技术日报

{
  "title": "AI重构世界模型与代码搜索范式，具身智能迎来飞轮时刻",
  "content": "# AI 进化的新维度：从世界模型到具身智能\n\n今天的资讯不仅展示了 AI 技术在感知与推理上的纵深突破，更揭示了工程化落地中的残酷现实。从理论层面的世界模型分级，到代码搜索“反直觉”的 Grep 回归，再到具身智能的闭环训练，行业正在从追求参数规模转向追求真实的物理世界交互能力。与此同时，科技巨头的财报也印证了这场竞赛的高昂成本与无限潜力。\n\n### 前沿突破：定义智能的边界\n\n[智能体化世界建模：基础、能力、规律及展望](https://mp.weixin.qq.com/s?__biz=MzU3NjE4NjQ4MA==&mid=2247556241&idx=1&sn=588bbfed575d264b0b2cd5545e8ceb20)\n\n这篇综述极具分量，它首次将碎片化的“世界模型”概念统一在“能力级别×治理规律”的框架下。作者提出 L1 预测器、L2 模拟器和 L3 演化器的三级分类，这不仅是对现有 400 多篇论文的梳理，更是为未来 AI 智能体的发展指明了路线图。它告诉我们，真正的智能不仅仅是生成文本，而是能否在物理、数字、社会和科学规律下进行长程预演和自我修正。对于研究者而言，这是理清认知的基石；对于工程师，这是评估模型决策能力的标尺。\n\n[DeepSeek最新成果，节前发布！](https://mp.weixin.qq.com/s?__biz=MzIyNjM2MzQyNg==&mid=2247722411&idx=1&sn=bdec00adace587c9737956cd7554bdb4)\n\nDeepSeek 再次展示了其在工程极致性上的野心。新论文《Thinking with Visual Primitives》指出多模态模型的痛点并非“看不清”，而是“指不准”。通过引入坐标 Token 和 Visual Primitives（视觉原语），让模型在推理时能像人类一样“指指点点”，有效解决了长程推理中的实体追踪难题。这种“边想边指”的范式，不仅大幅提升了拓扑推理和迷宫导航的胜率，更为多模态模型从“感知”进化到“空间推理”提供了极具操作性的新思路。\n\n### 架构演进：工程实战与范式之争\n\n[Scaling Pain：超大规模Coding Agent推理实践](https://mp.weixin.qq.com/s?__biz=MzkyMzI3NzQ0Mg==&mid=2247493785&idx=1&sn=81f824341a6d22ca3a6333e199d2a5ac)\n\n智谱这篇“战地报告”揭示了 AI 落地的真实代价。在高并发、长上下文的 Coding Agent 场景下，PD 分离架构中的 KV Cache 竞态、HiCache 的流水线同步缺失等底层 Bug 会导致乱码和复读。更有趣的是，他们利用投机采样（Speculative Decoding）的指标作为异常检测信号，这种“变废为宝”的工程直觉令人拍案叫绝。这提醒我们，Scaling Law 的背后必须是同等强度的系统工程，否则模型再强，基础设施也会成为木桶的最短板。\n\n[RAG已死？不，是Grep回归了！](https://mp.weixin.qq.com/s?__biz=MzI2NDU4OTExOQ==&mid=2247695473&idx=1&sn=517ef2bad8a85f2f31c1ef30c1eae76)\n\n这篇文章对当下的“RAG 虚无主义”做出了冷静且深刻的技术剖析。Claude Code 和 OpenAI Codex 不约而同地放弃了向量索引，转而使用 LLM 驱动的 Grep，这并非技术的倒退，而是对代码搜索本质的回归——代码的高精度锚点（函数名、类名）天然适合精确匹配。文章指出，对于本地项目规模，现代 Grep（ripgrep）的速度完全胜任，且零索引带来了零维护成本。这对开发者是一个重要启示：不要被“语义搜索”的神话绑架，在特定场景下，精确且极简的工具才是王道。\n\n### 具身智能与多模态：从 Demo 到现实\n\n[Generalist之后，罗剑岚团队推出LWD，也要变革具身智能训练范式](https://mp.weixin.qq.com/s?__biz=MzA3MzI4MjgzMw==&mid=2651031116&idx=1&sn=b934b136862779b055b5e7623bc4e43a)\n\n如果说 VLA 模型让机器人有了“大脑”，那么 LWD（Learning While Deploying）则是给它装上了“脊髓”。这项工作打破了传统的静态交付模式，通过分布式强化学习，让机器人在真实部署中通过失败和纠偏实现自我进化。在真实的长程任务（如泡茶、调酒）中，LWD 展现出了惊人的鲁棒性。这意味着具身智能的竞争焦点正在从“出厂能力”转向“部署后的进化速度”，这可能是通向通用机器人的必经之路。\n\n[MiniCPM-o 4.5 技术报告发布：全双工全模态 API 开放，RTX5070 即可实时运行](https://mp.weixin.qq.com/s?__biz=MzU1NDA4NjU2MA==&mid=2247661863&idx=2&sn=4b3e7abe1116a064cae2c80d28287960)\n\n面壁智能的 MiniCPM-o 4.5 在端侧全双工交互上迈出了关键一步。通过 Omni-Flow 框架，模型能在极小时间片内完成“感知-思考-响应”循环，真正实现了像人类一样的“边听边说”。更重要的是，它将这一强大能力压缩到了 RTX 5070 即可运行的规模。这不仅降低了 AI 普及的门槛，更为智能座舱、无障碍辅助等需要即时响应的场景提供了可落地的技术底座。\n\n[图像编辑模型不止生成：BIGAI&上交大提出EAR范式，系统测试其视觉规划能力](https://mp.weixin.qq.com/s?__biz=MzA5ODEzMjIyMA==&mid=2247734177&idx=3&sn=3f56d7a9a79cef895c1ff54f7d7f79fb)\n\n上海交大的这项研究将视觉规划重构为单步图像编辑任务，挑战了模型是否具备原生视觉推理能力。研究发现，扩散模型在经过微调后，在迷宫和皇后任务上表现优于自回归模型，且思维链（CoT）只有在模型内化逻辑后才有效。这揭示了一个残酷的现实：当前的图像模型更擅长“局部修补”，而在需要全局协调的组合规划上，其能力仅相当于 6 岁儿童。这为多模态模型的下一步进化指明了方向。\n\n### 行业与基础设施：算力经济的账本\n\n[营收增长33%、Meta股价却大跌：扎克伯格宣布再烧100亿](https://mp.weixin.qq.com/s?__biz=Mjc1NjM3MjY2MA==&mid=2691567798&idx=1&sn=836ce111f7ad9f1e452a7deb86c57f1b)\n\nMeta 的财报是 AI 时代“信仰充值”的缩影。尽管广告业务强劲，营收大增，但资本支出翻倍至 1450 亿美元的预告吓坏了华尔街。扎克伯格正在进行一场“破坏性重组”，裁员 8000 人只为All-in AI 基础设施。这表明科技巨头已经进入了“不进则退”的军备竞赛阶段，未来的竞争将不仅是算法的竞争，更是算力储备和现金流承受力的竞争。\n\n[净利暴涨80%，谷歌靠AI猛吸金，Geimini用户破3.5亿人](https://mp.weixin.qq.com/s?__biz=MzA4MTQ4NjQzMw==&mid=2652802188&idx=3&sn=5e7e1b28c1ee50b530dd083b8927870)\n\n与 Meta 不同，谷歌用一份亮眼的成绩单证明了 AI 投资的即期回报。云业务营收暴涨 63%，企业 AI 解决方案收入增长近 800%，Gemini 付费用户破 3.5 亿。这说明 AI 的商业价值正在云服务和 B 端市场率先兑现。谷歌通过自研 TPU 和垂直整合的 AI 栈，正在将算力转化为真金白银，为行业树立了“AI 也能赚钱”的标杆。\n\n[