离谱！我的新上班搭子，居然是个超靠谱的AI
离谱！我的新上班搭子，居然是个超靠谱的AI眼瞅着四月马上过半，OpenClaw 刮起的这股「养虾风」依然没有停歇。
来自主题: AI技术研报
7263 点击 2026-04-15 14:57
# 热门搜索 #
大模型
人工智能
openai
融资
chatGPT
眼瞅着四月马上过半，OpenClaw 刮起的这股「养虾风」依然没有停歇。
Anthropic正式推出了Claude Code的自动化任务功能Routines，目前处于研究预览阶段。只要配置好一次提示词、代码仓库和连接器，Claude就能在云端全自动干活了。这些任务全部运行在Anthropic的云端基础设施上，意味着完全不需要你一直开着电脑，哪怕你下班关机，它也能按时帮你处理代码积压、审查代码，甚至随时响应云端事件。
上周，我们发布了 MMX-CLI，让 Agent 可以直接通过命令行调用 MiniMax 的全模态能力。命令行是 Agent 在终端中完成工作的常见形态，但用户的工作并不只发生在命令行内，电脑上还有大量任务藏在命令行无法触达的本地软件、内部系统和图形界面中。
拍一圈照片，就能生成一个可交互的 3D 世界，已经不是什么新鲜话题了。但问题是如何把一个大世界塞进普通人的手机浏览器里。
026 年初，OpenAI 和 Anthropic 几乎同时发布了关于 Harness 的技术实践文章，LangChain 工程师 Viv 给出了一个简洁的公式来概括这个理念：Agent = Model + Harness。模型提供智能，Harness 让这个智能能真正投入生产。
LangChain 联合创始人 Harrison Chase 上周发文，说透了 AI Agent 领域一个还没有多少人讲清楚的问题：外壳和记忆是同一件事，你没法分开。
近年来研究者们一直在试图通过仿真环境批量产出具身训练数据。
距离新模型Marble 1.1&1.1-Plus发布不到一个周，李飞飞空间智能独角兽World Labs再度传来新消息—— 开源3D高斯溅射渲染引擎Spark 2.0。
太疯狂了！Anthropic刚刚发布Claude Code新版，上线神秘功能Routine：支持定时、API、GitHub三路触发，直接变身「云端员工」。更刺激的是，Opus 4.7即将本周闪电发布，直接跨界硬刚Adobe、Figma。
随着新一代主动执行型 Agent（如 OpenClaw、Hermes Agent 等）的爆发，AI 正经历从「被动工具」向「具备自我演化（Self-Evolving）能力的智能体」的范式跃迁。然而，受限于上下文窗口极限与记忆缺失，现有 Agent 难以在复杂任务中实现经验的复用与自我进化。
最近，具身智能圈被 Generalist CEO 的一篇长文《Going Beyond World Models & VLAs》刷屏。文章抛出了一个看似振聋发聩的观点：目标远比工具标签更重要。与其陷入 “我们到底是在做 VLA（视觉 - 语言 - 动作模型）还是世界模型（World Model）” 的教条之争，不如回归本源：让机器高效、准确地作用于物理世界。
在选择使用大模型 (LLM) 时，除了模型性能强弱，价格也是一个重要指标。人们通常会用大模型的 API 定价更贵或更便宜，来比较模型的价格高低。但事实上，定价低的模型真的比定价高的模型使用起来更便宜吗？
最近，GitHub上Hermes Agent火了，仅仅几周的时间，从0涨到了7万多Star。
代码大模型会写代码，这件事已经不新鲜了。
小红书AI平台团队刚刚开源了Relax——一个为全模态数据、Agentic工作流和大规模异步训练协同设计的现代RL训练引擎！实测全异步Off-Policy模式相比共卡On-Policy吞吐提升76%，相比veRL的全异步实现提升20%！
前两天晚上，我又刷到了小 Lin 说的视频。
试想一下，如果把当下大火的大模型技术带回 1970 年，会发生什么？
南洋理工大学MMLab团队推出Hand2World，让AI世界模型真正「伸手」互动。只需在空中比划手势，模型就能生成逼真第一人称交互视频，实时响应调整。它摒弃旧有遮挡误导，用3D手部结构与射线编码解耦手与头运动，首次实现闭环持续交互。
文本驱动的人体动作生成是游戏NPC、虚拟主播、机器人控制等实时交互系统的核心技术。
2026年再看Agent，一个越来越难回避的事实是：能力正在从模型里流到模型外。真正决定系统上限的，不再只是参数、Prompt和tool calling，而是记忆、技能、协议以及统摄这一切的harness。
随着机器人操作从短程、单步技能逐步走向长程、富接触、需要持续协调与恢复能力的复杂任务，传统以二元成功率为核心的评测方式开始暴露出明显局限。它能够回答 “任务是否完成”，却难以回答 “策略推进到了哪里”“执行过程是否高效稳定”“失败究竟发生在什么阶段”。
今天这篇文章，来分享一下我自己最近几个月高强度使用Agent之后，我自己总结出来的怎么给Agent设定规则，如何让它Agent更好的工作更聪明的一个非常重要的心得。
斯坦福「2026年AI指数报告」重磅出炉！这份432页长文含金量极高：中美AI巅峰对决，差距几乎抹平，缩减至仅2.7%。全球顶尖AI年产95个，基本都聚集在大厂。最残酷的是，22-25岁开发者的就业已被切掉20%。
一不小心，查理芒格和巴菲特就被炼化，个个加入投资Agent军团，人人可用了。
太疯狂了！Meta和METR刚测出的AI进化数据，与中国团队两年前提出的「密度定律」完美重合。硅谷猛然回头，发现中国研究者在这条路上已领先两年！
过去一段时间，生成理解统一模型（Unified Model）经常被理解成一种「既能看懂图、又能生成图」的多模态通用系统。
当前具身智能的VLA（Vision-Language-Action）赛道正陷入典型的「碎片化」泥潭：不同团队采用异构的动作解码范式、强耦合的数据管线、互不兼容的评测协议，导致方法难以横向对比，复现成本极高。
在具身智能快速发展的今天，高质量数据已成为驱动能力提升的关键基础，然而一个核心问题也随之而来： 如何让机器人数据采集更快、更稳、更有效？
让一个模型概括“这是一段什么视频”，并不难。
Claude最强“神话”模型，可能用到来自字节的技术？