机器之心 AI NEWS DIGEST
2026 06 05
STORY 01 / 11
北大发布全球首个「自进化」5D世界模型EvoPhys-World，基于摩尔线程全国产算力底座，以「人」为中心，实现场景级万物可控
STORY 02 / 11
Claude Code团队成员亲述：动态工作流该怎么用
STORY 03 / 11
大晓机器人发布全球首个全屋三维可交互世界模型
STORY 04 / 11
AI自进化过快，Anthropic呼吁全球中止研发
STORY 05 / 11
过程比结果更危险：从模型到Harness，AI Agent的下半场该如何评测安全？
STORY 06 / 11
进家大战已经打响，第一个跑出来的不是人形
STORY 07 / 11
刺破成功率幻象，直面具身智能的「真灵巧」，机器人精细操作评测新范式来了！
STORY 08 / 11
首字延迟降低3.6倍！腾讯混元提出Stem稀疏注意力算法，长文推理加速新SOTA
STORY 09 / 11
全球领先！许锦波团队率先跑通低通量de novo，11大靶点上实现90%成功率！
STORY 10 / 11
模型也需要「睡觉」？CMU新论文让LLM在梦中「巩固记忆」
STORY 11 / 11
Claude的双面人生：在Anthropic内部卷生卷死，在用户面前躺平摆烂
这条新闻关注北大发布全球首个「自进化」5D世界模型EvoPhys-World。
项目主页: 智能下一站：从 “看见世界” 到 “撬动世界” 过去一年，世界模型成为 AI 领域最受关注的方向之一。
以 Genie3、Lingbot-World、Marble 等为代表的一系列工作，已经能够构建连续、逼真的虚拟世界，并支持智能体在孪生出的场景中进行观察、预测与漫游。
但一个关键问题始终存在： 这些世界大多仍然只能 “看”，不能真正 “动”。
也就是说，模型可以生成一个场景，可以让视角在场景中移动，却很难真正理解场景中物体的物理属性，更难让“人”或“机器人”与物体发生符合物理规律的交互。
轻轻一推，杯子会滑走、晃动，还是翻倒？
伸手一拿，物体会被顺利拿起，还是从手中滑落？
拉开抽屉时，里面的物品会不会跟着移动？
按下会议室门口开关，灯光会不会随之亮起或熄灭？
换一个力度、角度，会不会产生不同的反馈？
“反物理” 事实推演生成 如果世界模型只能生成 “可观看” 的世界，那么它更像是一个视觉播放器；
而如果世界模型能够理解动作、物体、接触、因果与反馈，它才有机会成为机器人和智能体的 “世界引擎”, 从 “看见世界” 到 “撬动世界”。
这条新闻关注Claude Code团队成员亲述：动态工作流该怎么用。
该功能允许 Claude 根据具体任务即时编写定制化执行框架，协调多个子 Agent 并行工作，解决大规模、高并行、对抗性任务中的系统性失效问题。
近日，Anthropic 工程师 Thariq 发了篇长文，分享了他最初的工作流经验和心得。
在深入技术细节之前，Thariq 先提供了一些示例提示，来让我们理解工作流的潜力： - 「这个测试可能每 50 次运行失败一次。
设置一个工作流，重复运行测试，形成假设，并在工作树中对其进行对抗性验证 / 目标：不停尝试，直到有一个假设成功。
」 - 「使用工作流，回顾我最近的 50 次会话，挖掘我反复犯的错误，并将这些重复性问题生成 CLAUDE.md 规则。
」 - 「用工作流翻查过去六个月 Slack 的 incidents 频道，找出反复出现、但还没有人提交工单的根本原因。
」 - 「拿我的商业计划，运行一个工作流，让不同的 Agent 从投资者、客户和竞争对手的角度进行拆解。
这条新闻关注大晓机器人发布全球首个全屋三维可交互世界模型。
该技术突破了现有室内场景生成仅能覆盖单房间、缺乏全局一致性与可操作性的行业瓶颈，能够一键生成结构连贯、物理合理、功能完整的全屋三维场景。
具身智能的终极目标是走进千家万户，但家庭环境的高度复杂性与个性化，要求机器人必须在海量差异化真实场景中训练。
为此，研究团队同步开源全球规模最大、首个专为中国家庭打造的全屋 3D 数据集。
该数据集包含 30 万套中国真实住宅平面图与 5 千个完整带可交互家具和物体的仿真场景，覆盖全国各类典型家居户型，完整还原中国本土家庭居住特征。
此前，Figure AI 与 Brookfield 依托超 10 万套住宅单元训练机器人；相比之下，Kairos-HomeWorld 用可批量生成的中国家庭仿真场景降低训练成本。
与之相比，Kairos—HomeWorld在家庭机器人训练方面成本低、效率高。
依托模型就能批量生成多样化中国家庭仿真场景，以及自带物理交互属性的物体。
这条新闻关注AI自进化过快，Anthropic呼吁全球中止研发。
据 Anthropic 的内部数据显示， Claude 正在加速 AI 开发进程。
这可能意味着一条通向「递归自我改进」的路径正在出现，也就是 AI 能够自主参与构建一个比自己更强的后继模型。
这种变化发生得比原先预想得更快，其潜在影响值得更多关注。
简单来说，Anthropic 公开了一份迄今为止关于「AI 加速 AI 开发」最为详尽的内部报告。
这份报告参考的不是外部基准测试成绩，而是公司自身实际业务的工程指标、员工调查和内部实验数据。
报告的核心发现着实惊人：截至 2026 年 5 月，Anthropic 合并进代码库的代码中，超过 80% 由 Claude 编写；
在 2026 年第二季度，工程师的代码日产出量是 2024 年的 8 倍。
这条新闻关注从模型到 Harness，AI Agent 的下半场该如何评测安全。
这些问题当然重要，但在今天，它们已经不是唯一、甚至不再是最核心的问题。
真正被部署的 agent，并不是裸模型。
无论是 Claude Code 自动提交 PR、Codex 修复 issue，还是能够直接操作资金的客服助手，它们都运行在一个 execution harness 之中。
Harness 决定了模型能调用哪些工具、能访问哪些资源、信息如何在不同子 agent 之间流动、何时终止执行，以及系统如何处理错误恢复。
模型只是提出动作， 真正决定行为边界的是 harness 。
这意味着，很多真正危险的失败，已经不再发生在“最终回答”这一层，而是发生在执行过程本身。
一个看似“对齐良好”的模型，如果被放进权限边界松散的 harness 中，依然可能悄悄执行越权操作。
这条新闻关注进家大战已经打响，第一个跑出来的不是人形。
2026 年，这个问题变得愈发重要，它直接决定了一家具身智能公司能否靠自己的造血能力活下去，而不是永远等待下一轮融资。
与此同时，市场投票其实已经给出了一些结果。
其中最值得关注的一个现象是：在公认难度极高的家庭消费场景，已经有公司卖出了 25000 多台。
前段时间，他们的新产品 ——BabyAlpha A3 机器狗引发了不小的轰动。
不过，当时，很多行业讨论集中在参数本身：六颗国产芯片组成异构计算集群、端侧运行 70 亿参数大模型、感知系统全面升级。
这背后真正值得重新讨论的，可能不是某一款产品，而是整个具身智能行业的路线选择。
当机器人厂商开始「挤进家门」 不知道大家有没有注意到，最近，喊着要把机器人送进家庭的具身厂商，是越来越多了。
这条新闻关注刺破成功率幻象，直面具身智能的「真灵巧」。
针对这一问题，东南大学魏秀参教授、耿新教授和北京大学彭宇新教授团队提出精细操作元评测基座 MetaFine，从 understanding、perception 和 behavior 三个维度系统诊断具身智能体的操作能力。
MetaFine 不仅能够揭示传统成功率指标下被高估的能力幻象，还可兼容吸收不同机器人评测集，并通过真机-仿真混合评测辅助获得更稳定、更公平的真实能力估计。
该工作推动精细操作评测从“是否成功”的结果排名，走向“为何成功、为何失败”的能力诊断，为构建真正可靠、灵巧、可泛化的具身智能系统提供新的评测基础设施。
论文题为《Beyond Binary Success: A Diagnostic Meta-Evaluation Framework for Fine-Grained Manipulation》。
这条新闻关注首字延迟降低3.6倍！腾讯混元提出Stem稀疏注意力算法。
光标闪烁，模型却迟迟不吐出第一个字 —— 这段 "等待第一个字" 的过程，就是所谓的 预填充（Prefill）阶段。
它背后的瓶颈，是 Transformer 自注意力的二次方计算复杂度：输入越长，预填充越慢，且呈平方级增长。
稀疏注意力（Sparse Attention）是当下最主流的破局方向：只计算“重要”的 token，把不必要的算力省掉。
然而从算法到算子，现有方案都存在明显短板。
这条新闻关注全球领先！许锦波团队率先跑通低通量de novo。
对一个长期被认为“没有高通量就很难有收获”的领域来说，这意味着低通量、跨多靶点的实用级 de novo 纳米抗体发现，第一次被跑成了一条完整可复用的流程。
更重要的是，这样的成绩并不是靠「选简单靶点刷数据」实现的。
报告显示，MMDesign 在被公认为低通量场景下极难命中的浅层三聚体细胞因子 TNFα 上，实现了 14 选 7（50%）的命中率；
在部分 GPCR 等被视为抗体设计「深水区」的高难度靶点上，同样获得了高表达、低聚集且特异性良好的候选。
多数命中分子不仅亲和力达到纳摩尔甚至皮摩尔级别，还在 CHO 表达、SEC 单体比例和非特异性结合等可开发性指标上表现稳健。
支撑这一整套工作流的，是分子之心自研的全原子结构预测模型 MMFold。
在抗体–抗原结构预测的权威基准 FoldBench 上，MMFold 的 Top‑1 成功率达到 68.6%，显著高于当前公开的 AlphaFold 3 等主流系统，Top‑5 成功率进一步提升至 75.6%。
这条新闻关注模型也需要「睡觉」？CMU新论文让LLM在梦中「巩固记忆」。
但问题也随之而来：上下文越长，KV Cache 越臃肿，不仅导致显存瞬间被“吃光”，推理速度愈发缓慢，成本也迅速上升。
更关键的是，把更多 token 放进窗口，并不等于模型真的把信息转化成长期记忆，复杂推理任务仍会因为记不住细节而频频翻车。
这篇论文的题目言简意赅， 《Language Models Need Sleep》，也就是《语言模型需要睡眠》 。
当然，这里的「睡眠」不是真的睡眠，更准确地说， 是一种类似睡眠的「记忆巩固机制」 。
这条新闻关注Claude的双面人生：在Anthropic内部卷生卷死。
公司高层甚至喊话全球同行：兄弟们，要不要一起踩踩刹车？
这份报告的帖子浏览量已经冲破 500 万，讨论热度拉满。
然而，在工作能力进步的同时，摸鱼的水平越来越强大了。
Claude 就是一个典型的例子，似乎都已经学会了「向上管理」。
Reddit 社区上另一个帖子也在疯传。
标题特别朴素，朴素到带着一股怨气： 「Claude 现在完全不能用了」（Claude is completely unusable now）。
Claude 现在就是这么反差：表面上“精通十八般武艺，年产出 top 1%”，实际干活的时候，干了十分钟就开始收拾东西跟你说“今天差不多了吧”。