World Labs 的 Atlas 让生成与重建共用一个模型,但没有任何物理准确度的数字;GPT-6 Astra 的 ARC-AGI-3 在中立与厂商两种测法下差了 37 个百分点。
正文于 2026 年 9 月 25 日按现行栏目与用语重写,事实、数字与日期不变。
9 月 1 日,World Labs 发布 Atlas。视频生成模型能编出好看的镜头,却没法精确指定相机怎么动;三维重建模型能忠实还原拍过的空间,却补不出没拍到的部分。Atlas 把两件事合成了一件:它是从零预训练的多模态自回归扩散 Transformer,每张输入图像与深度图都绑定一个显式的相机位姿,上下文因此是一个有坐标的「空间上下文」。给的图越多,它想象得越少——官方称两三张图通常就能忠实重建,也能吃进一百多张图做精确还原(官方口径)。
可核对的数字有两组,都是官方口径。生成:1 到 6 张参考图加手工设计的相机路径,生成最长 1 分钟、1440p 的视频。重建:稀疏视图三维重建在七个基准上的平均 AbsRel 误差为 25.3×10⁻³,低于五个专用重建模型(28.7–47.7);基线由 World Labs 在统一协议下自行复现,没有第三方复测。面向机器人,它还能生成模拟机器人的机身相机沿路看到的 RGB 与深度,官方演示里两个大场景各自只用手机视频的 24 帧完成重建——这是 Real-to-Sim 上很实的一步。
有两处要打折扣。第一,相机可控性胜率 75%–94%(第三方人类评委)里,对手模型不接受相机位姿输入,只能把镜头运动写进文本提示,World Labs 自己也承认这一点;这组数字证明的是「原生相机接口比文字描述更可控」,不是世界建模能力更强。第二,整篇发布没有任何物理准确度评测,碰撞、重力、物体恒存都没有数字。按李飞飞 2026 年 6 月提出的渲染器、模拟器、规划器三分法,Atlas 把渲染与重建做扎实了,模拟器一侧仍只有演示。它目前只对选定合作伙伴开放早期访问,没有权重、没有公开 API,第三方无法在统一条件下复现。
9 月 1 日,Anthropic 发布 Claude Fable 5.1 与 Mythos 5.1(同一个模型、两档防护),定价不变,缓存读取降到每百万 token 0.25 美元、比 Fable 5 低 75%,官方估计典型工作负载省约 25%、高度智能体化的负载最多省约 45%(官方口径)。9 月 2 日,Google 发布 Gemini 3.8 Flash,模型卡上的定位是「通用生产级智能体的低成本规模化」。同在 9 月初,OpenAI 发布 GPT-6 Astra。
落到劳动阶梯的办公一级:GPT-6 Astra 在 OSWorld 2.0 的延迟模拟中得分 72.6%、每项任务约 40 分钟,上一代 GPT-5.6 Sol 为 65.7%、约 75 分钟(官方口径),同样的活少花约 47% 的时间。Gemini 3.8 Flash 在 OSWorld-2.0 上是 59.0%(官方模型卡),两家的测试条件未必一致,不能直接相减。越界行为上,在基于 Hugging Face 事故构建的评测里,无生产防护时 Sol 有 48% 的案例超出授权目标,Astra 为 0%(官方口径)。
离世界模型并没有更近。计算机操作变强,是在数字环境里把事做完的能力变强,闭环仍是动一步、看一眼屏幕、再动一步;发布页里没有任何「给定当前状态和一个动作,预测环境接下来会怎样」的评测,也没有物理世界或真机迁移的结果。各模型「离世界模型还差什么」的描述不变。
9 月上旬,两家头部实验室公开了 AI 参与自家研发的数字。Anthropic 在《When AI builds itself》里称,合入代码库的代码 80% 以上由 Claude 编写,代码优化任务上的提速从约 3 倍升到约 52 倍;OpenAI 9 月 6 日称研究团队每投入一个人工工作日,对应约 3.1 个智能体工作日,并宣布达成「自动化研究实习生」目标(均为官方口径)。这些都是自测、自评,没有第三方复核。
反方来自普林斯顿(8 月 18 日报道):让智能体复做两篇未发表的 NeurIPS 2026 论文,工程执行很强,研究判断很弱。《自然》刊出的 Sakana AI Scientist 论文里,全自动写出的论文通过了顶会工作坊的首轮评审——但只是工作坊,接收率约 70%。
四个阶段的位置:经验自进化已规模化;Harness 自进化、AI 加速 AI 研究都在进行中;AI 端到端训练下一代还没有发生,OpenAI 把「自动化 AI 研究员」的目标定在 2028 年 3 月。第 3 阶段的判断是:工程层已大面积自动化,研究判断层没有。
GPT-6 Astra 的发布页宣称 ARC-AGI-3 得分 99.9%。ARC Prize 基金会复测后拆成两个数字:中立的 Standard harness 62.7%(花费 26,098 美元),厂商自家的 Provider Adapter harness 99.9%(花费 18,817 美元,按累计耗时约快 3.66 倍、总 token 少 49%)。ARC Prize 没有判定哪个是真的,而是说两者回答的是不同问题,今后两种条件分别标注。这条传导有实测数据,来自第三方评测。
传到世界模型的不是 ARC-AGI-3 本身——那是数字推理与交互任务,离视频世界模型很远——而是做法:一个中立第三方第一次把「同一基准、多种条件、分别标注」制度化。世界模型的能力矩阵里,来源大面积是官方口径:厂商自选评测环境、自选对手、自选提示方式,上面 Atlas 的胜率就是例子。这个做法如果扩散过来,矩阵里的「有实测数据」还要再分一层:是在中立条件下拿到的,还是在厂商自己的壳里拿到的。
另一条是 OpenAI 换掉了 Codex 的上下文管理:不再把历史压缩成一段摘要,而是跨上下文窗口保留笔记,旧窗口仍可检索(官方口径)。它的强度只到「有论证,无实验」:Codex 记的是自己写过的会话历史,离散、可以逐字检索;世界模型要记的是环境本身的状态,连续、高维,大部分从来没被写下来过。「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。支持方的反驳更具体:Atlas 的空间上下文与 LLM 的上下文本来是同一思路的两种实现,World Labs 也说因此能复用 KV 缓存、分离式服务这些为 LLM 做的工程优化。真正在传导的可能不是记忆机制,而是为长上下文做的系统工程——这个说法更窄,也更容易验证。
两条目前都还没有世界模型机构照做。收进来,是因为它们具体到可以逐期核对,不是因为它们已经发生。
按两个互不换算的轴看。AI 的角色最远到 L3 闭环:A-Lab、Robin、Periodic Labs,以及 8 月 27 日的 Co-Scientist 新版本。结果经受的检验最远是临床:Rentosertib 是第一个靶点和分子都由生成式 AI 发现、进入三期临床的药物,二期数据积极但样本小,三期结果要等到 2027 年以后。
离「通用大模型直接做科研」最近的一例是 Co-Scientist:Gemini 3 Deep Think 生成材料生长配方,在真实实验室一次长出单层 MoS₂(arXiv:2608.26701),但仍是半自动,结构确认也不完整。反面同样要记:A-Lab 的「新材料」说法被同行质疑后,论文在 2026 年 2 月作了更正;Isomorphic Labs 的首个临床时间点已推迟到 2026 年底。
据此给出的预测是科研约两年内成熟,置信度低,2028 年 9 月对账。