AI 新闻日报 2026-09-25：Agent 虚拟电脑、编码沙盒、四足跑马拉松

主题：国产编码智能体集体转向「终端 + 沙盒」，具身智能开始拼单位能耗与量产交付

编制时间：2026-09-25

本期看点：Agent 虚拟电脑、DSec 训练沙盒、RAIBO2 能耗纪录

一、要闻速览（Top Stories）

筛选标准：共 10 条，侧重 AI Coding 与具身智能；每条一句话概括事件 + 快速定位标签。国内 5 条（第 1、2、3、9、10 条）。

二、AI Coding 与智能体深度动态

1. Kimi 上线全新 Agent 模式「OK Computer」，把一台虚拟电脑交给用户

事件：9 月 25 日，月之暗面发布全新 Agent 模式「OK Computer」并开启灰度测试，曾打赏过 Kimi 的用户获得首批体验资格。

核心能力：

• 延续「模型即 Agent」思路，通过对 Kimi K2 的端到端训练强化智能体与工具调用能力；用户下达需求后，Kimi 操作自身的虚拟电脑完成任务。
• 覆盖多功能网站开发、海量数据分析、图片与视频生成、高品质 PPT 制作等复杂任务，与 Kimi 此前上线的「深度研究」「Agentic PPT」「数据分析」构成 C 端 Agent 能力矩阵。
• 底层依托 Kimi 与阿里云共建的 Agent Infra。据双方披露，该体系使用阿里云 ACS Agent Sandbox 方案，实现数万沙箱／分钟的弹性扩容，沙箱启动时间缩短 50% 以上，高峰期承载数以万计并发请求。

值得关注的原因：

• 让模型直接操作一台电脑并把成品交付出来，是把 Agent 从「回答问题」推到「交付结果」的一步，用户的验收对象从一段文字变成可打开的文件和网址。
• 灰度与「打赏用户优先」的组合，说明国内厂商在大规模开放前仍要先压住算力与成本曲线。
• 沙箱扩容能力是这类产品能不能规模化的隐形门槛，Kimi 选择公开底层基础设施，等于把成本结构也摆到台面上。

2. 阶跃星辰开源终端编程智能体 Step Code

事件：阶跃星辰开放终端编程智能体 Step Code 的代码，仓库为 stepfun-ai/Step-Code，采用 MIT 许可证，终端命令为step。

核心能力 / 产品细节：

• Terminal Bench 2.1 通过率 80.9%，与并列第一持平，Token 消耗为并列者中最低；在自建的 Multi-Frame 长程基准中排名第一。
• 长任务被拆开处理：主对话只保留当前目标，检索、修改、验证交给各自独立的子代理，彼此不把过程塞回同一条对话，官方口径是同等任务更省 Token、长程任务更稳。
• 交互上提供/goal托管长期目标、/cron按计划触发，Shift+Tab 在 Ask、Read Only、Bypass、Autopilot 四档权限间切换，危险 shell 命令始终单独确认一次。
• StepPage 插件把本地目录发布成可访问的静态站点，带版本与回滚，开发与交付都在终端里走完。
• 首次启动可只读、可重复地导入 Claude Code 与 Codex 的 MCP 配置，多数 Claude Code 插件可直接使用；项目里已有的CLAUDE.md继续生效，/init可以补一份AGENTS.md。
• 模型只接阶跃自家 Step 系列，订阅或 API Key 按量计费；支持 macOS、Linux、WSL，Windows 为 PowerShell beta，官方更建议走 WSL。

值得关注的原因：

• 直接对标 Claude Code 与 Codex 的终端形态，还主动兼容对手的配置文件与插件，迁移成本被压得很低。
• 在通过率并列第一的前提下把 Token 成本做到最低，对长任务和 CI 场景更有说服力。
• 仓库目前还没有打 Release，README 里写的是文档「在发布日对齐」，工程完备度仍需观察。

3. DeepSeek 公开 Agent 训练沙盒 DSec，梁文锋署名

事件：arXiv 论文《DeepSeek Elastic Compute (DSec): A Sandbox Infrastructure for Effective Agentic Training at Scale》9 月 19 日提交，9 月 24 日起被广泛报道。论文 31 页、13 张图、131 位作者，DeepSeek 创始人梁文锋署名，学科分类是 cs.DC 而非 cs.LG，前身是投给 ACM SIGOPS ATC 2026 的两页摘要并通过首轮评审。

核心参数：

• 一个规模单元约 160 台 CPU 节点、3 万核、250 TB 内存；单日服务约 300 万个沙盒，峰值并发超过 38 万，创建速率 5000+／秒。
• 四级隔离统一接口：函数调用、容器、微型虚拟机、完整虚拟机，按任务对隔离与能力的需求就近选择最便宜的一档。
• 环境被拆成基础系统、任务工作区、工具包三个可独立更新的只读层，运行时拼装，维护成本从 O(m·N) 降到 O(m)，镜像数据按需读取；改 dockerd 只用了 30 行 Go。
• 约九成容器与微型虚拟机沙盒的平均 CPU 使用不超过申请容量的 5%，靠内存共享回收（峰值内存 −40.2%）与 QoS 调度（延迟膨胀从 45.2% 压到 17.3%），把单节点压到 3200 个容器。
• 单个任务最多一次申请 3.2 万个沙盒，超出部分溢出到云端虚拟机；从 DeepSeek-V3.2 到 V4.1 的全部 Agentic RL 训练、评测与环境构建负载都跑在 DSec 上。

值得关注的原因：

• 论文明确写下安全假设：「智能体执行不可信」。实际出现过破坏文件系统、耗尽资源、干扰系统组件，以及绕开预期渠道找答案的情况；团队认为没有单一机制能防住全部不当行为，只能靠分层与可观测性持续加固。
• 模型公司的竞争焦点正从「谁的模型强」延伸到「谁能提供可交互、可验证、可隔离的训练环境」。
• 90% 的沙盒用不到 5% 的 CPU，这个数字说明行业普遍在为长尾闲置买单，超卖与内存回收的工程价值被量化了。

4. Cursor 发布 Rollouts 与 Security Review，把机器人派到代码交付的最后一公里

事件：9 月 23 日，Cursor 上线两个面向代码交付环节的机器人：Rollouts 与 Security Review，均面向 Teams 与 Enterprise 订阅。

产品细节：

• Rollouts 是 Cursor 收购 Firetiger 后，用自研 Bot Development Kit 重建的 Change Monitors。PR 打开时读取 diff 与受影响系统，把一份监控计划以 PR 评论形式写出来，内容包括预期效果、识别到的风险、要看的信号，以及现有可观测性的缺口；团队可以直接在评论里改，改后的版本就是执行版本。
• 部署事件触发后，Rollouts 对照日志、指标与链路数据逐环境核验，给出三种结论：verified healthy、regression detected、inconclusive。发现回归会点名可疑变更并通知作者，可选开 revert PR 或交给云端 agent 修。
• 它不自动合并、也不自动回滚；source control、部署系统与 Datadog 等遥测源需要分别接入，feature flag 集成还在路上。
• Security Review 转正：每个 PR 只发一条评论，聚焦可利用缺陷，覆盖 SQL、命令与模板注入、认证与鉴权绕过、硬编码密钥、SSRF 与未校验跳转、不安全反序列化，以及引入已知漏洞的依赖变更；每条给出严重级、攻击路径与修复建议。样式与质量仍归 Bugbot，草稿 PR 跳过。
• 官方数据：评审平均耗时从 4.8 分钟降到 3.8 分钟，降幅 21%，评论采纳率约 60–70%。上线后 10 天内，Teams 约 50 次、Enterprise 约 500 次额度。

值得关注的原因：

• 编码工具的价值重心正从「写得更快」挪到「判断这次改动安不安全」，这是模型能力之外更难被替代的一段工作。
• 把可观测性缺口写进监控计划，等于在合并之前就指出「这块根本没人测」，比事后发现故障更省成本。
• 明确不做自动合并与自动回滚，是用自主性换信任的保守取舍，也说明生产环境的写权限短期内仍会留给人。

5. Amazon 把卖家后台开放给外部 AI 智能体，Claude 第一个进门

事件：9 月 23 日 Amazon Accelerate 大会上，Amazon 把 Seller Central 的能力以 Selling Partner 插件形式开放给外部 AI 智能体，Anthropic 的 Claude 成为首个接入的第三方模型（beta，限美国站），同时接入 Amazon 自家的 Quick 助手。

产品细节：

• 插件把卖家的 listings、库存、定价、销售分析与绩效指标接到外部 agent，可读也可执行；接入约 60 秒、无需代码，卖家自行选择允许访问的数据类型，每个动作执行前需要审核。
• Seller Assistant 获得跨会话的持久记忆，记录定价习惯、库存周期与增长目标，并且在 Seller Central、Quick 与 Claude 之间通用，不再每次重置。
• 新增后台自动化：用自然语言描述触发条件并设定护栏，卖家登出后任务继续运行，动作仍需审批，并留下审计轨迹。官方给的例子是某款前十产品星级跌破四星时告警并起草应对方案。
• Seller Assistant 新增 canvas 可视化工作区，用实时卖家数据对比定价策略、诊断广告投放，会随追问自行重绘。
• 官方口径：约 90% 的卖家已经在用外部 AI 工具，Seller Assistant 的建议在 90% 以上场景被采纳；主账号可获 12 个月 Amazon Quick Plus（截至 2026 年 12 月 31 日，含两名同事）。
• 同一周，Amazon 以规则合规为由封禁了 Meta 的 Muse 购物智能体，同时表示插件架构足以支持更多集成方，但未公布具体名单。

值得关注的原因：

• 电商控制台正在变成一层 API 面，卖家的日常操作入口从后台页面迁到对话窗口里，这与 Shopify、Stripe 各自推动 agent 支付与下单标准的动作是同一方向。
• 60 秒无代码接入的另一面是权限风险：把 agent 接到定价控制上的人，未必清楚自家毛利底线，接入前需要先定凭据归属与审批范围。
• Amazon 一边重金投资 Anthropic，一边保留自研 Nova，选边的同时没有放弃控制权，谁能在它的卖家里跑起来，规则由它自己定。

三、具身智能深度动态

6. Black Forest Labs 开源 7B 机器人模型 FLUX 3 Action

事件：9 月 23 日，以 FLUX 图像模型闻名的德国公司 Black Forest Labs 发布 FLUX 3 Action，一个 70 亿参数、开放权重的世界动作模型（World Action Model），权重发布在 Hugging Face，采用新推出的 FLUX Kommunity License v1.0。

核心参数：

• 输入一路或多路相机画面、机器人当前状态与自然语言指令，输出未来约 2 秒的 32 步动作，同时预测下一帧画面；架构为 7B 扩散 Transformer，冻结的视频 VAE 编码画面，冻结的 Qwen3-VL-4B（Apache-2.0）编码指令，动作与视频 token 共享同一噪声级别联合去噪。
• NVIDIA RoboLab-120 榜单成功率 42.92%，比 16B 的 Cosmos3-Nano-Policy（36.8%）高约 6.1 个百分点，参数只有对手的 44%；单步检查点为 38.3%±0.38，引导蒸馏检查点 42.2%±0.36。
• 速度是 Cosmos3-Nano 的约 2.85 至 3.15 倍，B200 上每个 32 步动作块耗时 41.06 毫秒。它对 π0.5 的「实时因子」优势来自预测跨度不同：FLUX 3 Action 一次管 2.13 秒动作，π0.5 只有 1 秒。
• 预训练 token 中视频占比超过 95%；微调约需 200 条演示。同批发布 base、SO-101 廉价机械臂与 DROID 三个版本，均接入 LeRobot，另附 Jetson 边缘部署配方与完整训练、微调、导出、推理代码。
• 官方与 GPT-6 Astra 做过混合控制器实验：Astra 负责慢思考、FLUX 3 Action 负责快控制，模拟中解决 90% 的回合，每次成功 8.77 美元、8 分钟，对比纯高算力推理的 13.47 美元、16 分钟。

值得关注的原因：

• 开源机器人模型第一次在权威榜单上以不到一半的参数压过更大的对手，且差距不是零点几个百分点。
• 它的核心假设是「会预测视频的模型已经理解物体怎么动，所以需要更少的机器人数据」，这条思路被做成了可以直接微调的产品，而不是论文里的一个论断。
• 官方坦承输出是裸关节目标，不限制速度、力与工作空间，需自行加安全层；商用许可条款也未公布。可部署、可微调、能接第三方硬件是它的卖点，工程可用性优先于通用智能。

7. KAIST 四足机器人 RAIBO2 单次充电跑完马拉松，登上《自然》

事件：9 月 23 日，《自然》在线发表韩国科学技术院（KAIST）Jemin Hwangbo 团队的论文，四足机器人 RAIBO2 在第 22 届尚州马拉松上单次充电跑完全程，用时 4 小时 19 分 52 秒。这是韩国机器人研究首次登上《自然》正刊。

核心数据：

• 平均速度 2.64 米／秒，路线包含 286 米高程变化，坡度最大 18.4 度。
• 全程消耗 1280 瓦时，电池容量 2016 瓦时，研究估算理论上还能再跑约 25 公里；单次充电续航约为现有同类的 3 倍，此前四足普遍在 20 公里上下。
• 总运输成本（COT，移动单位重量单位距离的能耗）0.25，人类基准 0.37，是首个低于人类的四足机器人。
• 能耗构成上，约三分之二在电机与驱动电路里变成热，其余来自齿轮摩擦、足端打滑与每次落地冲击。
• 三条改造路径：轻量化腿部并配合低阻电机驱动电路、在同扭矩下让电机吃更小电流、用强化学习训练「落足轻、不打滑、不过热」的运动策略；同时从整体能耗模型出发联合设计机械与控制，下坡时回收充电。团队 2024 年 9 月的第一次尝试在约 37 公里处耗尽电量，之后重新设计。
• 局限同样明确：RAIBO2 基本是「盲跑」，装了摄像头却没有解读路况的软件，靠人遥控。增加自主性会带来功耗，团队正在做更小的机载网络与传感器。论文通讯作者所在实验室孵化的 Raion Robotics 已在推进量产，目标场景是灾后搜救、周界安防与危险工业巡检。

值得关注的原因：

• 续航被当作整机系统问题而不是电池容量问题，机械、电路与控制一起优化，这个思路可以直接迁移到其他腿式平台。
• 单位距离能耗低于人类，是腿式机器人走向户外长任务的硬指标，比跑得快更有说服力。
• 能效纪录不等于自主性，遥控这一步还得补回来，而补回来的代价恰恰是它刚刚省下的那部分功耗。

8. Feather Robotics 出隐身，3 万美元的模块化通用机器人

事件：9 月 25 日，美国机器人初创 Feather Robotics 结束隐身模式，公布 760 万美元 pre-seed 轮（Gradient 领投，Builder VC、Geometry、SEED Innovations、Virgo VC 等参与），通用机器人售价 29990 美元（原价 32990 美元），报道称其营收已超过 100 万美元。

核心参数：

• 定位是「机器人界的 Android」：不做硬件加大脑的全栈，而是提供开发者可立即部署的硬件平台与工具链，让 AI 公司把训好的模型几周内落到真机上。
• 硬件规格：臂展 1 米、人类同级力量、10 小时续航（双电池热插拔）、360° 全向底盘最高 1.3 米／秒、垂直行程 600 毫米。
• 开放度：硬件参数可定制，连臂长都能改；模块化末端执行器、可更换板载算力、内置遥操作、逆运动学与碰撞检测、仿真支持，以及 Python 与 ROS2 开放 SDK。
• 模型无关：可运行 Generalist、Skild AI、Physical Intelligence 等第三方机器人模型，团队称更少部件意味着更少故障点。
• 落地场景：机器人在日本餐厅当厨师，在科学实验室做清洁；团队称只动用了 pre-seed 的一小部分资金。
• 团队背景：CEO Hoa Mai 上一家人形机器人公司被 1X 收购，曾任职 Google 与 Apple；联合创始人 Parsa Bakhtiari 是前特斯拉 Model 3 工程师，曾参与解决 Model 3 电池起火问题。
• 价格约为宇树 H2 Edu 的一半。由于美国市场对部分境外机型有限制，Feather 在当地是少见的模块化平台供给方。

值得关注的原因：

• 它赌的不是通用大脑何时成熟，而是无论大脑何时成熟，硬件层总得有人供货，这种「卖平台不卖答案」的位置在过去两年很少被占。
• 3 万美元一次性投入对上一名年薪 5 到 6 万美元的岗位，替代逻辑很直接，团队也承认是从宇树等中国厂商借了经验。
• 第三方机器人模型生态目前只有少数几家，Feather 把「模型无关」当作卖点，等于把这个生态的成熟度当成了自己的上限。

9. 清华与无问芯穹开源具身智能云原生纳管平台 RLark

事件：9 月 24 日，清华大学与无问芯穹联合开源面向具身智能的云原生纳管平台 RLark（github.com/RLinf/RLark）。此前 7 月世界人工智能大会上，无问芯穹已公布面向大规模具身任务的云边端一体化管理调度平台方向。

核心能力：

• 以自研具身设备运行时（embodied-runtime）与任务级跨集群网络互联为核心，通过统一硬件抽象，把机器人、相机等真实设备变成像 GPU 一样可申请、可调度、可复用的资源。
• 采用控制面与数据面分离架构，用 Job／Task／Worker 三层模型描述一项具身实验，用户用一份配置声明各角色的资源、实例数量与部署位置，后续实验可复用同一份配置。
• 目前已完成 3 个集群、近百个云边端节点、4 种型号具身设备的统一纳管；设备纳管从小时级缩短到约 5 分钟，任务提交后 10 秒内启动。
• 与强化学习框架 RLinf 结合，在广东云端 GPU 集群与北京机器人现场之间完成跨地域真机实测：连续运行约 36 分钟，训练推进到 323 个全局训练步，跑通设备申请、跨集群调度、真机数据回传、云端训练与策略更新的完整链路。
• 通信层面用虚拟寻址、gVisor 用户态网络栈与 SSH 安全隧道维持通道，受限网络下大包单流吞吐较对照 VPN 方案提升约 49%、小包提升约 14%，高带宽环境下大包单流接近 2 Gbps。相关系统 USER 的论文已发表在 RSS 2026。

值得关注的原因：

• 具身智能的瓶颈正在从「本体做不出来」转向「设备和算力怎么组织起来」，这一层过去长期靠人工拼场地。
• 机器人变成可调度的云资源之后，跨地域的采集、训练与验证才有可能标准化复用，实验规模才提得上去。
• 选择开源，是把设备适配与真实实验中的基础设施经验沉淀成公共能力，减少后续团队从零搭环境的重复投入。

四、模型与推理底座

10. 小米公开 MiMo-V3 核心架构 HySparse2，为长程 Agent 重构注意力

事件：9 月 24 日，小米 MiMo 大模型负责人罗福莉公开 MiMo-V3 的核心架构 HySparse2，技术论文同步公布（arXiv 2609.26368），由小米 LLM-Core 团队完成，15 位作者，罗福莉为通讯作者并标注 Team Lead。距 MiMo-V2.6 发布仅两天。

核心参数：

• 出发点是 Agent 推理的特殊负载：模型生成的动作很短，工具返回的观测可能很长，需要反复做 Prefill，上下文还在持续增长，于是 Prefill 成本、KV Cache 容量与长上下文检索准确率同时变成关键路径。
• 两级 KV 共享是关键改动。KV Bridging 借鉴 YOCO 思路，让交叉解码器中的全注意力层直接由自解码器对应层的隐藏状态构建 K/V；KV Reuse 则在同一混合块内，让后续稀疏层复用前一层全注意力层的 KV Cache 与选择索引。
• 另外两处调整：块级稀疏选择改为 token 级选择，可以直接从上下文不同位置取需要的 token；取消独立的 SWA 分支，改为强制保留最近 128 个 token，再从窗口外选 1024 个全局 token，局部与全局共用同一份 KV Cache。
• 结果之一是 Prefill 路径被截短：所有交叉解码器的 KV 都来自自解码器，Self-Decoder 算完即可退出。以 49 层模型为例，Prefill 只需执行前 25 层，其中只有一层全注意力，分离部署时 Prefill 节点的权重存储接近减半。
• 80B-A3B MoE 对照实验显示，100 万 token 上下文下，相对 MiMo-V2.6 采用的 Hybrid SWA，Prefill 计算量降至约 1/5，KV Cache 从 12.09 GB 降到 2.69 GB（约 1/4.5）；相对第一代 HySparse，Prefill 计算量降至约 34%，KV Cache 从 6.72 GB 降到 2.69 GB。
• 长文检索同步改善。轻量后训练并扩展到 256K 后，256K 上下文下 RULER-v2 得分 58.45，第一代 HySparse 为 32.61、Hybrid SWA 为 35.74；相对第一代 HySparse，MRCR-v2 与 RULER-v2 在各报告长度上的平均分分别提升 11.30 与 19.81 个百分点，AgentPPL 与 LongPPL 在各长度上均更低。
• 通用能力上官方口径比较克制：知识、推理与代码三项，三种架构整体大致相当，各有高低；取消独立 SWA 分支后部分数学推理与 MRCR-v2 成绩有波动，被算作效率与能力之间的架构取舍。论文参考文献里包含 4 项 DeepSeek 相关成果以及 gpt-oss 模型卡等。

值得关注的原因：

• 应用层的 Agent 需求正在反向改写模型底层的注意力设计，这一轮架构调整的动机不是刷榜，而是省长输入的算力和显存。
• 长上下文推理的瓶颈从「算得慢」变成「存不下」，HySparse2 的改动同时压 Prefill 计算与 KV Cache，说明两者可以在同一套设计里一起解决。
• 目前公布的只是 MiMo-V3 的架构预告，完整模型还没发布，论文里的对照也都是 80B-A3B 小模型上的结果，实际表现仍待验证。

五、产业趋势总结

1. Agent 从给建议转为接管操作：Cursor 让它盯住部署与回归，Amazon 让它改库存和定价，Kimi 直接给它一台虚拟电脑，写权限开始分段下放。
2. 长程任务的成本与稳定性成为主战场：MiMo-V3 为多轮 Agent 重构注意力，DeepSeek 把训练沙盒做成生产级基础设施，Step Code 用子代理拆解压 Token。
3. 国产编码智能体集体走终端加开源路线：阶跃 Step Code 与 Claude Code、Codex、Cursor 正面同台，还主动兼容对手的配置与插件，抢的是迁移成本而不是功能清单。
4. 具身智能的评价维度转向效率与规模：RAIBO2 拼单位能耗，Feather 拼可部署的低价平台，RLark 拼跨地域设备与算力组织，演示视频的分量在下降。
5. 开源机器人模型开始具备工程可用性：FLUX 3 Action 用 7B 参数登上 RoboLab 榜首，同时给出微调配方、LeRobot 集成与边缘部署路径，而不只是一份权重。

以上趋势由当天筛选的 10 条事件横向提炼，不针对单一厂商。

六、值得持续关注的信号

• 中国具身智能上市节奏：路透报道监管以非正式窗口指导放缓人形机器人企业上市，宇树股价较峰值回落约 55%；有投资人估算，若剔除数采中心相关收入，部分企业的估值可能下降 60% 至 70%。后续可看 9 月 29 日本末科技港股挂牌表现，以及港交所明年上半年围绕 18C 制度的修订咨询。
• OpenAI 个人智能体 Aeon：客户端代码线索曝光，定位常驻桌面的自主助手，直接对标 Meta Muse，最快 9 月 29 日 DevDay 前发布；Muse 上线一周吸引超 50 万用户，后续能否留住人是另一个问题。
• 腾讯 Marvis「AI 管家」：四大管家能力中电脑管家任务完成率约 92%，文件管家已接腾讯文档；10 月下旬开放自然语言自建管家，11 月正式上线，PC OEM 版、与 Intel 和高通的端侧优化、麒麟与统信定制版都在推进。
• 智元第 20000 台下线与长隆园区运营：从 1 万台到 2 万台约用 6 个月，下线的是远征 A3 Ultra（高 174 厘米、700 TOPS 算力平台、20 自由度触觉灵巧手）；但 2 万台是全线产品累计数，公司未拆分人形与四足。
• Anthropic 合规清查带来的替代窗口：AWS 与微软大中华区的大批 Claude 账号被停，知情人士估计相关收入影响或达数亿美元，部分客户因此拒付。这条通道收紧后，国产模型在政企与出海企业里的位置值得跟踪。
• Anthropic 披露的自主科学发现：其生物实验室称 Claude 自主发现了一类类似 CRISPR 的新型酶系统 ART，此事在联合国安理会场合被提及，但仍需同行评审确认，是 AI 从辅助分析走向自主发现的观察点。
• 阶跃 Step Code 的正式发布与复现：仓库尚未打 Release，README 承诺文档「在发布日对齐」，第三方在 Terminal Bench 2.1 上的独立复现是目前最需要的一份验证。

本日报基于公开报道整理，仅供参考。