每月三问的第二问：SOTA 模型与 RSI 这个月递了什么给 AI4S 和世界模型。这里收的不是模型，是协议、方法、产品形态、评测口径这类挂不到某个模型上、却真实在传导的东西。每条都标了起点（哪个引擎）和去向（哪条线）。
这一页在「世界模型志」时期叫「交叉地带」，只收「前沿侧 → 世界模型」一个方向；前四条是那个时期写的，正文保留原貌。每条都标了关联强度，这套分级刻意比能力矩阵多两档：绝大多数「某某将赋能某某」的说法目前停在论证层面。把它算作「有演示」是撒谎，算作「无」是抹掉，所以单列 🔵 有论证，无实验 与 ⚪ 仅有主张 两档。
方向和直觉相反：不是 RSI 顺带产生世界模型，而是世界模型是 RSI 走出数字域的前置条件——因为物理世界没有便宜的验证器。
2026 年，「让模型参与改进自己」从思想实验变成了一条正经研究线。一篇综述梳理了 2024–2026 年间的 1250 篇 arXiv 论文，按两个维度给这些工作分类：改的是什么（行为、策略、评估器，还是研究流程本身），以及闭环闭到什么程度（需要人介入，还是完全自主）（arXiv:2607.07663）。
同年 ICLR 专门为此办了工作坊（ICLR 2026 Workshop on Recursive Self-Improvement），与另一个 World Models 工作坊同期举行。
先说那篇综述里最关键的一句话：它把自我改进用到的评估器排成了一个强弱序列——最强的是形式化验证器（formal verifiers），最弱的是模型对自己的内省式打分（intrinsic self-assessment）（arXiv:2607.07663）。
这句话解释了 RSI 为什么先在代码和数学上发生，而不是别处：那两个领域有便宜且可靠的验证器。改完一版代码，编译器和测试套件立刻告诉你有没有变好；改完一步证明，形式化检查器立刻判定对错。自我改进这个环之所以能闭上，是因为「判断有没有变好」这件事几乎不要钱。
物理世界没有这样的东西。想知道一个新的机器人控制策略是不是更好，标准答案是把它放到真机上跑——慢、贵、会摔坏硬件、还不可重复。这正是世界模型被期待去填的位置：一个可以反事实推演、可以随便重跑一万遍的廉价验证器。所以这条传导的方向是「世界模型 → 让 RSI 得以进入物理域」，而不是反过来。
这条关联现在有了实测数字，不再只是推理。《World Action Verifier: Self-Improving World Models via Forward-Inverse Asymmetry》把「预测动作条件下的下一个状态」拆成两个更容易的验证任务——判断状态是否合理、判断动作是否可达——利用两种不对称性：状态验证可以用大量无动作标注的视频，动作验证只需在低维的动作相关特征上做稀疏逆模型。作者来自斯坦福、加州大学圣迭戈分校、卡内基梅隆、Google DeepMind 与哈佛。
结果是世界模型学习的样本效率提高约 2 倍，下游策略表现提升约 18%，在 MiniGrid、RoboMimic、ManiSkill 三套任务上预测误差都有下降，低数据情形下增益最明显。这篇论文同时拿了 ICLR 2026 World Models 工作坊的 Outstanding Paper 和 RSI 工作坊的 Spotlight——两个工作坊同时表彰同一篇，本身就是这条传导存在的一个证据。
反方的意见同样成立，而且指向要害。按杨立昆一派的立场：数字域的自我改进之所以奏效，靠的是可验证的奖励信号，这是一种搜索问题；而物理域的核心困难在表征——你连「世界现在是什么状态」都还没学对，再快的搜索也只是在错误的空间里打转。照这个说法，RSI 在代码上的成功不构成任何迁移证据。需要注意的是，World Action Verifier 验证的是「自我改进能让世界模型变好」，而不是「世界模型能让 RSI 进入物理域」——后半句仍然只有论证，没有实验。
它一行动力学预测能力都不提供，但它降低的恰恰是能力矩阵「真实世界」那一列最贵的东西——把模型接到真机上的成本。
2026 年 8 月 27 日，Anthropic 发布 Model Hardware Standard（MHS）的研究预览，面向第一批科研实验室与先进制造企业开放。它是一份让 AI 智能体安全操作物理设备的共享规范。
技术上它做的是一件朴素的事：定义一个标准化驱动，把设备操作收敛成 read（例如「读取温度」）与 write（例如「设定温度」）这样一组极简原语，任何硬件都能理解；同时让设备以标准格式可被发现，设备与智能体不需要中间那个定制「翻译层」就能跨网络找到彼此。官方称，实验室或产线原本需要数周乃至数月的硬件集成工作，可以压缩到数小时甚至数分钟（官方口径）。
首批合作方覆盖科学、机器人、电子与制造领域，公开报道提到的包括 Genentech、卡内基梅隆大学、QuEra、Universal Robots、Doosan Robotics、AWS、Danaher 与 Hugging Face。Anthropic 表示会先与合作方一起建立安全评估与最佳实践，之后再把标准开源（官方口径）。
先把它放对层级：MHS 是接口，不是能力。它不预测任何东西，不知道推一下杯子会不会倒，也不在任何意义上建模世界的动力学。任何把它讲成「Anthropic 做世界模型了」的说法都错了。
它真正触到的是这个站的一个长期痛点。翻一遍能力矩阵会发现，「真实世界」是最空的一列——绝大多数模型在这一格是空白，因为填上它需要真机数据，而真机数据贵在两件事上：机器人本身，以及把模型接到机器人上的那一堆定制集成工作。MHS 直接冲着第二件去。
如果它真的开源并被硬件厂商广泛采纳，后果是采集真机证据的边际成本下降。这对世界模型的意义不在于让某个模型变强，而在于让「你这个模型到底能不能在真实世界里用」这个问题变得更容易回答——对一个以证据强度为核心的站点来说，这恰恰是最要紧的变化。
强度只能给到「有论证，无实验」。MHS 现在处于研究预览，仅向第一批合作方开放，尚未开源，也没有任何公开数据说明它实际压缩了多少世界模型相关的数据采集成本。「数周压缩到数小时」是官方对硬件集成工作本身的口径，不是关于世界模型的度量。
更要紧的是那条推理链有几处可能断掉。一是采纳：标准之争从来不是技术优劣决定的，Universal Robots 与 Doosan 加入不等于行业收敛。二是错配：MHS 的示范场景是实验室仪器与制造设备——显微镜、液体处理器、激光校准，这类设备的动作空间与世界模型关心的接触丰富的操作任务并不重合，能不能迁移到后者是未知数。三是最根本的一条：接线便宜了，不等于数据变好了。世界模型缺的从来不只是数据量，还有数据的多样性与覆盖面，而这两件事协议解决不了。
反过来说，这条传导值得留在这里持续观察，理由是它罕见地具体。绝大多数「前沿模型将赋能具身智能」的说法停留在愿景，而 MHS 是一份有原语定义、有合作方名单、有开源承诺的规范。到 2026 年底它是否真的开源、有多少设备厂商实际实现，是可以逐月核对的事实，不是可以来回争论的判断。
同一个模型、同一套题，换一层评测外壳分数从 62.7% 跳到 99.9%——世界模型的官方数字经不起同样这一问。
2026 年 9 月，OpenAI 的 GPT-6 Astra 发布页宣称在 ARC-AGI-3 上取得 99.9%（官方口径）。ARC Prize 基金会随后公布的复测把这个数字拆成了两个：用它自己的 Standard harness——一个对所有厂商一视同仁的极简接口——测出来是 62.7%，花费 26,098 美元；99.9% 来自 Provider Adapter harness，它允许模型使用厂商专为自己设计的上下文管理特性，花费 18,817 美元，按累计耗时算约快 3.66 倍，总 token 用量少 49%。
ARC Prize 没有判定哪一个是「真」分数。它的表述是两者回答的是不同问题：Standard 问「在同一个极简、厂商中立的接口下，模型之间怎么比」；Provider Adapter 问的是「模型配上它自家的上下文管理能做到什么」。ARC Prize 表示今后两种条件都会报告，并明确标注各自属于哪一种。
这件事跟世界模型的关系不在分数本身——ARC-AGI-3 是数字推理与交互任务，离视频世界模型远得很。关系在于：一个中立第三方第一次把「同一基准、多种条件、分别标注」这件事制度化了。
世界模型这边的处境更糟：连「评测外壳」这个概念都还没被提出来。翻一遍本站的能力矩阵，来源那一栏大面积写着「官方口径」——Genie 3 的 24fps、LingBot-World 2 的 720p/60fps、Atlas 的 75%–94% 人类偏好胜率，全都是厂商自选评测环境、自选对手、自选提示方式得到的结果。
Atlas 那组胜率是现成的例子：对手模型不接受相机位姿作为原生输入，只能把镜头运动写进文本提示，而 Atlas 用的是原生相机格式。World Labs 自己承认了这一点。这几乎是把「有没有原生相机接口」直接换算成了胜率。
如果 ARC Prize 这套做法扩散到世界模型的评测上，本站矩阵里的「🟢 有公开数据」会需要再分一层：数据是在中立条件下拿到的，还是在厂商自己的壳子里拿到的。
强度给到「有实测数据」，因为支撑这条传导的两个数字本身是公开且可核对的：62.7% 与 99.9% 出自同一家第三方、同一个基准、同一批题目、同一个模型。这不是论证，是测量。
但要说清楚它传导到了哪一步：目前只是「前沿侧出现了一个可以照搬的做法」，还没有任何一家世界模型机构照搬。而且照搬的难度不低——世界模型缺的不只是中立外壳，连被广泛接受的基准都还在成型中。2026 年以来陆续出现了一批针对记忆、长程稳定性与交互一致性的世界模型基准，但还没有哪一个取得事实标准的地位，没有共同的题面就谈不上共同的壳。
反方的说法也要放上：有人会说 62.7% 才是「真实能力」，99.9% 是注水。ARC Prize 自己并不这么表述——配上自家上下文管理本来就是这个模型的实际使用方式之一。所以争的不是谁在撒谎，而是「你要衡量的到底是模型，还是模型加上它的那层壳」。这个问题对世界模型同样成立，而且更尖锐：Marble 的碰撞网格质量、Atlas 的相机可控性，究竟是模型本身的属性，还是模型加上一整套后处理管线之后的属性？目前没有任何一方被要求回答过。
对照组这个月在补「长程记忆」，但补的是自己会话历史的记忆，不是环境状态的记忆——两件事只共享一个名字。
随 GPT-6 Astra 一起，OpenAI 改了 Codex 的上下文管理方式。过去上下文窗口填满时靠压缩把此前的工作总结成一段摘要，每压缩一次都可能丢掉「这个修复为什么失效」「这个组件实际怎么表现」这类细节；现在模型可以跨上下文窗口保留笔记，而且此前的上下文窗口仍然可被检索——即使某条需求或某次测试结果没有被写进笔记，也能回头查到。该特性目前在 Codex 的 config.toml 里作为实验项开启，官方称未来几周会成为 Astra 的默认设置（官方口径）。
ARC Prize 的那组对照数字正好给这类机制记了一次账：允许模型使用厂商自家上下文管理特性的 Provider Adapter harness，在 ARC-AGI-3 上比中立 harness 按累计耗时快约 3.66 倍、总 token 少 49%，分数从 62.7% 升到 99.9%。上下文怎么管，已经不是工程细节，而是能左右分数量级的东西。
本站能力矩阵有一列叫「长程记忆」，白话释义是「离开视野的东西再回来时，是否还是原样」。世界模型在这一列长期难看：LingBot-World 2 的第三方测评记录过玩家转身再回头、原地多出一堵墙的现象；Genie 3 的官方口径也只能说到「多分钟级的一致性」。
对照组这边可以推出的主张是：记忆机制是通用的。既然把「可检索的持久上下文」用在文本上能显著改善长会话的连贯性，把同样的做法搬到状态表征上，世界模型的空间一致性也应该受益。
这个类比成立与否，完全取决于两种记忆是不是同一件事。
强度只能给到「有论证，无实验」。没有任何公开工作把 Codex 这套持久上下文机制用在视频或状态世界模型上并给出一致性指标，连尝试都还没见到。
而且有一条明确的理由怀疑它不能直接搬过去。Codex 记的是自己的会话历史——一段确定的、离散的、可以逐字检索的文本记录；世界模型要记的是环境本身的状态，它连续、高维，而且大部分从来没有被显式写下来过。「那堵墙在哪里」不是模型说过的一句话，是它生成第 400 帧时必须重新算出来的东西。检索一段自己写过的笔记，和重建一个自己没写过的世界，是两个问题。
支持方的反驳有其道理，而且指向一条更具体的路径：至少在架构层面，Atlas 的「空间上下文」和 LLM 的上下文是同一个思路的两种实现——把看过的东西显式留在上下文里、生成时条件于它，而不是指望权重把它记住。World Labs 在技术说明里也明确说 Atlas 像 LLM 一样先把输入编码成上下文，并因此能直接复用 KV 缓存、缓存感知路由、分离式服务这些本来为 LLM 做的工程优化。所以真正在传导的可能不是「记忆机制」本身，而是「为长上下文做的系统工程」。这条更窄、更可验证，也更值得逐月盯着。
三家都在 2026 年把通用模型推进了科研流程；目前加速的是文献、分析、写作与实验设计，验证环节——湿实验与临床——一步也没有变快。
2026 年 6 月 30 日，Anthropic 发布科研工作台 Claude Science 的测试版：集成六十多项科研技能与连接器，能在界面里直接显示蛋白质结构、化合物与基因组轨道，并通过英伟达 BioNeMo 调用 Evo 2、Boltz-2、OpenFold3 等专用模型（官方口径）。9 月 16 日，诺和诺德宣布与 Anthropic 合作，在具体研发流程中试用 Claude Science（官方口径，未披露任何量化目标）。
9 月 3 日发布的 GPT-6 Astra，官方演示了它直接操作科研软件检查测序质量、可视化基因变异，并称它参与把一个素数间隔问题的已知上界从 240 改进到 186（官方口径）。
8 月 27 日，Google DeepMind 的 Co-Scientist 新论文把 Gemini 接进了真实实验室：用 Gemini 3 Deep Think 生成适配实验室条件的生长配方，一次尝试就长出单层二硫化钼等半导体（arXiv:2608.26701）。
主张是：通用大模型正在从「科学家的聊天助手」变成「科研流程的执行者」，这会把 AI4S 的主力从专用模型（AlphaFold、分子生成模型）部分转移到通用模型身上——专用模型退居为被调用的工具。
三家的产品形态恰好对应三种切入方式：Anthropic 做工作台（把工具和数据接到模型身边），OpenAI 做通用模型本身的科学能力，Google 做接实验室的多智能体系统。
强度给「有演示」。能找到的量化数字大多是个案：Claude Science 的合作方报告写综述、做分析的时间降到原来的十分之一左右，但这是用户自述，不是对照实验。Co-Scientist 有可核对的实验结果，但那是 Google 自家团队的论文，尚无第三方复现。
更重要的是按本站主轴看它加速了哪一段。文献、代码、分析、写作都是验证器便宜的环节，所以最先被加速；而药物发现真正的瓶颈是临床试验，材料的瓶颈是合成与表征——这两段不会因为模型更聪明就变快。Co-Scientist 那一例之所以重要，正是因为它碰到了验证环节：配方是模型给的，成功与否是实验室说了算。
反方的意见值得记下：药企试点多、落地少是这个行业的老问题，诺和诺德的合作公告里没有任何可以事后核对的目标。本站会逐月看这些合作有没有产出可发表的结果。