2026.11.09 · AI CODING × 3 / 具身智能 × 2
逐条都过
整单未交
TICKED, NOT DELIVERED
阿里把 273 道真实请求做成一张考卷:逐条过 69.9%,整单只交 26.4%。
同一天,GitHub 为 agent 重写 Git,云深处把三个数绑成一个指标。

「七成通过,四分之一交付。」
01 / AI CODING — 三则
两千三百条验收
只有四分之一全过
同一套 harness、十个模型端点,最强那个逐条过 69.9%,整单交 26.4%。
10 月 26 日挂上 arXiv 的 Co-Design Bench,做的是一件很朴素的事:把「改对了几条」和「整件事做完了没有」分开量。十六位作者的名单里,林达华、白帅、刘大一恒都在。
题目不是造的。26,314 个真实用户编码会话,37,463 条去重请求,最后留下 273 道。每道题配一个规范化后的请求、一个能跑起来的改动前应用,外加 2,331 条专家写的验收标准——这些标准对模型完全隐藏。
两条赛道:多模态编辑,输入可以是图片、音频、视频或文档;仓库编辑,要跨文件协调修改。三个能力维度:接地理解、界面改造、功能实现,三项分别计分。
评分协议叫「先判后驳」。先用源码与浏览器证据给每条标准打分,再另派一个模型去驳所有「通过」的判决,视觉与交互类的主张单独审计。全程没有参考解,也没有目标截图,模型抄不到答案。
结果落在两个数上:十个端点里最强的一个,逐条平均过 69.9%,整单全过 26.4%。中间差 43.5 个百分点。报道点名那个端点是 GPT-6 Astra,并提到同一批模型在上一代基准上的得分超过 99%。
更值得记的是那条单调线:十个端点在「跨三到四类改动」的仓库编辑上,逐条通过率一律低于「一到两类改动」。改动一叠加,一致性与完整性就掉。
这说明真实交付的单位不是一行 diff,是一整套要同时成立的约束。团队每天收的那条尾,就长在这 43.5 个点里。
这一则的四条线
SIGNAL — 另外两则
一个重写存储
一个攒出生态
GITHUB · RUBICON
内部测试:单仓库 5,000 个并发 agent、每秒 7,200 次推送,读延迟不随写入上涨。
Git 对象不可变、按内容命名,可以并行写。真正要一致的只有分支引用那一条。
不再承诺「所有分支的同一时刻快照」。跨分支原子发布、镜像工具都要重审。
11 月 5 日发帖,限量私有预览,全面铺开要到明年初。数字全部来自内部测试。
DEEPSEEK · HARNESS
截至 11 月 4 日,官方 API 口径。月活 548 万,人均每天 261 次请求。
比 9 月 29 日桌面端发布时高 306%,日活同期高 545%。
GitHub 渠道 2.94 万、npm 渠道 1.85 万,两边有重叠。58.94% 的活跃用户做过或用过插件。
配套 Token 激励与流量推荐。谁定插件的接口,谁就定了 agent 的能力边界。
Rubicon 值得看的不是 7,200 这个数,是它承认了「人的 Git」和「agent 的 Git」是两个工程问题:最忙的仓库今天每秒几十次写,一年内会变成常态,所以按两个数量级留余量。
Harness 那组数字说明另一件事。开发者挑的不再只是模型,还有跑模型的壳。当 58.94% 的活跃用户自己写插件,能力的分发权就从模型厂移到了壳上——这也是「同一 harness 下才可比」的另一面。
02 / EMBODIED — 两则
五十公斤,三米每秒
还要连跑两公里
三个数必须同时成立。少一个,任务就断在半路。
11 月 6 日,云深处发布四足机器人绝影 X50。官方给的核心句是「不增加机身尺寸」——同样大小的机身,把持续行进中的额定负载提到 50 公斤。
单看 50 公斤不难,单看 3 米每秒也不难。难的是绑在一起:50 公斤负载下,以 3 米每秒连续跑 2 公里以上。背着重物用不负重时的配速跑完两公里,考的是关节冲击与动力系统长时间高功率输出。
通行能力给的是三个具体障碍:连续翻越 80 厘米高台、连续跨越 70 厘米间隔的石墩、连续攀爬镂空无踢面楼梯。负重之后重心抬高,落脚容错收窄,几厘米偏差就是踩空。
感知侧融合激光雷达点云与 IMU,用强化学习做落脚规划;执行侧靠高刚性关节的快响应。官方把它叫「感控融合」,强调的是感知判断与肢体动作之间那一跳。
负载
50 公斤额定,机身尺寸不变。电力巡检能带上液压工具、绝缘子串和接地线组。
速度与耐力
3 米每秒跑 2 公里以上。一次出动覆盖过去两次往返的线路。
地形
80 厘米高台、70 厘米石墩、无踢面楼梯。从平面走到多楼层。
这类产品的验收不在参数表上,而在「少折返一次」:巡检线动辄几十公里,消防要拖着水带爬坡。三个数绑在一起才是产品,拆开都是宣传。
CASE — CoRL 2026 今日开幕
两千零九十四篇
只收下六百八十七
01数字
2,094 篇投稿,687 篇录用,录用率 32.8%,会场售罄。新增 Late-Breaking 轨道,专收 Agentic Robotics 与 Real2Sim2Real。
02今晚
Jim Fan 中部时间 13:50(北京 11 月 10 日凌晨 3:50)讲世界动作模型与人形机器人。预告片他确认:真机、全自主、未加速、一镜到底。
03同台
Wolfram Burgard、Russ Tedrake、李飞飞三场 keynote,李飞飞与苏姿丰一场对话,另设三场早期职业 keynote。
04为什么盯
机器人演示的可信度,已经要靠「未剪辑、未加速、无人接管」三个词担保。会议的接收率,成了另一种验收单。
提醒一句:keynote 在北京时间凌晨,本期截稿时还没开始。预告片能确认的只有真机、自主、未加速这三件事;任务范围与成功率,要等讲完才拿得到。
NUMBERS — 四个数字
每一个数都成立
整单交付
逐条过 69.9%,差的 43.5 个点,就是每天要收的尾。
个点的落差
十个端点全部如此,改动类型一叠加,分数更低。
日活
长在壳上,不长在模型上。月活 548 万,人均 261 次。
三米每秒
还要连跑两公里,少一个数就不算产品。
CHAIN — 五环
从「通过」
到「交付」
五条线串在一条链上:前四环都能单独报出一个漂亮数字,只有最后一环要求它们同时成立。
出题
从真实会话里抽题,把用户原本怎么说,原样留下。
验收
2,331 条隐藏标准,判完再由另一个模型去驳。
基建
存储按 agent 的节奏重写,引用之外都可以并行。
分发
壳攒到 154 万日活,插件成了能力的分发渠道。
交付
三个数同时成立才算产品,一次讲完才算演示。
最脆的是第 5 环。前四环都能靠加算力、加插件、加机器换进度,只有交付换不了——它要求所有条件同时在场。
BOUNDARIES — 三条边界
读完要记住
三件事
口径
69.9% 与 26.4% 是同一套 harness、十个端点的结果;7,200 次是 GitHub 内部测试,无第三方复现;154 万指「用官方 API 的用户」。
时间
Co-Design 论文 10 月 26 日上 arXiv、11 月 8 日被媒体翻出;X50 是 11 月 6 日;Rubicon 帖子 11 月 5 日;Harness 数据截至 11 月 4 日。日期按事件日写。
缺口
CoRL 的 keynote 截稿时尚未开始;X50 的 50 公斤与 2 公里均为官方口径,无第三方实测;Rubicon 没有延迟分布与成本对比。
CLOSING — 本期结论
这一期五件事,都在把「通过」和「交付」分开量。
考卷给的是 69.9% 与 26.4%;存储给的是每秒 7,200 次,和一条被取消的快照保证;壳给的是 154 万日活与 3.49 万个插件;机器狗给的是 50 公斤、3 米每秒、2 公里;学术会议给的是 2,094 与 687。
每一个数字都成立,每一个数字背后都换过一次分母。这不是造假,是量词放大了半级,分母挪了一格。
真正要盯的不是这些数,是它们各自缺的那一句:整单怎么算完、快照谁来补、插件谁来审、两公里之后还能不能跑、keynote 里的成功率是多少。
云上有品 · AI 动态 · NO.022
