的；与另一种同样免重定向、直接接收人体动作的方案相比，Anchor 1的手腕和脚踝全局误差分别降低73.3%和73.4%，所需未来指令只有对方的三分之一 [42] - 72段全身操作动作上，团队把手腕和脚踝误差阈值从10厘米逐级放宽到25厘米，Anchor 1在全部六档阈值下都保持最高总体成功率，在最严的10厘米一档领先最强对比方法41.2个百分点 [43] - 误差层面Anchor 1在8项指标中有7项最低：手腕和脚踝全局位置误差分别为75.69毫米和70.52毫米，比此前表现最好的对比方法低约28%和39%，局部脚踝位置误差低46.3%；唯一例外是局部手腕位置误差有一种对比方法略低于它 [46] - 阈值放宽各方法分类成功率逐渐靠拢，阈值收紧差距才显现，论文指出宽松的成功标准会掩盖控制器之间的真实差异 [47] 对上层大模型的价值：遥操作采数据 - 遥操作中控制器跟不准，操作员就得反复做补偿动作，采集效率、成功率和示范质量都会受影响 [49] - 量化测试选了两个任务：把纸箱踢进指定区域以及从低处鞋架上取出拖鞋放到指定位置，分别考验脚的落点和低位抓取 [50] - 使用Anchor 1时踢纸箱每小时可采集43条成功示范、采集成功率98.03%；捡拖鞋为每小时62条、成功率97.37%；同样任务换成开源模型对应数字分别为9条和37.50%、41条和68.33% [51] - 踢纸箱任务的示范采集成功率从37.5%提升到98.0%，每小时采到的成功示范从9条增加到43条 [5] 对上层大模型的价值：自主执行 - 团队用遥操作采集的示范数据微调开源VLA模型GR00T N1.7，让它根据语言指令、三路RGB画面和本体状态输出五个锚点的目标位姿或motion token，连同手部指令一起交给冻结的Anchor 1执行 [52] - 20次试验中，以motion token作为接口、配合重建目标纠偏的Anchor 1踢纸箱成功率达到90%、捡拖鞋为45%；同样以token为接口的开源模型分别为70%和10% [53] - 把误差编码进token的耦合版本一旦改用token指挥，两项任务全部失败，说明纠偏和指令分开token接口才真正可用 [53] - 捡拖鞋45%的成功率说明自主全身操作远未到可以交卷的程度，但对比清楚展示了一条链路：小脑的精度会一路传导到数据质量，再传导到大脑的任务成功率 [55] 局限与后续规划 - 目前评估只在一种人形机器人上完成，没有不同本体上不同方法的严格对比 [57] - 五个锚点只描述身体该到哪里，不描述物体的几何形状、接触力和抓握稳定性，动作跟得准并不等于一定能把东西拿稳 [57] - 从token重建目标带来的精度损失还需要继续缩小 [57] - 下一步方向是引入相对于物体的目标和接触感知，把全身控制更直接地连接到物体交互上 [57] - 在源策设想的全身智能架构里S0是让机器人“站得稳、做得准”的底座，上面还有负责感知与决策的S1 [57] - 源策计划在2026年底分阶段开放Anchor 1的模型权重和部署代码，以及基于PICO及PN-LINK的遥操作和示范数据采集链路，并配套部署镜像、使用教程和示例动作 [57] - 评测侧将逐步开放相关评估工具，持续维护全身操作评测榜单，并计划在2027年年中举办一场国际竞赛 [57] 行业意义 - 从“表演”走向“部署”，比的是机器人能不能在弯腰、迈步、换姿态的过程中始终把手稳定且精准地送到该去的地方 [58] - Anchor 1给出的是一个关于“准”的答案和一把衡量“准”的尺子，对仍在寻找规模化落地路径的行业来说这两样东西可能同样重要 [58] - 等到年底模型权重和采集链路陆续开放，这份关于“准”的能力会交到更多团队手里 [58]

文章核心观点 - 香港科技大学、北京智源研究院、北京大学等机构联合提出DexRoam系统，构建从第一视角人类示范采集、全身动作对齐到机器人策略学习与真机执行的完整链路，使人类示范能够跨越本体差异直接作为机器人动作监督 [2][29] - DexRoam核心价值在于解决人机动作差异的同时保留人类示范中连续、精细的全身协同关系，使其能与机器人数据共同用于策略训练，为复杂移动双臂灵巧操作拓展数据来源并减少对高成本机器人遥操作示范的依赖 [2] - 该工作已被CoRL 2026接收，论文标题为DexRoam: Learning Mobile Bimanual Dexterous Manipulation from Egocentric Whole-Body Human Demonstrations [2][4] 研究背景与问题 - 机器人完成提水果篮、转身、送到另一张桌子等动作，需要移动底盘、躯干、双臂、头部和灵巧手的持续协调 [1] - 随着移动能力与灵巧手的引入，机器人遥操作示范采集愈发复杂，甚至需要多名操作者协同完成 [1] - 人类日常操作中蕴含丰富的全身协同经验，研究团队据此探索能否直接利用人类示范帮助机器人学习复杂移动双臂灵巧操作 [2] 数据采集系统 - DexRoam构建无需外部动捕设备的便携式第一视角全身采集系统，示范者仅需佩戴Meta Quest 3头显和头戴式ZED Mini双目相机，即可同步记录第一视角视频、全身关节运动与手部关键点 [5] - 该系统无需外部摄像头、环境标记或额外身体追踪器，并将相机画面实时显示在头显中，使采集视觉体验与后续策略训练的视觉观测保持一致 [5] - 团队另搭建单人全身遥操作系统，通过VR头显、控制器与数据手套同步控制机器人底盘、躯干、双臂、头部和灵巧手，两套系统分别提供人类与机器人示范，为联合学习建立数据基础 [5] 三阶段人机动作对齐方法 - 本体对齐：以人体骨盆为参考建立坐标系，将人的移动、躯干、双臂和头部运动映射到对应机器人部件，并通过手部重定向生成灵巧手指令，保留全身动作的相对运动关系 [9] - 动作语义对齐：将底盘、躯干和双臂运动表示为相对动作表征，减少对人体绝对姿态的依赖，使两类示范具有一致的控制含义 [10] - 时间对齐：按照任务进度重新采样人类轨迹，在保留原有运动轨迹的同时匹配机器人示范的时间尺度，提供更一致的时序监督 [12] 策略学习方案 - 经过三阶段对齐，人类与机器人示范可通过统一的观测—动作接口共同用于VLA策略训练，无需针对人类数据额外修改模型结构 [13] - 团队采用GR00T N1.7和π₀.₅两个VLA模型，探索人机联合训练、人类预训练后使用机器人数据微调、人类预训练后人机联合微调三种训练策略 [13] 动作对齐实验结果 - PCA可视化显示，仅完成本体重定向时两类动作分布仍存在明显差异，经过完整对齐后分布重叠程度显著增加 [16] - 定量评估中MMD和SWD指标分别平均降低41.7%和31.1%，且转换后的人类轨迹能够在真机上成功回放 [19] 真机策略学习实验结果 - 在两个VLA模型和五项任务上，三种结合人类示范的训练策略均带来性能提升，其中人类预训练加人机联合微调表现最佳，GR00T N1.7平均成功率从29%提升至56%，π₀.₅从32%提升至57% [22] - 以拿取薯片罐为例，仅用机器人数据训练的策略主要从正面抓取，易在物体朝向变化时碰倒；加入人类示范后机器人能根据物体朝向选择侧面抓取，该动作仅存在于人类示范中，未出现在机器人训练数据中 [23] - 在保持人类示范数量不变、逐步减少机器人示范的实验中，结合人类示范并将机器人数据量减半，仍能达到与完整机器人数据基线相近的任务表现，意味着对齐后的人类示范可替代约50%的高成本机器人遥操作数据 [26] - 少样本实验显示，仅引入少量机器人示范，策略表现便明显提升，体现人类操作经验与有限机器人数据相结合的价值 [27] 行业意义与开源情况 - DexRoam表明即使是需要底盘移动、双臂配合与精细手指控制持续协同的移动灵巧操作，人类示范也能跨越本体差异成为机器人直接学习的动作监督，机器人学习的不再只是孤立抓取或移动动作，而是贯穿整个任务的连续全身协同 [29] - 该结果为机器人数据规模化提供新方向：人类数据的价值不仅在于丰富的视觉和任务信息，更在于其中蕴含的大量细粒度、相互关联的全身动作经验，有望使复杂移动灵巧操作学习逐步摆脱对高成本全身遥操作数据的高度依赖 [29] - 团队已开源DexRoam的采集与对齐代码、策略训练代码，为后续相关研究提供支持 [30]

文章核心观点 - METR 调查报告显示 Anthropic 过去一年取得的基准能力进步大致相当于此前两年的进步，AI 正显著加速下一代 AI 的研发 [1][3] - 这种加速主要来自 AI 自身的帮助而非训练算力规模增长的速度，截至 2025 年 10 月约 80% 的研究加速估计来自 AI，另有 20% 非 AI 因素细节未披露 [8][11] - AI 尚未实现完全自主的递归自我改进（RSI），当前主要收益仍来自 AI 辅助人类研发，但已出现大量自主贡献的“生命迹象” [12][14] 能力进步速度的量化数据 - 自 2025 年 10 月 7 日起，能力提升分数从约 15 分/年跳到约 29 分/年，一年走完了此前约两年的路，量级大致相当于 Claude 2.1 到 Sonnet 4.5 [6] - 放眼全行业，前沿模型的加速只有 1.4 倍 [7] - Anthropic 内部提效倍数从 2025 年初约 1 倍，到 Opus 4.5 约 2.5 倍、Mythos 5 约 5 倍、Model 4 跳到 12 倍，指数拟合为每年 3.9 倍 [10] - Anthropic 员工 10 月内部主观估计，当前最强的 Model 4 对自身工作平均提效约 12 倍 [9] 研发效率提升的机制 - 研究人员终于可以尝试更多想法，过去一个实验需一两天实现，时间与计算成本高导致许多想法未验证即被搁置 [9] - 如今研究人员可将多个想法交给 Agent 验证，工作主要受限于想法和算力，代码已不再是瓶颈 [9] - 有研究人员形容使用 Claude 后仿佛有了博士后和研究生一起推进项目，实验与实现变便宜使研究人员更愿意尝试，小实验也有机会成为新研究方向 [9] 未公开模型与内部进展 - METR 分析纳入了三个 Anthropic 未公开模型（Model 2、Model 3、Model 4），均于今年 7 月至 10 月间完成训练 [9] - 当前最强的 Model 4（有人猜测为 Claude 6）在许多常见基准上分数已超过 90% [9] - 这些模型尚未发布甚至不一定成为公开产品，其存在提醒外界仅看发布会和公开榜单可能无法完整判断 AI 大厂内部正在发生什么 [10] 递归自我改进（RSI）的进展与局限 - 目前距离让 AI 自主研发下一代模型的完整 RSI 仍有差距，在模型训练最重要部分 AI 尚未作出高度重要且完全自主的贡献 [12] - Anthropic 研究员已将 AI 的大量自主贡献描述为“生命迹象”，并有量化统计各环节 AI 与人类任务占比，但数据被 Anthropic 删掉 [14] - RSI 路径能走多远取决于尚未自动化的环节以及算力等资源能否跟上 [15] - METR 未看到未来 12 个月会明显阻断快速进步的瓶颈，但坦言随信息增加曾多次改变判断，目前信心有限 [15] 信息披露与风险表述分歧 - METR 约 100 页报告经过 Anthropic 大幅删减，最有说服力的证据大多被 Anthropic 自己删掉 [15] - 同日发布的配套审查呈现双方风险表述分歧：Anthropic 曾将某项领先指标描述为进步速度“不到两倍”，METR 根据内部数据算出约 1.97 倍，认为更准确说法应是“约两倍”，两倍加速涉及 Anthropic 的早期预警阈值 [16] - METR 认为不能排除截至 7 月 15 日已跨过相关阈值的可能，但多数相关研究人员倾向于当时尚未跨过，双方均认为当时相关模型的直接灾难性风险较低 [18] - 当模型参与研发速度越来越快，能否及时看清变化、公司能否充分披露不确定性，正成为下一代 AI 到来之前必须回答的问题 [19]

文章核心观点 - 多模态大模型需跨领域跨任务完成空间关系理解、具身动作规划、视频时序理解、物体掉落判断等任务，各领域方法难以迁移，团队提出这些失败可能都源于“世界建模”这一底层能力的缺失 [1] - 研究将世界建模收窄定义为状态转移估计 p(s′|s,a)，并证明它是可独立定义、独立测量、可学会且能跨任务复用的底层能力，而非各领域表象的叠加 [5][17] - 训练世界建模应按“推理操作”而非任务、领域、动作或场景类型来组织数据，学什么比看什么更重要 [21][26] 一、世界建模的定义 - 世界模型定义被收窄到最核心的“状态转移”：当前状态s、动作a、之后状态s′，即对p(s′|s,a)的估计 [5] - 给定一次转移(s,a,s′)中的部分元素推断未看到部分：知s和a求s′为预测动作结果，知s和s′求a为判断发生了什么，换a问结果为反事实，排列中间状态为时序 [5] - 空间、具身、物理、时序等多类任务在该结构下统一为对同一三元组做不同查询，认知科学中的正向模型、逆向模型及婴儿核心物理知识掌握均围绕“动作怎样改变世界”组织 [5] 二、世界建模的可控实验设计 - 真实视频无法实现同一场景换动作、同一动作下受控扰动场景的对照，团队将视频生成模型作为转移引擎：给定初始帧和动作描述生成后续事件，从同一帧换多个动作得到有真实对照的反事实轨迹 [9] - 场景、动作、推理操作成为可独立调节的实验变量，例如20类场景、5类动作、8种推理操作可独立取值 [9] - 每道题错误选项标注错误类型（如“左右反转”“违背重力”“物体朝向被扰动”），分析可细化到“错在哪”，形成WOVEN共36K道题的训练和测评基座 [9] 三、现有模型的能力缺口 - 测试38个前沿模型，最强GPT-5.4答对65.8%，人类92.3%，差距形状在所有模型家族里一致 [12] - “时序相邻判断”类别最弱，停在25%–28%接近四选一随机水平，而同一批模型做时序排序能到63%；外观扰动（换颜色）基本不受影响，几何扰动（换位置或朝向）成绩掉到30% [12] - 规模解决不了问题：Qwen2.5-VL从3B到72B，外观鲁棒性每十倍参数涨31个点，几何鲁棒性只涨9个点；同一7B模型外观扰动下50.5%、几何扰动下23.5% [12] - 现成视频先验不够：对V-JEPA 2和一个视频生成模型做最优读出最高仅47.7% [12] - 模型随规模掌握物理原则的顺序与婴儿习得顺序一致：先重力和惯性，再内聚、恒存和容纳，再支撑和固体性，最后碰撞；38个模型在碰撞上平均31.4%始终没过线 [12] - 开源模型答错旋转题时一半以上选镜像方向，共享的失败分布模式预示这是训练问题而非某家模型的癖性 [12][13] 四、世界建模的可学习性与下游迁移 - 在WOVEN上后训练（SFT+RL）多个大小和家族模型，Qwen2.5-VL-3B域内准确率从26.4%到89.3%，没见过的场景上88.2%，接近人类92.3%；7B、32B和Gemma 3上一样成立 [15] - 学习效率高：同一Qwen3.5-4B底座用约7小时生成视频做后训练，在3DSRBench上增益+6.7，超过用12.5万小时真实视频做mid-training的Orca-4B（+4.0） [15] - 全集训练提升12个独立外部测评基准，横跨物理理解、时序理解、具身操作、空间推理等领域；按能提升同一世界建模能力的不同受控子集分别迁移结果取并集，被提升的外部基准数量高达22个，尽管每个受控子集只有2000条数据；zero-shot正向迁移最高可达27.3个点 [15] 五、底层能力与任务效应堆叠的区分 - 第一条标准：不同形式监督源能练出同一个能力——11个受控子集每一个都提升了它从没训练过的动作类型（如只用相机运动数据训练，物体操作题+39.8、导航题+26.9） [17] - 训练后同一次转移的正向题和逆向题开始“同对同错”，逆向题能从模型自己预测结果反推出动作的比例从19%升到45%–94%，说明模型学的是统一的“状态–动作–结果”映射 [17] - 第二条标准：下游收益确实来自该能力——11个子集在26个基准上的迁移曲线两两全部正相关，一个子集把世界建模能力提升得越多其在外部基准上平均增益越大，r=0.86 [18] - 4个静态感知和通用视频QA基准在任何训练下都不涨，排除“模型整体变强” [18] - 错误规则对照实验：构造动作与结果对应关系固定但错误的“虚拟世界”，保持其他条件不变做相同训练，模型在该虚拟测试集上学得很好（85%–92%），但下游基准一个都不涨，证明下游涨分依赖学到正确的转移规律 [18] - 因果干预：固定训练预算，用WOVEN数据替代下游任务自身训练数据的30%–50%，对应下游测评准确率保持相当且高于单纯删掉这部分数据的对照，说明转移监督顶替了下游任务原本要从自己数据里学的那部分 [18] 六、训练配方：学什么比看什么重要 - 直觉答案“挑像的”（场景像、动作像、领域像）被实验否定：去掉共同迁移成分后，教同一种推理操作的子集之间下游收益相关性+0.32，远高于只共享动作类型的子集之间（−0.22），后者与什么都不共享的子集（−0.23）无区别 [21] - 转移里“做了什么动作”不决定数据会帮到谁，“要对转移元组做什么推理”才决定 [22] - 其他结论：要鲁棒性优先选视觉状态变化更大的监督；时序任务和主体驱动任务要直接监督；主动动作（agent driven）与被动动作（physics driven）之间无明显迁移；静态感知等状态转移之外的能力无法从转移监督中获益，需另给监督 [22] - 前瞻性验证：按配方配好训练数据，在推导配方时完全没用过的7个基准（MMSI-Bench、VLM4D、PhysBench、SPAR-Bench、MVBench、IntPhys 2、CameraBench）上测试，使用多达8个随机种子，五组比较方向全部与配方预测一致；主体动作类问题上按配方配的混合显著更高（p≤0.03），被动物理类问题上被动物理为主的混合反而更好 [22] 七、方法论与行业启示 - 研究流程：先拆开世界建模变量使各元素可独立变化以提供干预实验基础设施；再用跨域测试、错误规则对照和因果干预排除表面相关性；用严谨因果干预和统计分析隔离“底层能力”与“效果堆叠”；最后对训练配方在未见任务上做前瞻验证，每一步有自己的证据 [25] - 对训练系统而言，世界建模可按推理操作组织，而非按任务、领域、动作或场景类型堆叠，这对更高效训练更智能的系统带来启发 [26] - 可迁移不等于无条件迁移：时序任务、主体驱动任务、静态感知是转移监督难以直接帮上或帮得有限的地方，配方是能指导数据选择的具体规则而非一句“合成数据有用” [26]