量子位

《量子位》官方网易号

代码Agent这两年为何进步飞快，成为AI界的宗门大师兄？因为这玩意儿自己个儿就超！闭！环！的！代码Agent可以自动执行、自动验证、自动反馈。写了代码跑一下就知道对不对，奖励信号非常清晰明确。这给后训练（Post-training）阶段的自反馈闭环提供了完美条件。同样是AI界大热门，具身智能目前就缺少这种“神助”。它面对的物理世界比代码Agent面对的世界复杂多了，而且很难得到即刻验证。它接收的信号不像代码那样有一个编译器就能判定，它们模糊、昂贵，而且每一次真机试错都意味着真金白银的人力和硬件损耗。 VLA（视觉-语言-动作模型）是具身智能中最早受到关注的技术路线。但很快，大家发现这个技术存在物理理解缺失、泛化能力极弱、长时序与规划能力不足等等问题，做不到“一家独大”包打天下。大家有点着急。后来，世界模型又成了行业里的新宠儿。但世界模型似乎也不是灵丹妙药（至少目前来看是这样的）…… 这也不行那也不行，具身智能，你到底要怎样啊？？这个时候，原力灵机相关负责人站出来表态：我觉得特别愚蠢的一件事情是在「技术路线」上给自己贴标签。这件事情是特别蠢的。应该以目标导向。你要解决什么问题，挑选对应的方法去解决它，而不是说我是什么方法的、什么流派的，为此来证明只有我才是标新立异的。他介绍，大约今年过年前，原力灵机意识到可将世界模型作为后训练的一部分。一晃眼半年过去了。这个月，原力灵机发布了旗下首款具身世界模型DW0.5，并将它接入世界模型驱动的具身智能后训练框架DFOL2.0。 “这套基模支持多模态输入，包括任务指令、图片和视频，还能选定机器人类型。我们可以凭借历史动作，预测后续视频状态。”原力灵机联合创始人汪天才说。他介绍道，DW0.5用上万小时真机、多视角数据完成联合预训练，仿真能力很强，能生成各类画面。不光能做出机械臂正常作业的视频，就算参考错误动作，也能还原任务失败的场景，以此支撑DFOL2.0框架的在线强化学习训练。 DW0.5作为一个高保真仿真器，把强化学习搬进虚拟世界。 VLA先给出候选动作，DW0.5在虚拟环境中预演未来，判断成功、失败与偏离风险，再把可用反馈送回强化学习。按其披露的数据，这套流程可让后训练中真机数据需求骤降60%，整体训练成本下降40%。

行业密探

量子位

《量子位》官方网易号

一种专门“骗AI”的幽灵字体火了。人类一眼就能看懂，GPT-5.6 Sol Ultra和Claude Fable却双双中招。它把文字藏进运动和噪点里，甚至还给AI准备了一条假答案。

行业密探

量子位

《量子位》官方网易号

马不停蹄，趁热打铁！刚完成第一轮融资后，DeepSeek被曝第二轮融资已经启动。据《金融时报》消息，目前DeepSeek正在与新投资者接触，希望开启新一轮融资，融资前估值约710亿美元（折合人民币4800亿元），相比首轮融资后估值520亿美元，上涨37%。与此同时，更进一步的爆料说，DeepSeek已经开始为2027年IPO做准备，最快将在今年年底递交上市申请。要知道距离上一轮融资结束，仅仅过去六周。首轮融资额超500亿元人民币，梁文锋个人出资200亿元，腾讯、宁德时代等多家产业龙头与国家人工智能产业基金共同参投。对于一家成立不过三年的AI公司来说，这个速度几乎是史无前例。DeepSeek也将再次刷新国产大模型公司最高估值记录。

行业密探

量子位

《量子位》官方网易号

2026年，全球操作系统产业，迎来60年来的最大一次范式重构。 - 荣耀在MWC上海首次提出“Agentic OS”概念，明确要以AI Agent为核心重构操作系统架构 - 华为发布HarmonyOS 7，将“迈向Agent时代”作为核心战略 - OpenAI在5月下旬展示了一款内部代号为“Atlas Phone”的设备机，明确以大模型为核心重构终端交互架构，加速推进原生Agent体系向终端系统底层渗透 - 苹果将Siri升级为系统级智能入口 - 谷歌推进Gemini Intelligence深度嵌入Android 从大模型厂商到终端巨头，几乎所有头部核心玩家都在，争夺下一代操作系统的定义权。聚光灯也让一个深层矛盾暴露在行业面前。今天的智能体不再满足于聊天与思考，它们已经能够代人行动、替人做事。但在硬币的另一面，如今绝大多数系统依然死死抱守着60年不变的设计原点，即“人点击、机器响应”的逻辑。智能体要替人做事，需要跨应用调度、跨设备协同、调系统资源、获取权限授权、记上下文……基于旧逻辑诞生的操作系统无法给能自主规划、持续执行的智能体提供足够的生长空间。是时候给Agent一套自己的原生操作系统了。 7月13日，大模型领域头部玩家阶跃星辰扔出了重磅炸弹，正式发布面向智能体时代的大模型原生AI终端品牌STEPX，并同步推出全球首个智能体原生操作系统Step AOS（Step Agentic-native OS）。它把智能体能力的核心概括为一条乘法公式——阶跃Step模型矩阵 × 阶跃Step Agentic-native OS 技术发布中，阶跃星辰还同步推出了基于模型矩阵与Step AOS打造的新一代个人智能体阶跃Amoo，并同场亮相了大模型原生智能体手机STEPX Neo，宣告构建起“模、软、硬”三位一体的技术闭环。终端厂商、互联网公司都在做AI终端，阶跃则是从模型公司位置切进系统和硬件并率先落地的玩家。

行业密探

量子位

《量子位》官方网易号

#文远知行 WRD[股票]#
德国不限速高速、法国复杂环岛、日本右舵左行道路…… 这几天，量产L2++测试车辆正穿梭这些国家公开道路之上，车身上的标识格外醒目： △文远知行WRD 3.0测试车在德国 Powered by WeRide。 Robotaxi海外大规模落地运营步履不停，文远知行的另一条腿——量产车L2++，也迈出了国门。而不论是德国、日本还是法国，都是传统汽车时代的强国。如今，在这些汽车强国的道路上，智能化浪潮是由中国的文远知行来引领。这同样是一个时代的缩影。文远知行L2++出海，到底走到了哪一步？这是文远知行这次首次系统性披露了全球道路验证的最新进展：目前，文远知行一段式端到端辅助驾驶解决方案WRD 3.0智能辅助驾驶核心算法，已经先后在德国、法国、日本完成道路测试与验证。很多人第一反应可能是：无非就是把车开到国外测试。但真正复杂的，是让同一套智能驾驶系统，在完全不同的驾驶环境里依然能够正常工作。德国、法国、日本对应着三种截然不同的驾驶环境和条件。德国高速公路，是很多智能驾驶系统都会遇到的一道难题。原因很简单——速度。部分高速路段不限速，车辆高速超车、快速变道十分常见。对于AI来说，它需要面对的，不只是更快的车流，而是整个交通环境都在高速变化。每一次决策，都必须提前完成。否则留给系统反应的时间，将远比普通道路短得多。法国则完全是另一种风格。这里大量存在复杂环岛，一个环岛可能拥有多个出口，同时不断有车辆汇入、驶离。对于人类司机来说，这依赖多年驾驶经验：什么时候进入？什么时候等待？什么时候让行？很多时候并没有标准答案，而是建立在对其他交通参与者行为的持续判断之上。对于智能驾驶而言，这样的场景比红绿灯路口更难。因为真正需要理解的，不是交通规则，而是人的行为。日本带来的挑战，则来自另一套道路体系。 △文远知行WRD 3.0测试车在日本右舵左行意味着驾驶逻辑几乎全部发生变化。驾驶员位置变了，车辆行驶方向变了，路口组织方式变了，道路标识和交通设施也都发生了变化。如果说德国考验的是高速能力，法国考验的是复杂交互，日本更像是在考验系统能否快速适应另一套世界规则。这些差异看似零散，但背后都指向同一个问题。 AI司机面对的，表面是不同国家，本质是不同的数据分布。对于模型来说，它并不知道什么叫德国、日本或者法国，它只知道，自己眼前出现了一套过去很少见、甚至从未见过的环境，会直接影响最终做出的判断。所以，这次验证真正想回答的问题，除了文远知行是不是有途径进入海外市场，更重要的是：同一套智能驾驶技术，是否具备跨环境运行能力。而文远知行，的确没有选择针对不同国家分别开发不同版本。文远知行利用同一套技术架构，研发、测试、验证到商业化落地，并搭建了全流程工程体系，不同国家持续完成道路验证。这意味着，自动驾驶，甚至今后物理AI竞争的重点，正在悄悄发生变化。为什么全球道路验证如此重要？ 1年前，L2++行业竞争的关键词还是功能。高速领航有没有？城市辅助驾驶什么时候开？能不能自动泊车？覆盖了多少城市？谁先把一个功能做出来，谁就更容易成为市场关注的焦点。但今天，这套竞争逻辑正在慢慢失效。原因很简单，越来越多企业已经能够完成相似的功能。真正拉开差距的，不再是谁会做，而是谁能在陌生环境里依然做好——泛化能力——AI离开自己熟悉的环境之后，是否依然知道该怎么开车。 △文远知行创始人兼CEO韩旭(左)、博世智能驾控中国区总裁吴永桥(右)在2025慕尼黑车展合影因为现实世界没有标准答案，每天都会出现新的施工区域、新的交通标识、新的驾驶行为，甚至同一条道路，不同时间段都会呈现完全不同的状态。没有任何一家公司能够提前收集所有数据，也没有任何模型能够把所有场景全部背下来。真正成熟的L2++，不应该依赖“见过”才能处理，而应该依靠对世界的理解，去应对那些从未见过的情况。这也是为什么，全球道路验证越来越重要。德国、日本、法国，并不仅仅代表三个海外市场，对于AI来说，它们更像是三张完全不同的考卷。文远知行的方案在这几个交通条件截然不同的国家完成测试，说明它学习到的已经不是某一个国家的驾驶经验，而是一种能够适应不同环境的底层能力。这就是近两年行业频繁提到世界模型（World Model）的重要原因，它是AI对于现实世界的一种“认知能力”。 △文远知行GENESIS可模拟任意空间内的位移，实现闭环感知，指数级扩大仿真世界范围相比传统一段式“黑盒”直接输出方向盘该往哪里打、油门该踩多少，世界模型更关注的是：这个世界正在发生什么，接下来可能发生什么。它需要理解车辆、行人、自行车之间的关系，需要预测交通参与者未来几秒钟的行为，也需要在大量不确定因素中找到最合理的决策。从某种意义上说，世界模型真正学习的，不是开车，而是理解世界。而不同国家、不同道路环境，恰恰就是检验这种能力最天然的考场。那么，为什么文远知行能够参与这样的全球道路验证？一个重要原因，在于它过去多年持续积累的L4自动驾驶能力，和在L4实践中建立的技术体系。包括一段式端到端架构、WeRide GENESIS世界模型，以及面向不同算力平台的适配能力。这些能力共同构成了模型训练、仿真验证和量产部署的完整链路，让系统不仅能够持续学习，也能够更快适应新的环境。当然，智能驾驶最终能否真正走向全球，仅靠算法远远不够。真正决定一项技术能否落地的，往往是工程体系。从数据闭环、仿真验证，到车规级开发、供应链协同，再到不同国家的法规和测试标准，每一个环节都会影响最终产品表现。举个例子，数年前L4玩家就在强调对量产车智能辅助驾驶的“降维打击”，但事实是，最终只有文远知行做到了。文远知行创始人兼CEO韩旭，把L4比作马拉松——42.195公里，考验耐力、系统能力和对长尾场景的覆盖。把L2++比作1500米中长跑——需要爆发力、量产能力和成本控制。 △文远知行创始人兼CEO韩旭出席量子位·MEET2026智能未来大会所以深耕“马拉松”的文远知行，和其他L4相比，技术、理论其实站在同一起跑线，真正在降维这件事上拉开差距的，是坚持——日日夜夜地磨量产、适配不同芯片、满足主机厂的种种要求，一路坚持下来。对应到技术层面，除了基础的知识蒸馏之外，还涉及更多细致到代码级的Know-how，比如蒸馏前的混合精度量化 (Mixed-Precision)、模型减枝、动态推理优化、MoE架构优化等等…… 这也是文远知行与博世合作的重要意义：当智能驾驶真正走向全球，AI是否已经具备了跨越不同“驾驶世界”的能力。技术、工程之外，文远知行的第三道护城河如果把视角拉远，文远知行L2++海外道路验证，背后折射出的是文远知行技术路线的一次延伸，也是整个行业正在发生的变化。过去几年，L2辅助驾驶和L4自动驾驶，往往被看作两条并行发展的路线。一条面向量产市场，一条探索更高等级的自动驾驶。但随着数据驱动、世界模型、强化学习等技术路线不断成熟，两者之间的边界正在变得越来越模糊。 △2025年11月，文远知行正式达成港股+美股双上市布局有的L4玩家对待这种趋势的态度是“如临大敌”，不断在公开表态中怒怼“升维”路线，但文远知行从技术本质出发，看到了新的机遇： L4是L2++不断向上的技术来源。后续L2++的大规模量产，又能够带来更多真实道路数据，进一步推动模型持续学习和迭代。两条路线之间，不再是过去那种“各做各的”，而是在逐渐形成一个相互促进的技术飞轮。从商业层面，这种变化也开始有所体现。 2026年第一季度，文远知行实现营收1.14亿元，同比增长58%，毛利率达到35%。这些数字本身并不能说明一家自动驾驶公司已经完成商业化，但至少能够看到一个趋势——过去沉淀在L4领...

行业密探

量子位

《量子位》官方网易号

Loop Engineering开源教程火了！一行命令就能搭起AI自循环框架，0基础5分钟入门，GitHub已拿下6.2k星。

行业密探

量子位

《量子位》官方网易号

本期Product Hunt周榜Top 1出自中国团队，AnySearch—— 一款AI搜索产品。过去一年，PH榜一的位置被Agent、AI IDE、大模型轮番占据，几乎没见过搜索类产品的影子。就是因为在全球开发者眼里，普通AI搜索已经很难突围了。 AnySearch这一登顶，挺新鲜。看了下成绩单，在一项由Frames、FreshQA、WebwalkerQA组成300道问题的基准测试中，全程采用同一款LLM的条件下，AnySearch以76.4%的综合准确率领先Parallel、Brave Search；同时，延迟方面AnySearch也是三家最优。要说作为一个搜索产品，AnySearch还真有点特别，它不是给人用的，而是给Agent用的。 AnySearch不仅能搜到公开网页信息，还能覆盖高质量的垂直领域数据，专门给Agent提供更实时、准确、可追溯的结构化信息输入。文章链接：

行业密探