Astra 三天封神又翻车、一个人辞了两次职、电网追不上芯片

晚点LatePost报道高德正式入局"空间智能"，在语言模型之后押注真实世界里的下一代AI，报道里直接引用了李飞飞和World Labs对"空间智能"的定义。几乎同一时间，普林斯顿学者王梦迪在外滩大会上提醒：AI要实现真正的自主发现，靠的不只是把模型做得更大，需要架构或范式层面的突破——这句话虽然没直接点名"空间智能"，但矛头指向的是同一类问题。风险投资这头，a16z这周投资了做光场/空间计算的Lightfield，押注方向也在同一条线上。SemiAnalysis则从工程角度切入，讨论机器人的"思考"到底该放在本地还是数据中心——具身智能一旦要处理空间信息，端云延迟的取舍就变成了硬约束，不再只是模型能力的问题。

技术论文这头的密度也在同步上升。量子位这周报道了星尘发布的SmoothRL，解决的是在线强化学习跟不上大模型异步推理速度的问题；另一篇报道world model训练完就"退场"当教师而非运行时引擎，是为了把具身智能的推理成本降下来；具身领域的in-context learning正在成为新的Scaling赛道，上下文长度开始取代参数量成为关键变量。雷锋网还报道了腾讯混元联合清华、南洋理工在ECCV 2026发表的论文，专门解决空间智能里算力和记忆断裂的问题，以及RoboTracer——用3D空间感知代替2D坐标做机器人轨迹追踪。宇树科技创始人王兴兴在采访里给了一个更朴素的判断：机器人真正爆发还要等两个"80%时刻"——量产成本和能力可靠性各自跨过80%这道门槛之前，不用期待爆发式的商业化。评测这头也有动作：开源项目Inspect Robots这周更新到活跃状态（418星，本周内有新提交），定位是"给机器人的Inspect AI"——把评测框架和具体机身解耦，同一套基准可以套在任意LLM/VLA（Vision-Language-Action，机器人领域"看懂图像、理解指令、直接输出动作"一体化的模型架构）策略上，再接到任意真实机械臂、人形机器人或仿真环境去跑，全程留痕（评分、模型推理记录、完整配置）。有了标准化评测框架，"哪个模型/策略更能干"这件事才有可能被系统比较，而不是各家自说自话。这也是为什么Jay Chooi那条对比视频值得关注——Astra在机械臂抓取任务上做到95%成功率、Fable 5.1只有40%，且不是靠更贵的算力堆出来的（成本反而低2.3倍），如果这类第三方评测能规模化，具身智能的模型选型可能很快会像语言模型一样有清晰的榜单可查，而不是各家秀一段谁也没法复现的演示视频。

具身智能这周还多了一个"开箱即玩"的例子。Hugging Face旗下Pollen Robotics这周为399美元的机器鸭子Microduck开放预订（预计圣诞节前发货），15个电机、Rockchip RK3566芯片、8×8 ToF传感器，50Hz闭环控制。有意思的是软件选择——它没有用机器人领域的标准框架ROS 2，而是让"一块板子跑七个Rust守护进程"直接对接Linux systemd，每个进程只管一块硬件（比如只有robotd能写电机），团队在非实时内核上测出50Hz控制循环15022个心跳里只丢3个，丢失率0.02%。这不是"ROS过时了"的判断，而是给低成本消费级机器人提供了另一条不依赖复杂中间件的实现路径。

V4.1-Flash官方给出的架构细节很扎实：552B总参数之外，单独挂了一个196B参数的Engram模块（做条件记忆的稀疏查找，不走MoE——混合专家架构，让每次输入只激活整个模型里一小部分"专家"子网络来省算力——路由）；主干是一个40层的Causal Encoder-Decoder（20层编码器+20层解码器），解码器的全局KV缓存直接从编码器最后一层的隐状态投影出来，而不是逐层生成——这个设计让它prefill阶段（模型一次性读完你输入的全部内容、还没开始吐字的阶段）每token只激活80亿参数、decode阶段（开始一个字一个字往外蹦答案的阶段）160亿。配合"SWA Bounded Replay"（只重放最近若干token而不是把滑动窗口注意力的KV都存到硬盘）和"Compressed Sparse Attention 2"（给每层打Full/Reindex/Reuse标签，跨层共享KV和稀疏索引），再把KV缓存本身压到FP4精度，官方数据是每token仅890字节，只有V4-Flash的四分之一、DeepSeek-V1的437分之一。跑分上，Terminal-Bench 2.1拿到90.6分、DeepSWE解题率74.2%、CyberGym 88.1，都已经反超Opus-5.0和GPT-5.6 Sol；但在GPQA Diamond（90.9，Opus-5.0是93.4）和HLE（36.8，Opus-5.0是56.3）这类纯知识推理测试上还是落后一截——这次的强项明显是Agent/编程/攻防这类需要长上下文和大量工具调用的任务，不是通用知识密度。价格上比V4-Pro输入便宜4倍多、输出便宜3倍多，V4-Pro本身已经确定9月14号起全量切到V4.1-Flash的计费方式退役。

更值得记一笔的是同一周（9月7-10号）连续更新的一批底层组件，几乎每一个都能对上V4.1-Flash架构里的某个具体设计：DeepSelect是给稀疏注意力用的TopK kernel，用随机分块扫描+阈值过滤+周期性基数选择的单遍算法，比PyTorch自带的torch.topk快2到20倍；DeepJIT是个header-only的C++20 JIT运行时，同时支持CUDA和华为昇腾NPU两套后端；deepseek-recipe是官方的prompt编码/协议工具包，负责把Chat Completions、Responses、Anthropic格式的请求转换成DeepSeek自己的prompt格式再转回去。老牌的DeepGEMM（7800+星）和DeepEP（1万+星）也在同一天/同一周更新——DeepGEMM的更新日志直接写着"Sparse Indexer, Mega Gate, Mega mHC, DeepJIT"，对应的正是V4.1-Flash的CSA2分层索引器和残差流合并kernel；DeepEP做了个V2重构，加了0-SM的Engram RDMA支持，服务的正是那个196B参数的记忆模块，给它撑腰的还有一篇1月发布的论文和对应的官方实现（Apache-2.0协议）。DeepSeek自己的产品页上只轻描淡写说了句"会和开源社区在V4.1-Flash推理支持上紧密合作"，但这一串仓库拼起来，其实是把新架构依赖的kernel和运行时几乎全部同步公开了——这个节奏，跟他们2025年2月那次"开源周"（FlashMLA/DeepEP/DeepGEMM/DualPipe/EPLB/3FS一口气全放出来）是同一套打法，只是这次没有专门包装成一个活动。DSec（DeepSeek Elastic Compute，此前技术报告披露的Rust调度平台，负责扩容招聘150人的那套系统）本身没有开源，GitHub上找不到对应仓库，仍是内部基础设施。

另一个背景是DeepSeek自己的Agent运行时Harness（dsh）——8月13号开源（略早于本期窗口），一周内从两万多星冲到21万多星，是这波AI Agent热潮里增长最快的开源项目之一，V4.1-Flash的Agent基准测试（DSH Minimal/Standard/PTC）用的正是它。但它也在9月8号被曝出一个CVSS评分9.4的高危漏洞（CVE-2026-82533；CVSS是安全行业通用的漏洞严重程度打分标准，满分10分，9分以上通常意味着不需要复杂条件、远程就能被直接利用）——本地Web控制台只检查客户端自带的Host请求头、不检查真实连接来源，一个被提示词注入攻击的Agent能靠一次未授权HTTP请求把自己的会话切到"danger-full-access"模式、逃出文件沙箱，还能顺手把完整对话记录偷走，全程不需要人点一次确认。GitHub上8月27号就修了，但官方推荐的npm安装渠道直到8月30号才跟上，中间空出3天窗口——这跟故事线A、专题02里反复出现的"Agent权限边界"，是同一个故事的另一个案例。

HLE（Humanity's Last Exam）由Center for AI Safety和Scale AI（Dan Hendrycks、Alexandr Wang领衔）在2025年联合发起，2026年1月正式登上Nature。起因很直接——MMLU这类老牌基准已经被主流模型刷到90%以上，测不出前沿模型之间的真实差距，团队干脆找了全世界近1000名学科专家（分布在50个国家500多所机构，大多是教授、研究员和博士）出题，凑出2500道横跨100多个学科、有确定答案（closed-ended）的高难度题目，同时留一份私有测试集防止模型"背题"。题目难到什么程度，官网自己放出的两道例题很说明问题：一道要求把罗马墓碑上的帕尔米拉文字（Palmyrene script）翻译出来；另一道要求回答蜂鸟某块腱膜上那颗豆状骨到底支撑着几根成对的肌腱——不是需要推理能力，是需要真的掌握极度垂直、极度冷门的专业知识。

HLE定稿时（2025年4月）给出的基准分数放在今天看很有参照价值：当时最强的Gemini 3 Pro也只拿到38.3%，GPT-4o更是只有2.7%，calibration error（模型自称的置信度和实际对错之间的偏差）普遍在50%到89%之间——模型不仅做错，还对自己做错这件事完全没有自知之明。作者当时在论文里给出一个预测："按AI发展速度，模型有可能在2025年底前突破50%"——实际发生的时间点比这个预测晚了大半年，GPT-6 Astra这周以54.80%越过这道线。但论文自己也提前给这类新闻打了预防针，原话是："HLE高分只能说明模型在结构化学术问题上达到专家水平，不能单独说明它具备自主研究能力，更不能说明这就是通用人工智能（AGI）——HLE测的是有标准答案的结构化问题，不是开放式研究或创造性解决问题的能力。"这句话，正好是本期快讯里黄仁勋喊"AGI已经到来"和Gary Marcus反驳"没有定义就宣布胜利"那场争论的另一个注脚——出题人自己早就说了，这道题及格，离AGI还有很远的距离。