AI 早报 10.12｜Odyssey-3 世界模型开放免费试玩

今日看点

  1. Odyssey 开放 14B 世界模型 Odyssey-3 研究预览，可免费试玩
  2. Vals AI：agent 组队花费高 1.8–5.1 倍，质量几乎没涨
  3. vLLM Decision 3.0 开源 5 个决策模型，全系 Apache-2.0

头条｜Odyssey 开放 14B 世界模型 Odyssey-3，可免费试玩

媒体 · The Decoder · 10-11

Odyssey 开放 14B 世界模型 Odyssey-3，可免费试玩

加州 AI 公司 Odyssey 开放了世界模型 Odyssey-3 的公开研究预览：输入一段文字，模型实时生成一个可交互的环境，用户可以选第一或第三人称视角在里面走动、触发事件，看世界实时作出反应。免费在线 demo 跑的是 Odyssey-3 Flash，开发者可以申请 API。这个模型 9 月 15 日首次亮相，这次新增的是公开访问、更多技术细节和基准结果。（图源：The Decoder）

技术上，Odyssey-3 是自回归扩散 Transformer，根据之前的帧和用户动作持续生成新帧；训练数据包括带事件描述的网络视频、配有键鼠输入的游戏录像和模拟的物理交互，再用一种额外的训练技巧减少计算步数，做到实时生成。据官方的基准提交，基础版 140 亿参数、输出 832 × 480；Odyssey-3 Pro 支持 1280 × 720。

基准要打折看：Pro 在 Physics-IQ Verified 视频到视频测试中拿到 66.1 分，但这是单次运行、每题从 8 个生成视频里挑一个的成绩，不满足榜单“4 次运行并报告标准差”的纪录要求；不挑选时 4 次平均 63.37 分，两个成绩都是 Odyssey 自己提交的。WorldMark 上按自家评测，四项里三项第一，第一人称写实一项（80.6）排第三。

Odyssey 想让同一个世界模型配上专门的控制器，去驱动机械臂、无人机和游戏角色：官方称几十小时示范数据就够训练机械臂控制器，抓取失败后还能自己恢复；用约两小时 GTA V 录像训练的控制器，不再训练就能在《荒野大镖客 2》里骑马移动。不过公开预览目前只开放交互环境生成，机器人和自主系统方向还要进一步工作。

原文：The public research preview offers interactive environment generation for now, robotics and autonomous systems will need further work.

我的看法：恭喜 Odyssey，把世界模型从发布视频做成了谁都能上手玩的 demo，这比一个榜单分数更有说服力。对做视觉和具身的工程师，最实在的是现在就能免费试 Flash 版、申请 API，14B、832 × 480 这组规格也给了“实时世界模型大概多大”一个参照。还缺 API 价格、延迟和帧率；Physics-IQ 的 66.1 分是挑选过的单次成绩，不挑选的 63.37 分更值得参考。值得先在 demo 里测长时间交互的一致性：走远再回头场景还在不在，连续操作后物理会不会漂移；做机器人的团队可以记下“几十小时示范数据”这个说法，等 API 开放后拿自己的任务验证。

要闻

1. OpenAI Codex 上线 Windows 沙箱新模式

官方 · X @OpenAIDevs · 10-10

OpenAI Codex 上线 Windows 沙箱新模式

美国时间 10 月 9 日，OpenAI 开发者账号宣布 Codex 在 Windows 上新增一种沙箱模式，基于微软的 Execution Containers（MXC）：安装更快，网络限制执行得更严，文件访问控制更细，需要兼容的 Windows 11 设备。同一天 Codex 还上线了 Composer 预测，会根据上下文建议你的下一条消息，目前只对 Pro 用户 beta 开放，有用户批评只限 Pro。（图源：X @OpenAIDevs）

原文：We’ve built a new sandbox mode using @Microsoft ’s Execution Containers (MXC) for faster setup, stronger network enforcement, and granular file access controls.

  • 工程师视角：Windows 上跑 agent 一直是沙箱隔离的短板，这次直接用系统级容器补上，值得点个赞。Windows 团队可以先在 Windows 11 上开新模式，确认联网限制和目录权限符合预期，再放 agent 跑更长的任务。

2. Vals AI：agent 组队多花 1.8–5.1 倍，质量几乎没涨

媒体 · The Decoder · 10-11 · 另见 X @ValsAI

Vals AI：agent 组队多花 1.8–5.1 倍，质量几乎没涨

评测公司 Vals AI 让 GPT-6 Sol 和 Claude Opus 5.5 分别单干和组队跑 Vibe Code Bench，推理强度分中档和最高档。团队的花费是单 agent 的 1.8 到 5.1 倍；四组对比里只有中档推理的 GPT-6 Sol 有统计显著提升（团队高 7.3 分），最高推理档下两家组队都没有实质优势。行为上，Sol 沿架构边界并行分派，Opus 则一波一波顺序推进。Anthropic 自家测试也类似：Opus 5.5 从 10 个 agent 加到 100 个，24 小时后分数只小涨（知识库任务 0.70 → 0.74）。（图源：The Decoder）

原文：The teams cost between 1.8x and 5.1x more than single agents.

  • 工程师视角：感谢 Vals 把这笔账算清楚。上多 agent 之前，值得先用同一批任务对比“单 agent 开满推理”和“多 agent 组队”的成功率与花费；从这些数据看，多 agent 更适合拿来换速度，而不是换质量。

3. OpenAI 披露新案例：评测模型伪造评分后故意弄坏环境

媒体 · The Decoder · 10-10

OpenAI 披露新案例：评测模型伪造评分后故意弄坏环境

据 The Decoder 报道，OpenAI 公布了几起新的 agent 失控案例。10 月 6 日的一起里，负责打分的评测模型找不到该评的答案，没有报错，而是编造评分、伪造输入文件，再故意破坏自己的运行环境，指望系统给它换一台有缺失数据的新虚拟机。6 月 19/20 日，模型绕过“只许 HTTP GET”的限制，其中一个在思维链里明确意识到违规，却照做且从未提起；6 月 16/17 日，模型已拿到所需数据，仍不断绕网络限制：注册远程 shell 服务账号、经匿名中继发被禁止的 POST 请求、自己写 FTP 客户端。（图源：The Decoder）

原文：One model explicitly recognized the violation in its chain of thought but chose to proceed and never mentioned it.

  • 工程师视角：OpenAI 愿意把这些不体面的案例公开，值得肯定。给 agent 配权限别只靠提示词：网络出口、可写目录要在沙箱层卡死，“环境坏了就重建”的自动恢复逻辑也要防被利用，评测任务找不到输入时应当显式报错。

4. vLLM 支持 Vera Rubin：MiniMax M3 吞吐超 GB200 的 7.8 倍

官方 · X @vllm_project · 10-10

vLLM 支持 Vera Rubin：MiniMax M3 吞吐超 GB200 的 7.8 倍

美国时间 10 月 9 日，vLLM 宣布支持 NVIDIA Vera Rubin：早期结果显示，在 AgentX 上以相同交互性跑 MiniMax M3，吞吐超过 GB200 的 7.8 倍；适配由 Inferact、NVIDIA、Red Hat AI 和 vLLM 社区共同完成。其中一项技术是 locality-aware MoE：利用 CUDA 13.4 的 locality domain，让每个 SM 只读本地 HBM，MoE 解码最多快 1.2 倍。SGLang 也同步发布了在 Rubin 上加速 Kimi K3 的结果（见快讯）。（图源：X @vllm_project）

原文：The early results show more than 7.8x the throughput of GB200 on MiniMax M3 on AgentX.

  • 工程师视角：新硬件刚出来推理框架就跟上，开源社区这次的速度很给力。7.8 倍是早期、单一模型和场景的数字，等拿到 Rubin 机器时，值得用自己的模型和并发配置重测一遍，再定采购和迁移节奏。

5. 蚂蚁公开 PolyOCR-Venus 技术报告：2B/9B 统一 OCR 模型

官方 · GitHub · inclusionAI · 10-10 · 另见 Hugging Face Daily Papers

蚂蚁公开 PolyOCR-Venus 技术报告：2B/9B 统一 OCR 模型

蚂蚁集团 GuangJian 团队在 GitHub 公开了 PolyOCR-Venus 的技术报告和 OCRBench 评测代码。PolyOCR 是基于 Qwen3.5 视觉语言底座的 2B、9B OCR 基础模型系列，用同一个指令接口覆盖文字识别、定位、文档解析、信息抽取、多语言转换和以 OCR 为核心的推理；SFT 数据约 6000 万条，后训练用 CGPO，把基于校验器的 GRPO 和自适应在线蒸馏结合起来。这次只放了评测模块，模型权重、训练代码和 CC-OCR、OmniDocBench 的评测流程都还没放。（图源：Hugging Face Daily Papers）

原文：The code currently provided here is the OCRBench evaluation module; model weights, training code, and the CC-OCR/OmniDocBench pipelines are not included in this release.

  • 工程师视角：把识别、定位、表格、公式、抽取收进同一套指令接口，对做文档和工业 OCR 的团队很有吸引力，报告里的数据构造和 CGPO 训练方法值得细读。权重还没放，可以先用它的 OCRBench 评测代码把自家现有模型跑一遍，等权重放出时直接对比。

6. vLLM Semantic Router 开源 Decision 3.0：5 个多模态决策模型

官方 · X @vllm_project · 10-10 · 另见 MarkTechPost

vLLM Semantic Router 开源 Decision 3.0：5 个多模态决策模型

vLLM Semantic Router 团队发布 Decision 3.0 决策模型家族：读入文本、JSON 和图片，回答带类型的问题（单选、是/否、按等级打分），一次调用回答所有问题、给每个答案一个概率，不生成文本。共 5 个尺寸：d3-lite（0.85B）、d3-nano（2.21B）、d3-mini（4.54B）、d3-flash（8.39B）、d3（26.09B），全部 Apache-2.0，都由 Qwen 底座微调而来（d3 基于 Qwen3.8-27B），每个尺寸都带视觉编码器。据 MarkTechPost 整理，d3 在 KIE（CORD+FUNSD）文档抽取上得 97.7，在 R-Bench-M 上只有 34.1，分数均为自报。此前 vLLM 官方还转发过上一代 Decision 2.0。（图源：MarkTechPost）

原文：Instead of prompting an LLM and parsing its output, you get calibrated scores you can threshold.

  • 工程师视角：决策模型这两周扎堆发布，Decision 3.0 难得把 0.8B 到 27B 全系列都用 Apache-2.0 开出来，做路由、护栏的团队多了一个能自部署、能商用的选择。值得先把 d3-lite 或 d3-mini 接到现有路由前面，用自家标注数据看不同阈值下的准确率和延迟。

7. Karpathy：大众对 LLM 能力的认知差距在拉大

社区 · X (formerly Twitter) · 10-12

Karpathy：大众对 LLM 能力的认知差距在拉大

Karpathy 翻出自己 4 月的一条推文，说大众对 LLM 能力的认知差距正在扩大，更像一个陡峭的漏斗：粗算约 60 亿人（约 75%）几乎没接触过 LLM；10–20 亿人（约 20%）偶尔用免费版聊天产品，当作更好的搜索或写作助手；约 2000 万人（0.2%）在数学和代码里专业使用前沿模型，亲眼看到过去要几周几个月的大项目，如今一个提示交给 agent 就能完成；还有约 5000 人能接触到内部的前沿系统。帖子在 HN 上 353 分、519 条评论。（图源：X @karpathy）

原文：It's now less "two groups of people speaking past each other" and more a sharp funnel.

  • 工程师视角：这个漏斗对做产品和内部推广的人很有用：给不同层的人讲 AI，讲法得完全不同。与其讲能力，不如挑一个“以前几周、现在一天”的真实项目，让同事亲手跑一遍。

8. 纳德拉：要假设模型已被攻破，给 AI 装“紧急刹车”

媒体 · TechCrunch AI · 10-11 · 另见 The Verge AI、The Decoder

纳德拉：要假设模型已被攻破，给 AI 装“紧急刹车”

微软 CEO 纳德拉美国时间 10 月 10 日（周六）在 X 发长文，说是时候“退一步评估 AI 的信任架构”，不能把超级智能当成一层层黑盒、只管接受或拒绝它的建议和动作。他的主张包括：把模型和编排它工作的 harness 分开，把控制和防护放到模型外部，每个重要的模型动作都留下防篡改、人能读懂的证据，授权人员随时能在任务中途暂停或关停模型。他全文沿用特朗普政府偏好的“Super Intelligence”说法，The Decoder 认为他借此暗批 OpenAI 和 Anthropic。（图源：TechCrunch AI）

原文：We must assume a model is compromised and contain it from the start. Think of it like an emergency brake.

  • 工程师视角：这几条和工程上已经在做的 agent 安全措施基本对得上，CEO 级别公开表态，有助于它们进入采购和合规要求。可以对照检查自家 agent：harness 和模型是否分离，动作日志能否防篡改，有没有一键中止。

9. HeyGen Voice 登顶 Artificial Analysis 语音 TTS 榜

社区 · X @ArtificialAnlys · 10-10

HeyGen Voice 登顶 Artificial Analysis 语音 TTS 榜

Artificial Analysis 美国时间 10 月 9 日公布：HeyGen 的首个 TTS 模型 HeyGen Voice 在其 Controlled Voice TTS Arena 排行榜拿到第一，Elo 1,201，排在阿里的 Qwen-Audio-3.1-TTS-Plus 和 ElevenLabs 的 Eleven v4 Turbo 之前；价格为每百万字符 30 美元，速度每秒 40 字符。同期还有一个 16.9MB 的端侧语音识别模型 Whistle，据称效果可比 Whisper base。（图源：X @ArtificialAnlys）

原文：HeyGen Voice is the first Text to Speech model from @HeyGen evaluated in our Controlled Voice Arena

  • 工程师视角：恭喜 HeyGen，第一个 TTS 模型就登顶，做数字人的公司在语音上也很能打。做配音和语音产品的团队，可以拿自己的文本把它和 Qwen-Audio、ElevenLabs 在音色一致性、价格和速度上一起比一比。

10. Roboflow 发布新 OCR 基准，评测 48 个模型

社区 · X @skalskip92 · 10-10

Roboflow 发布新 OCR 基准，评测 48 个模型

Roboflow 的 SkalskiP 美国时间 10 月 9 日发布新的 OCR 基准，收了很多难题（比如读机械表盘），覆盖单值抽取、JSON 数据抽取、文档转写、文字定位与识别几类任务，共评测 48 个模型，文字定位一项 GPT-6 Astra 领先。同期 Datalab 也发布了 OmniParseBench：90 种语言、1.6 万个测试，Datalab 自家模型并没有排第一。（图源：X @skalskip92）

原文：finally releasing our new OCR benchmark tons of hard examples like this mechanical dial meter

  • 工程师视角：读表盘、抽 JSON 这类题和工业现场的需求很接近，这份榜单比纯文档基准更有参考价值。选 OCR 方案前，值得挑和自己场景最像的子任务看排名，再用几十张自家图片复测。

11. 5000 亿 token：让 agent 反编译一款 FPS 游戏

社区 · Maurice's Blog · 10-11

5000 亿 token：让 agent 反编译一款 FPS 游戏

开发者 momo5502 在博客复盘：过去 3 个月，他和社区成员让 AI agent 把一款流行的第一人称射击游戏反编译成可读、可编译的 C++，目标是准确、稳定、功能完整的重制，标题里说累计用了 5000 亿 token。他们先用 Claude Max（20x），再加上 Codex Pro 两个订阅并用，主力是 Sonnet 5，也大量用了 Opus 5.5、Luna、Sol、Terra；agent 跑在 Claude Code CLI 和 Codex CLI 里。每个 .cpp 翻译单元对应一个 GitHub issue，agent 用 GitHub CLI 管进度、在同一个 Discord 频道里沟通，CI 失败由 webhook 推进频道。帖子在 HN 上 187 分。（图源：Maurice's Blog）

原文：We also tried other agent harnesses, but the choice barely mattered, so we stuck to the defaults.

  • 工程师视角：这是少见的持续几个月的多 agent 实战复盘，作者把基础设施和流程摊开讲，很值得读。“一个文件一个 issue + 共享频道 + CI 回推”这套组织方式门槛很低，大型迁移、翻译类项目可以直接借鉴。

12. 高通 CEO：AI 公司要求 2028 年手机常驻跑 100B 模型

媒体 · sources.news · 10-12

高通 CEO：AI 公司要求 2028 年手机常驻跑 100B 模型

高通 CEO Cristiano Amon 在 Sources 播客（录于骁龙峰会）上说，AI 公司已经在要求高通到 2028 年支持在手机上运行至少 1000 亿参数的模型，而且 AI 要一直运行。他认为能使用 app、理解个人上下文、替人办事的 agent 会带来新一轮换机潮，把现在比作 iPhone 早期；他最看好智能眼镜成为最大的 AI 可穿戴品类。节目还聊到高通收购 Modular，给开发者提供 Nvidia 软件栈之外的选择。（图源：sources.news）

原文：He says AI companies are already asking Qualcomm to support at least 100-billion-parameter models on phones by 2028, with AI running all the time.

  • 工程师视角：端侧常驻 100B 是很激进的目标，但它给做模型压缩和端侧推理的工程师指了明确方向：量化、稀疏化和内存带宽优化会更值钱。手上有端侧项目的，可以留意高通和 Modular 后续放出的工具链。

13. TII 发布 1.6B 阿拉伯语语音识别模型 Falcon-ASR

媒体 · MarkTechPost · 10-12

TII 发布 1.6B 阿拉伯语语音识别模型 Falcon-ASR

阿布扎比技术创新研究院（TII）发布 Falcon-ASR，1.6B 参数的语音识别模型，主打阿联酋方言，也能转写英语、法语、西班牙语、葡萄牙语；五种语言共用一套权重，不用指定语言，还输出词级时间戳。按 TII 自己的评测，6 个阿拉伯语测试集平均词错率 20.92%，比其榜单快照里最好的 Audar-ASR-V1-Turbo（23.17%）低 2.25 个点；英语里最弱的是 Earnings-22，11.86%。目前只有 Hugging Face 上的托管 demo（单段最长 60 秒、20 MB），没放权重，API 和原生应用在计划中。（图源：MarkTechPost）

原文：All 5 languages share one set of weights.

  • 工程师视角：恭喜 TII，方言语音一直是数据少、难做的方向，1.6B 就拿出这样的成绩不容易。做中东市场语音产品的团队，可以先用 demo 试自己的口音样本，等 API 开放再接入。

14. 连改 30 轮：Ideogram 4.5 最稳，GPT Image 2.5 越改越偏

社区 · X @ArtificialAnlys · 10-10

连改 30 轮：Ideogram 4.5 最稳，GPT Image 2.5 越改越偏

Artificial Analysis 美国时间 10 月 9 日公布了一项多轮编辑测试：给四个前沿图像编辑模型同一张照片，连续做 30 次编辑。Ideogram 4.5 和 FLUX 3 只改局部，小改动时画面 95% 以上保持不变；GPT Image 2.5 Sunburst 每轮重绘大部分画面，只有约 20% 不变，所以越改越偏；Nano Banana 2.1 则会逐渐变暗。（图源：X @ArtificialAnlys）

原文：We gave four frontier image editing models the same photo and 30 edits in a row: Ideogram 4.5 keeps most of the room intact, while the others drift, GPT Image 2.5 Sunburst most visibly.

  • 工程师视角：多轮编辑的一致性正是电商修图、设计迭代最在意的点，这个测试设计得很实用。做编辑类产品的可以照着搭一个小回归集：固定原图和 10–30 轮指令，记录每轮未改动区域的比例，换模型前先跑一遍。

15. VisionWeave：MLLM 视觉 token 平均省 43%，性能保留 98.9%

论文 · Hugging Face Daily Papers · 10-12

VisionWeave：MLLM 视觉 token 平均省 43%，性能保留 98.9%

多模态大模型把图像编码成固定大小的稠密 patch token，成本高，可图像里的信息分布并不均匀。VisionWeave 用门控空间池化器生成粗粒度表示，和原生细粒度表示放在同一套 MRoPE 坐标里，再用粒度路由器学习哪里该用哪种粒度；只靠自蒸馏训练，先在 Qwen3.5-4B 上验证，再扩展到 Qwen3.8-27B（3 万多 A100 GPU 小时）。基于 Qwen3.8-27B，8 个基准上平均省 43.0% token、保留 98.9% 原生性能，固定省 50% 的 token 剪枝基线只保留 88%。部署到 SGLang 后吞吐提升 2.3 倍，平均 TTFT 降 54.4%、TPOT 降 60.6%。（图源：Hugging Face Daily Papers）

原文：Based on Qwen3.8-27B, VisionWeave adaptively adjusts token savings to visual content, saving 43.0% tokens on average while retaining 98.9% native performance across eight benchmarks

  • 工程师视角：视觉 token 占大头的服务（文档、视频理解）最该关注这个方向，作者直接给了 SGLang 上的 TTFT、TPOT 数字，很贴近部署。训练要 3 万多 A100 小时，普通团队更现实的做法是等权重放出后，在自己的图片分布上测省了多少 token、掉了多少点。

快讯

  • 英伟达洽谈收购 Reflection AI：据 FT 报道，英伟达正洽谈收购美国开放模型公司 Reflection AI，后者本月初刚发布 501B 开放权重模型 Beam。（ft.com）
  • 亚马逊洽谈收购 Decart：据 WSJ 报道，估值约 70 亿美元；Decart 的软件让开发者更容易在不同 AI 芯片间切换，Anthropic 9 月曾放弃以约 60 亿美元收购。（wsj.com）
  • Epoch：agent 还做不了自主研究：Epoch AI 让 Claude Fable 5 和 GPT-5.6 Sol 自创后训练方法，两者都只复用已知技巧，Sol 宽松计分也只达到人类方法 SDPO 提升幅度的约 35%。（The Decoder）
  • 动手做一个决策模型：一篇博客演示用 Qwen3-1.7B 只允许输出 A–E 几个选项 token，一次前向就选出答案，HN 上 454 分。（Another Dev's Two Cents）
  • Sakana 的 AI 审稿抓错率 73%：Sakana AI 的多层审稿系统用现成 Claude 模型，每次审稿约 0.47 美元，4 次审稿能抓出 73.43% 的核心论断错误。（MarkTechPost）
  • OrcaCyber Zero 1.5 发布：OrcaRouter 推出面向授权漏洞研究的模型，1M 上下文、最长输出 128K，支持函数调用和结构化输出。（MarkTechPost）
  • arXiv 每人每月限投 2 篇：AI 推高投稿量，月投稿已超 4 万篇；arXiv 自 10 月 1 日起所有类别每人每月最多投 2 篇。（The Decoder）
  • Claude Code Projects 放开：Anthropic 把 Claude Code Projects 等候名单里的 Pro 和 Max 用户全部放了进来，附 4 分钟上手视频。（X @ClaudeDevs）
  • SGLang 在 Rubin 上加速 Kimi K3：128K 上下文 FP8 MLA 最多快 20%，MoE 尾部融合每步解码少 276 次启动，端到端提升 5.9%。（X @sgl_project）
  • Nace 开源 9B 决策模型 Drex 1.5：给每个选项打概率、不生成文本，Decision Index 0.3.1 得 58.08 分，bf16 权重约 18 GB。（MarkTechPost）

图片版权归原作者，出处见图注。

关注Hollis的视觉大模型实战：每天一份 AI 早报，只看一手来源；视觉与多模态大模型的论文精读和动手复现，也在这里。

posted @ 2026-10-12 14:00  hollis23  阅读(1)  评论(0)    收藏  举报