全部 · 2026-04-01

Micro1 把数千名零工拉进 50 多个国家录制家务视频，这已经把机器人训练的数据链条，从云端标注推进到私人住宅。我的判断很直接：人形机器人眼下最缺的不是再多一个 VLA 论文，而是便宜、连续、可清洗的长尾操作数据。谁先把这套供给链做成，谁就先拿到一段时间差。 这事让我想到前几年 Scale AI、Appen、Remotasks 给大模型喂数据的阶段，只是这次更麻烦。文本标注暴露的是语言偏见和低薪问题。家务视频暴露的是住址、家庭结构、消费习惯、面部、儿童和同住者。正文只说“薪资在当地不错”，没给时薪、任务单价、采集协议、授权期限，也没说客户能否二次转售。我对“知情同意”这四个字有点怀疑：录制者能同意自己的数据被卖给机器人公司，不等于他能替同住家人、访客、邻居一并同意。 从技术面看，这条也说明一个不太好听的现实：很多人形公司的“通用操作”能力，离不开人先把世界演给它看。Figure、1X、Agility、Tesla Optimus 这一波都在追操作泛化，但公开视频大多是受控环境。家庭场景最难的地方不是抓取动作本身，是杂乱、遮挡、物体分布漂移，还有每个家庭都不一样的流程顺序。Micro1 这种模式的价值，不在单条视频，而在跨国家、跨户型、跨器具的分布覆盖。文章没披露数据规模、标注层级、是否同步采集深度或触觉，只能先把它看成“用廉价真人演示填补真实世界缺口”的方案。 我也不完全买“拍得多就能学得好”这套叙事。第一，iPhone 头戴视频天然有视角偏差，和机器人胸前、头部、腕部相机的观察位并不一致。第二，家务动作里很多关键变量是力控和接触状态，纯视频不够。第三，跨文化数据不自动等于高质量数据；厨具、收纳习惯、清洁流程差异很大，清洗成本会很高。我自己还没看到他们公开的数据卡、失败率或 downstream 提升数字。没有这些，先别把“数千人”直接换算成模型能力。 同一篇里谈的 benchmark 线索，我基本同意方向，但对提法保留意见。Angela Aristidou 说要做 Human–AI、情境特定评估，这个判断没错。现在很多榜单还是孤立题、短回合、单人使用假设，和企业里真实的多角色协作差很远。过去一年大家已经在往这个方向补：SWE-bench 逼近真实代码修复，METR、Anthropic、OpenAI 也都在谈长时任务、agent 失控链路和人机协作评测。问题是，文章没给这个新方法的指标、实验设计、基线模型、复现实验。 我担心的是另一头：一旦“情境特定”变成主口号，评测就很容易滑向定制咨询。每家企业都能说自己的流程独特，最后 nobody can compare anything。基准测试当然不能只考选择题，但也不能只剩案例研究。可用的路子应该是两层：底层保留可复现、跨模型可比的公共任务；上层再叠加行业工作流里的长周期、多角色、人机混合指标，比如交接损耗、回滚率、人工接管频次、完成时间和错误代价。没有这层公共底板，“更贴近现实”最后常常只是“更难被验证”。 说真的，这两条放在一起看很有意思。机器人这边，行业正在把真实世界重新切成可采购的数据单元。评测这边，大家又发现脱离真实工作流的分数越来越没用。一个在把现实搬进训练集，一个在要求把现实搬回评测集。训练和评测都开始向现场回流，这才是信号。标题里讲的是零工和 benchmark，我看到的是同一件事：AI 现在卡在“和世界怎么接线”，不再只是“参数再堆多大”。

该帖称 Claude Code 泄露代码已扩散到 7 万个 forks，Anthropic 基本失去了回收工程细节的可能。先把话说死一点：如果这个数字属实，这条新闻的重点就不是“泄露”本身，而是代码代理产品的护城河被迫公开了一层。标题和摘要给了 7 万 forks、Python 与 Rust 版本流传这两个点，正文没披露泄露源头、时间线、提交范围、是否包含密钥或内部评测资产，所以很多判断现在只能停在工程层，不能上升到安全事件定级。 我对原帖“团队很 chill”这个说法有点怀疑。大规模代码一旦上 GitHub，尤其已经分叉到 7 万级，企业常见反应不是淡定，而是没法收口。删主仓没有意义，fork、镜像、打包二传会继续扩散。这个场景更像 Stable Diffusion 权重那类“发布后不可逆”，不是传统 SaaS 源码泄露后靠法务慢慢清场。Anthropic 如果真没激烈动作，原因未必是姿态从容，也可能是成本收益比已经不对了：追 fork 的法务成本，未必高于让竞争对手直接学到 harness 设计的损失。正文没有给官方回应，我不会替它补叙事。 原帖有一句倒是靠谱：harness engineering 很难。我基本同意，而且这恰好是过去一年很多外行低估的部分。大家老盯着基础模型分数，觉得代码产品就是“接个 Sonnet 或 GPT 再做个 IDE 插件”。实际把 agent 跑稳，难点常常在 harness：上下文裁剪、仓库索引、工具调用重试、测试沙箱、补丁回滚、失败恢复、权限边界、长任务检查点、评测回放。这些东西单点都不神秘，组合起来才是门槛。Cursor、Devin、Windsurf 这一波产品，用户体感差异有一大半就出在这里，不只出在底模上。Claude Code 如果连实现细节都被社区逐行研究，行业会更快收敛出一套“代码 agent 标准做法”。 我还想补一个文章里没有的上下文。2024 到 2025 年，代码助手赛道已经反复证明：分发和工作流黏性，短期内比自研模型更值钱。Cursor 早期并不是靠自有底模打出来的，更多是靠编辑器体验、补全速度、代码库理解和团队分发。我记得他们后面才逐步加大自训和后训练比重，具体比例我没核实。原帖把 Claude Code 泄露解读成“更多 wrapper 会先拿产品和 harness，再补模型”，这条判断我认一半。前半句对，后半句没那么轻松。原因很简单：2026 年的后训练成本，已经不是做个 SFT 就能补齐。你可以学到 Anthropic 的任务编排，但学不到它内部真实用户反馈、失败轨迹、私有 eval、工具使用日志。这些数据闭环才是代码 agent 继续拉开差距的地方。 所以，这次泄露会压缩谁的优势？我看主要压缩两类公司的优势。第一类是把“我们有很深的 agent orchestration know-how”当黑盒故事讲融资的团队。现在别人可以直接拆 Anthropic 的一部分实现，你再讲“秘诀在工程细节”，投资人会追问得更细。第二类是只会包一层模型 API、没做重型执行框架的小团队。社区把泄露代码吃透后，开源复刻和脚手架会冒得很快，这类公司会更难解释毛利和留存。 但我也不会把这条夸成 Anthropic 护城河崩了。仓库代码泄露，不等于能力复制。OpenAI 这些年也反复证明，接口外观、产品交互、甚至部分提示词被看见，都不代表你能复现真实线上质量。代码 agent 尤其如此：线上稳定性取决于模型版本、内部工具、评测门槛、遥测数据、人工调参节奏。摘要里只说 Python 和 Rust 版本在流传，没说是不是完整可运行仓库，也没说能不能接入 Anthropic 内部依赖。没有这些信息，我不会顺手下“Cursor 模式被坐实”这种结论。 我的直觉判断是，这事对行业最大的影响不是安全，而是教育。它会让更多团队看清，代码代理产品不是一个 prompt 套壳生意，而是一套很重的系统工程。它也会顺手抬高用户预期：既然 Anthropic 的做法都被摊开了，市场会更快要求其他产品拿出同等级的自动修复、测试闭环和长链路任务稳定性。谁接下来还在卖“接了强模型所以会写代码”，日子会更难过。

Anthropic 只宣布与澳大利亚政府签署 1 份 MOU，正文未披露期限、资金、研究范围和交付机制。我对这条的判断很直接：先别把它读成“国家级 AI 安全能力落地”，现在更像一家前沿模型公司在关键司法辖区提前占位。 MOU 这个词本身就说明很多。它通常解决的是合作意向，不是采购承诺，也不是监管框架生效。没有预算、没有 timeline、没有评测口径，外界就没法判断这件事会落到哪一层：是几场闭门研讨会，还是把模型评测、事件上报、红队流程写进政府采购标准。差别很大。前者是 PR，后者才会改市场行为。 我一直觉得，Anthropic 这类公司过去一年在政府关系上的主线很清楚：把“安全”从研究标签，推成进入公共部门和受监管行业的通行证。英国 AI Safety Institute、美国政府自愿承诺、各国模型评测讨论，走的都是这条线。OpenAI、Google DeepMind 也都在跑，只是 Anthropic 更愿意把自己放在“安全合作方”这个位置上。好处很现实：一旦政府把第三方评测、模型文档、部署前审查写进采购流程，先参与起草的人天然占便宜。 我有个保留。标题说“支持 Australia’s National AI Plan”，但正文没说 Anthropic 到底提供研究、人、工具，还是政策建议。这个口径很容易把商业利益包装成公共利益。假如后续出现的是 Anthropic 评测框架被优先采纳，或者 Claude 相关标准进入政府采购清单，那这条合作就不只是安全研究，也是在塑造市场入口。我不是说这一定不好，但它绝不是中性的。 还有一层外部背景。澳大利亚这两年对平台、云和关键技术供应链的主权意识明显在抬，AI 政策也越来越像“风险治理 + 产业扶持”双线并行。Anthropic 现在插进去，价值不在澳大利亚本身市场有多大，而在它能不能把这里做成一个可复制样板：评测模板、事故报告格式、模型使用分级、政府部门采购条款。如果能复制到英国、加拿大、新加坡，这种 MOU 才有分量。 眼下信息很薄，所以判断要克制。标题已经给出合作方向，正文没给任何可执行细节。我现在不会高估它。后续若披露三样东西，这条才算升级：一是明确评测对象，比如 frontier model pre-deployment evaluations；二是谁来出钱、谁来验收；三是成果会不会进入政府 procurement 或 assurance 流程。没有这三样，它就是一份站位声明。