开源模型追到只差3分：上周AI圈4件事

我是智界探索者。

上周（10月19日—25日）AI 圈看着热闹：发模型的、开源代码的、开新品发布会的都有。但把几件事放一起看，其实都在回答同一个问题——智能体这东西，成本怎么算、规矩怎么定、边界画在哪。挑 4 件值得细看的，给你拆开讲。

一、开源模型第一次追到闭源门口

10月24日凌晨，月之暗面发布 Kimi K3.1 Pro：3万亿级参数、100万词元上下文，仍是全球参数规模最大的开源模型。第三方机构 Artificial Analysis 的智力指数给它 55 分，排全球第四，前面只有 Claude Opus 5.5、Claude Sonnet 5.5 和 Meta 的 Muse Wonder Full（来源：CGTN 10月24日、腾讯新闻 10月24日）。

关键在"怎么来的"。K3.1 Pro 不是新基座，是 7 月开源的 K3（2.8万亿参数）做大规模后训练的结果：把强化学习扩到数百个下游领域，同时重做了训练框架、长上下文推理、沙箱和调度这些底层工程（来源：北京日报 10月25日）。按 Artificial Analysis 的口径，开源与闭源的差距从 12 分缩到 3 分。

一句话解读：以前觉得模型强不强全看基座，这次说明"练"的功夫也能顶半边天。

价格也有门道。API 每百万词元输入 2 美元、输出 10 美元，约是 Claude Opus 5.5 的一半。但 CGTN 引述 OrcaRouter 的提醒值得记一笔：单价便宜不等于每个任务便宜。Artificial Analysis 算下来，K3.1 Pro 完成一个智力指数任务约花 1.98 美元，跟 K3 的 2.00 美元基本持平——因为它每题平均输出 5.5 万个词元，比 K3 多 14%。账要按"任务"算，不是按"词元"算。

完整权重计划 11月4日前放出。另外，官方内部压力测试里单项事实陈述错误率从 K3 的 23.4% 降到 8.3%（官方强调该测试刻意挑易错场景，不代表日常水平）。

二、微软开源 Agensh：1024 个智能体，没有总指挥

10月24日，微软研究院开源 Agensh（MIT 许可）。做法有点反常识：一般多智能体系统里有位"总指挥"负责分活、收结果、合并代码，Agensh 把这个角色整个去掉——每个智能体自己抢子任务、在共享发现板上同步进展、直接往同一个 Git 仓库合并代码（来源：MarkTechPost 10月25日、Microsoft Research）。

成绩单：ProgramBench 五个最难任务（FFmpeg、gromacs、pandoc、PHP-src、ctags），从 1 个智能体扩到 128 个，平均通过率从 19.31% 涨到 28.78%。pandoc 单任务最明显：同样 6 小时预算，1 个智能体 33.89%，1024 个冲到 55.06%。

一句话解读：总指挥本身就是瓶颈——它的上下文和判断力有限，活儿一多就排队。改成"抢单制"理论上能一直加人。但别急着兴奋：五个任务里只有 pandoc 扩展得漂亮，其他任务增益有限。多智能体不是"人多就强"，是"活儿适合拆才强"。

三、AWS 和谷歌同周出手：智能体的"等待"开始单独算钱

10月23日，AWS 开源 Infinity（Rust 编写、Apache 2.0 许可，属 AWS 与加州大学伯克利分校合作的 Hydro 项目）。原理很妙：智能体调工具时，把这次调用当成代码里的 await——挂起自己、存档对话、释放内存；结果回来再从存档唤醒（来源：AWS 开源博客 10月23日）。

以前是怎么干的？多数框架在等的时候一直占着进程和内存。等一次构建 20 分钟、等审批一整夜、等 CI 跑几天，机器全程空转。AWS 用模拟模型做了基准：8 万个智能体、每个 20 轮、共 320 万次补全，闲置时每个约 100KB，折下来 8GB 内存能装约 7.5 万个。注意：这是在服务器上测的，不是真拿树莓派跑的，数字也没第三方复核，官方自己定位是"早期研究版本"。

前一天（10月22日），谷歌云发布 Agent Compute Engine：每个智能体一个 microVM 沙箱，闲置就暂停，沙箱内不留凭据。

一句话解读：今年大家忙着买卡堆算力，这周两家开始管"空转"的钱。智能体真正的成本大头，可能不是"想"，而是"等"。

四、具身智能：世界模型开始讲物理，不讲好看

10月23日，云深处科技围绕自研具身大脑 DEEPRobotics-Brain 集中发布五项成果：世界模型 DR-WM-1.0、具身基础模型 DR-VLA-2.0、导航智能体 DR-Agent、策略优化框架 DR-APO、数据闭环平台 DR-Benchmark（来源：证券时报·人民财讯 10月23日、环球网 10月24日）。

最值得看的是 DR-WM-1.0。现在不少"世界模型"是拿视频生成改的：能画出机器狗踩雪的漂亮画面，却算不出雪地会打滑——像素上合理，动力学上不成立。云深处的做法是给视频生成加一个"物理属性先验"模块，把摩擦力、粗糙度、刚度塞进去，用 258 万张图像和超 10 万段真机片段预训练。

另一个硬数字：策略优化框架 DR-APO 把导航模型 NavDP 的仿真成功率从 70.33% 提到 89.55%；在自家山猫 M20 轮足机器人真机上，导航成功率从 25% 提到 65%。

一句话解读：机器人要学会先在"脑子里"预演一遍再动。画面像不像不重要，物理对不对才重要。

今日一词：世界模型

世界模型（World Model），简单说就是 AI 在自己脑子里建的一个"能推演的小世界"：给它当前画面和一个动作，它能预测下一秒会发生什么。

为什么重要？因为真实世界试错太贵。机器人在现场摔一跤要修，自动驾驶在真路上试错要命。有了世界模型，可以先在模型里跑一千遍，挑出靠谱的那条路，再上路。

难点在哪？三条：一是物理，像素好看不等于动作可行（就是上面雪地的例子）；二是长程，推演 3 步容易，推演 300 步误差会像滚雪球一样累积；三是数据，真机数据又贵又慢，云深处那套基准是 833.6 小时、3294.7 公里真实作业采集换来的。

对普通人怎么看：短期先落地的是巡检、配送、工厂上下料这类"结构化场景"；家务这种开放式场景还要等。看演示视频别只看热闹，能不能连续干 8 小时不出错，才是分水岭。

算力是大模型的粮食，入口是生意的门面，内容是获客的引擎，三样缺一不可。想搭自己的 AI 应用、知识库或企业官网，访问 www.16837.com 了解自助建站与云服务。关注「智界探索者」，每周一、三、六，AI 前沿给你讲明白。