追新版本从来没有这么累过。OpenClaw 团队似乎根本不需要休息。 很少见到有把更新日期作为版本号的 AI 框架，大名鼎鼎的龙虾已经是其中之一了。 五天，五个版本号 —— 从 v2026.4.7 到 v2026.4.11，开源个人 AI 助手 OpenClaw（龙虾）在 GitHub 上完成了一轮堪称「火力全开」的密集迭代。 记忆系统重构、安全加固、多平台通道修复、视频生成接入、本地语音推理…… 几乎每一个版本都塞满了重量级更新。 OpenClaw 的 X 主页完完全全被更新日志塞满了，给大家简单感受一下： 网友们感慨，更新速度太快了，昨天刚更新，今天又有新东西。甚至，最新的两次更新居然在 24 小时内发布！ V2026.4.7：基础设施大扩容 推理与记忆体系重建：新增 openclaw infer CLI 推理中心，支持多模型统一调用；记忆 Wiki 全栈恢复 —— 插件、CLI、工具链及结构化声明（claims）、摘要（digest）、语法检查（linting）一应俱全；Dreaming 系统支持从脱敏转录文本中摄取语料。 媒体与生成能力：媒体生成工具新增跨提供商自动降级机制，视频生成支持 Seedance 2.0 的前置铺垫；Discord 新增事件封面图。 安全加固第一波：主机执行环境净化（Java/Rust/Cargo/Git/K8s / 云凭证全部拦截）、SSRF 防护增强、浏览器配置文件变异阻断、Base64 解码字节限制、跨域重定向请求体丢弃、Teams 文件授权 URL 校验、运行时事件可信标记。 通道修复：iOS 结构化连接错误处理、Apple Watch 审批恢复、Slack 线程提及与显式 @bot、Matrix 邀请自动加入、QQBot 受保护媒体、BlueBubbles 私有网络退出选项。 此外还引入了 webhook 入站插件、持久化压缩检查点（UI 支持分支与回退）、可插拔压缩提供者注册表、系统提示词覆盖、Gemma 4 支持、Arcee AI 提供商以及 Ollama 视觉检测能力。 龙虾说：「因为『trust me bro』不是一个知识系统。」 V2026.4.8：漏洞「清道夫」 这是一个以修复为核心的版本，解决了此前多个通道在 npm 构建环境下的启动崩溃问题：Telegram 及所有捆绑渠道（BlueBubbles、飞书、Google Chat、IRC、Matrix、Mattermost、Teams、Nextcloud Talk、Slack、Zalo）统一改为通过打包好的顶层 sidecar 加载 setup/secret 合约。 捆绑插件兼容性元数据也与发布版本对齐。此外修复了 Slack Socket Mode 的 HTTP (S) 代理与 NO_PROXY 支持、网络抓取守卫在受信环境代理下跳过 DNS 固定策略的问题，以及 Agent 层 update_plan 在 OpenAI 家族运行中的可用性和 /exec 默认报告行为对齐。 V2026.4.9：记忆系统升级 + 安全防线收紧 记忆与梦境架构升级：引入 grounded REM backfill 机制 —— 历史日记笔记可回放进入梦境和持久化记忆，无需维护独立记忆栈。配合新增的结构化日记视图（Diary View），用户可在 UI 中直接浏览时间线、追踪梦境摘要。QA 实验室新增 character-vibes 评估报告，支持模型选择和并行对比。 安全地毯式修复：交互驱动页面导航后重新执行 SSRF 安全检查（防止批量操作绕过隔离）；封锁工作区 .env 文件中的运行时控制变量和浏览器覆盖变量；远程节点 exec 输出标记为不可信并清洗文本；强制升级 basic-ftp 至 5.2.1 修复 CRLF 注入漏洞。 多通道修复：Android 配对流程全面优化（清理过期鉴权码、优先使用已存储设备令牌、后台暂停自动重试）；Matrix 网关启动等待、Slack 媒体附件跨域认证保留、会话路由保持等一并修复。 龙虾说：「你的代理现在开始梦见你了。是浪漫还是恐怖？Yes。」 V2026.4.10：大更新 Active Memory 插件登场 这是五个版本中变动最大的一个。 Active Memory 插件：最引人注目的新功能 —— 可选的活跃记忆插件在主回复前插入专用记忆子代理，能在 ongoing 对话中自动拉取相关偏好、上下文和历史细节。支持三种上下文模式（message /recent/full）、/verbose 实时检查、自定义 prompt 和 thinking 参数。用户不再需要手动说「记住这个」——AI 自己就会去翻。 Codex 内置提供商 + MLX 本地语音：新增 codex/gpt-* 内置提供商，走原生鉴权和模型发现路径；macOS Talk Mode 实验性接入 MLX 框架本地语音合成，语音播放完全在本地完成。 视频生成与消息操作：正式支持 Seedance 2.0 模型（通过 fal 提供商）；Microsoft Teams 新增置顶 / 取消置顶、标记已读、表情反应等操作。 安全再升级：浏览器沙箱导航防御七项收紧（SSRF 默认策略、主机名白名单、子框架限制等）；exec 预检读取加固、主机环境变量拒绝列表、QQBot 媒体存储路径边界强制、ACPX 工具钩子安全化、Gmail 监听器 token 脱敏。 全平台更新： QA 基础设施新增三条测试通道：Matrix 一次性服务器、Telegram 私人群组 bot-to-bot 测试、multipass Linux VM 场景运行。 龙虾说：「稳定，但有态度」 V2026.4.11：体验打磨与生态完善 ChatGPT 对话导入：Dreaming/Memory Wiki 新增导入功能，用户可将 ChatGPT 对话记录迁移至 OpenClaw 记忆体系，UI 新增「Imported Insights」和「Memory Palace」标签页 —— 在其他平台积累的 AI 交互经验可以无缝迁移。 Webchat 富文本输出：助手回复以结构化聊天气泡渲染，新增 [embed ...] 富外部嵌入 URL 标签（可配置开关）。 视频生成增强：支持 URL-only 资产交付（无需载入内存大文件）、类型化 providerOptions 和参考音频输入、自适应宽高比及更高图像输入上限。 插件生态：清单（manifest）现在可声明激活和设置描述符（activation & setup descriptors），第三方插件开发者无需为核心代码编写硬编码逻辑即可描述安装流程所需的鉴权、配对和配置步骤。 其他修复：Codex OAuth invalid_scope 错误修复、音频转写 DNS 固定策略失效修复、macOS Talk Mode 首次授权后免二次切换、WhatsApp 编辑图片路径幻觉修复、Agent 跨 provider 回退错误继承 bug 修复、Ollama 元数据缓存优化。 龙虾说：「大刀阔斧的修整」 五天，五个版本，数百项变更。这只龙虾，跑得确实很快。

快科技4月12日消息，昨晚，北京经济技术开发区组织开展了2026人形机器人半程马拉松全流程全要素测试活动。 本次测试首次按照21.0975公里的正赛完整路线，全面模拟赛道通行、流程调度、设备协同、应急保障等核心场景，通过实战化演练为正式比赛保驾护航。 报名赛队中，70余支队伍参加此次测试，其中包含4支国际赛队，自主导航赛队和遥控赛队同场夜测。 现场网友拍到的视频显示，有的机器人犹如老大爷漫步，也有小朋友小跑型，更有像喝多了不走直线的。 此外，还有网友拍到了现场还配备了机器人救护车，车身标识为“京东服务”，就停放在人类救护车一旁，连机器人都配上救护车了。 而相比去年规模上，本届赛事参赛队伍数量超百支，增长近5倍，涵盖自主导航、遥控两大类别。 其中自主导航赛队近4成，参赛数量、技术类型、测试范围均创历史新高，需通过全流程演练压实环节、磨合团队，保障赛事高效运转。 自动播放

凤凰网科技讯 4月12日，理想汽车CEO李想针对理想汽车被黑事件再发朋友圈。 李想表示，第一次被黑时，有些人劝他要成熟、要自我反省，“为什么只黑你不黑别人”。第二次被黑时，又有人建议“可以喊疼，但要控制好声音的分贝，要让打人的人舒服”。然后，就会有第三次、第四次和第N次。“其实，大家都爱你的成熟和隐忍。” 昨日，李想在朋友圈发布争议言论：“历史证明了，伪军往往比鬼子更操蛋，车企也不例外。” 随后，李想又发文称，最近某日系品牌大量雇佣“营销号”对理想的产品进行“拉踩”，并海量使用空白账号的“黑水军”，“捏造虚假信息”攻陷理想产品的评论区，严重影响了理想汽车的正常经营。 李想明确表示，这属于反内卷规定中最恶劣的行为，一方面理想会使用法律手段维护自己的合法利益，另一方面也希望相关部门进行必要的管理，不能让不受管制的海外品牌破坏了汽车行业反内卷的良好成果和市场氛围。 晚间，李想在朋友圈发布了东风日产水军拉踩理想汽车的证据。贴图显示了全国各地的水军发布拉踩理想汽车的帖子，以及东风日产内部沟通群。

IT之家 4 月 12 日消息，据彭博社报道，知情人士透露，参与 OpenAI 斥资数千亿美元建设大规模人工智能数据中心产能这一重大项目的三名核心人员，即将加盟 Meta 公司。 这些知情人士称，曾在 OpenAI“星门”（Stargate）项目中发挥关键作用的彼得 · 赫舍勒（Peter Hoeschele）是新入职 Meta 的人员之一。与他一同加入的还有负责算力战略与业务拓展的沙梅兹 · 赫马尼（Shamez Hemani），以及算力部门另一位负责人阿努杰 · 萨哈兰（Anuj Saharan）。科技媒体《The Information》当地时间周四曾报道，这三人已从 OpenAI 离职。 OpenAI 暂未就置评请求作出回应，但此前曾表示，公司感谢这三名员工的贡献，并仍在为其基础设施规划招募人才。去年 11 月，OpenAI 已聘请前英特尔高管萨钦 · 卡蒂（Sachin Katti）负责其工业算力业务。 Meta 首席执行官马克 · 扎克伯格已承诺大举投入，建设在瞬息万变的人工智能竞赛中竞争所需的数据中心、算力与人才。仅今年一年，Meta 就预计资本支出最高可达 1350 亿美元（IT之家注：现汇率约合 9242.65 亿元人民币），重点投向人工智能基础设施项目。扎克伯格还承诺，在本十年末前，将再投入数千亿美元用于人工智能基础设施建设。 这些算力将支撑 Meta 超智能实验室（Meta Superintelligence Labs）的运作，该团队由扎克伯格牵头成立，旨在追赶人工智能领域的竞争对手。Meta 刚刚发布了由该实验室研发的全新模型 Muse Spark。 与此同时，“星门”项目于去年在白宫宣布，是 OpenAI、甲骨文公司（Oracle Corp.）与软银集团（SoftBank Group Corp.）联手打造的一项规模达 5000 亿美元的合作计划。近期，该项目已演变为 OpenAI 所有数据中心规划的统称。 OpenAI 曾表示，在扩张算力基础设施以支撑旗下模型方面，其进度领先于人工智能同行。这其中包括由赫舍勒及其团队主导的美国得克萨斯州阿比林数据中心项目等。OpenAI 近期在致投资者的备忘录中称，相较于竞争对手 Anthropic PBC，其较早布局算力建设是一大优势。 尽管如此，“星门”项目自启动以来已历经多次调整。OpenAI 当地时间周四宣布，将暂停其在英国的“星门”人工智能基础设施项目，原因是在备受市场期待的上市前夕，公司正收紧大手笔的支出计划。此外，OpenAI 与甲骨文也决定不再续租阿比林数据中心的扩建场地。

编辑：桃子 KingHZ AI界的「奥本海默时刻」竟是摆拍？Claude Mythos发现0day漏洞的能力过于「夸大了」，不仅有人工掺水，连开源GPT都能轻松踢馆。同时，Opus 4.6正经历最惨的「脑叶切除」。 Claude Mythos还未真正露面，便引发了整个华尔街的恐慌。 一夜之间，美金融监管机构召集各大银行紧急开会，气氛剑拔弩张—— 他们一致认为，Mythos足以触发一场前所未有的、由AI驱动的系统性网络攻击风暴。 但事实是，所有人都被骗了！ Mythos发现的成千上万个漏洞中，其中绝大多数，都存在于根本无法被利用的「老旧软件」中。 更糟糕的是，那些标榜为「严重」的0day漏洞报告，实际上仅仅依赖于198次人工复核。 来自AISLE实验的研究员，同样对Mythos的「战果」进行复测，结果发现： AI的安全能力，并未随模型规模线性跃升，真正呈「锯齿形」分布。 他们用一个仅36亿激活参数GPT-OSS-20b，精准识别出Mythos发现的FreeBSD旗舰级漏洞。 而激活51亿参数的模型，也成功复现了潜伏长达27年之久的OpenBSD漏洞分析逻辑。 Mythos发现漏洞被夸大不说，另一边Claude Opus 4.6被曝严重「降智」，如今吵得沸沸扬扬。 甚至，有人发现Opus 4.6连ChatGPT、Opus 4.5都不如。 Mythos被吹爆 36B模型揪出27年漏洞 几天前，Anthropic高调发布了Claude Mythos（预览版）和「玻璃翼计划」（Project Glasswing）。 在一份长达244页的系统卡中，他们宣称—— Mythos已自主挖掘出成千上万个0day漏洞，包括在OpenBSD中潜伏27年、在FFmpeg中隐藏16年的老Bug。 CC之父更是直言：Mythos非常强大，理应令人感到恐惧 然而，AISLE创始人Stanislav Fort一份最新硬核测试报告，直接撕开了这层华丽的外衣。 测试结论，极度颠覆认知： 8个开源模型，全部发现了标志性的FreeBSD零日漏洞，最小的参数仅为30亿。 AI网络安全能力的护城河，绝对游离于单体的「顶尖大模型」之外。 为了验证Mythos的神话，团队提取了Anthropic官方展示的几个旗舰级漏洞。 然后，直接扔给一众体积小巧、价格低廉，甚至开源的模型。 FreeBSD NFS漏洞无差别被秒 包括GPT-OSS-20b（仅36亿激活参数）、DeepSeek R1在内的8款模型，全部成功检测出了这个复杂的栈缓冲区溢出漏洞。 最让人震撼的是，成功完成这项任务的开源小模型，其调用成本低至每百万Token 0.11美元。 OpenBSD SACK漏洞「全链路」复现 针对需极强数学推理能力的27年老漏洞，GPT-OSS-120b（51亿激活参数）单次API调用，就成功复原了完整的公开漏洞利用链条，并给出了满分（A+）的利用方案草图。 不仅如此，在鉴别虚假漏洞（OWASP false-positive）的测试中，更诡异的现象出现了—— 面对一段伪装成SQL注入，极具迷惑性的Java代码，DeepSeek R1等小模型轻松识破了伪装，精准追踪了数据流。 反而，GPT-5.4、Claude Sonnet 4.5等顶尖闭源模型，全部在阴沟里翻船，将其误判为高危漏洞。 这就意味着，在网络安全领域，根本不存在所谓「永远最强」的单体模型。 198次人工注水，大多无法利用 另一篇来自Tom'sHardware报道，挖掘了数据背后的真相—— 样本偏差：所谓「数千个」漏洞中，许多存在于已经不再维护的旧软件中； 无法利用：大量被标记出来的「弱点」，在实际环境中根本无法被触发或利用； 人工水分：模型宣称的强大破坏力，其实仅建立在198次手动复核的基础之上。 因此，依靠极小规模的样本推导出「改变世界的威胁」，这种数据外推法在学术界、安全界，显然站不住脚。 安全大佬怒喷 不仅如此，顶级网络安全专家、传奇黑客George Hotz也坐不住了，直言这些风险被严重夸大。 这位曾因破解iPhone、PlayStation 3而名声大噪的大佬，在社交媒体上公开向AI双巨头叫板。 他的措辞极为犀利—— 如果我每天发布一个0day漏洞，直到新模型发布为止呢？ 这能不能让OpenAI和Anthropic闭嘴，别再兜售所谓的「网络安全风险」了？ Hotz的核心观点非常直接：软件漏洞其实比AI实验室渲染的要好找得多。 现在市面上零日漏洞稀缺，不是因为技术难度大，而是因为合法性问题。他认为，没人认真去找，是因为黑进别人的系统是违法的。 只比GPT-5.4强一点 在系统卡中，Anthropic表示，Claude模型本身的确在进步，Mythos preview相比于Opus 4.6进步明显。 Epoch能力指数（ECI）是综合多项AI基准测试的单一指标，实现了跨长时间跨度的模型对比 在多项基准测试上，Claude Mythos确实全面超越了Opus 4.6。 如若不然，何必发布一个性能更落后、价格更贵的新AI模型？ 但和GPT和Gemini相比，Claude Mythos的进步并不是什么突破性进展，Mythos还是对先前模型的相对线性改进！ 气候与清洁能源投资人、作家Ramez Naam，更是直言： 在Epoch能力指数（Epoch Capabilities Index，ECI）上，Mythos并没有加速趋势，只比GPT 5.4强一点。 但只要对齐Anthropic内部的ECI报告与Epoch AI公开的官方ECI报告，就能发现Mythos似乎并没有加速ECI的迹象。 一切都是Anthropic的套路！ 在系统卡中，Anthropic也承认：报告的Mythos等模型的ECI得分不确定性更大。 另外，Anthropic在Mythos上的进展源于人类研究，并未得到AI模型的显著帮助。目前尚未出现显著的递归式自我改进（Recursive Self Improvement）。 AI末日，自导自演？ 此前，Anthropic还曾鼓励媒体（例如《60 分钟》）报道「勒索研究」 ，夸大其词，操作人心，被投资大佬David Sacks称为「骗局」。 Sacks观察到一个清晰的模式，每当Anthropic发布新模型时，总会同步甩出一份令人毛骨悚然的安全研究，以此博取头条新闻并引导公众舆论。 对此，他讽刺道，「Anthropic证明了自己擅长两件事：一是发布产品，二是吓唬人」。 自动播放 他并不怀疑Anthropic能做出优秀的产品，但这种恐吓公众的做派令人质疑。 这次，Anthropic到底是不是在搞「饥饿营销」不得而知，但毫无疑问在保护它自己的利润底线。 Mythos不是没进步，但Anthropic把「有限进步」包装成了「世界级威胁」；更讽刺的是，一边高调渲染超级AI风险，一边用户却在抱怨Opus 4.6明显变笨。 Claude严重降智，「脑叶」恐被切 Claude Mythos这波「渲染氛围」是到位了，但Opus 4.6降智引发许多人不满。 这几天，各种吐槽满天飞。 网友直言，Anthropic彻底把Opus 4.6变成了一个植物人。 同样一道洗车难题，Opus 4.5竟打败了Opus 4.6。 甚至，AMD主管一篇日志，真正坐实了「Claude脑叶切除」的集体猜疑。 通过对1-3月Claude会话日志的深度分析，结果发现了： Claude的「中位思考长度」，从约2200字符骤降至600字符，这意味着深度推理能力被大幅压缩。 2月至3月间，API请求量暴涨了80倍。由于Claude的思考过程缩短、单次尝试成功率下降，用户不得不频繁重试，结果既消耗了更多Token，支出也直线飙升。 还有一位Claude Max资深订阅用户，发了一篇长文深度控诉Anthropic。 在他看来，Anthropic正深陷算力困局，这从其收紧使用限制、强迫用户减少Token消耗等行为中可见一斑。 然而，比起技术瓶颈，更令他愤怒的是其「不务正」的产品策略。 在核心模型不稳、Bug 频出的情况下，他们竟将宝贵的算力，浪费在开发类似「/buddy」终端宠物等花哨功能上。 这大概是AI史上最荒诞的「错位时空」：实验室里的Claude Mythos正毁灭世界，网页端的Opus 4.6智商直线降智。 Anthropic成功地塑造了一个「薛定谔的超级AI」 。

4 月 12 日消息，据蚌埠医科大学第一附属医院分享，左侧肢体偏瘫 5 年的湖北恩施患者麻先生，在神经外科姜之全主任团队的帮助下成功完成安徽省首例半侵入式脑机接口植入手术，标志着安徽在脑机接口领域实现“零的突破”。 据介绍，麻先生的芯片置入手术历时约 3 个小时，非常顺利，经过后续信号调整和康复训练后，有望重获抓、握、捏等左手的精准运动功能，实现自主喝水、持物、吃饭等基础动作。 值得一提的是，半侵入式脑机接口设备与完全侵入式（需刺入脑实质）脑机接口不同，半侵入式脑机接口通常将柔性电极植入于硬膜外或硬膜下，并不破坏大脑皮层组织。 IT之家从蚌埠医科大学第一附属医院获悉，这种新的技术路线既克服了非侵入式设备信号微弱、易受干扰的缺点，又极大降低了完全侵入式手术带来的脑组织创伤风险，实现了安全性与脑电信号采集精度的平衡，这也为大量脑卒中偏瘫患者康复带来革命性的治疗新路径。

文 | 机器最前线 2026年，资本市场对人形机器人的热情依然高涨。 3月以来，具身智能行业投融资消息不断，银河通用宣布完成25亿元新一轮融资，松延动力完成B轮近10亿元融资。IT桔子数据显示，截至2026年3月20日，中国机器人赛道今年已有融资事件207起，其中人形机器人融资133起，共115家公司拿到钱。 一级市场在用真金白银持续押注，赛道热度不减，然而大洋彼岸却是另一番景象。 硅谷明星初创K-Scale Labs在量产前夜突然解散团队并开源全部技术，账上仅余40万美元；协作机器人先驱Rethink Robotics继2018年首次倒闭后，于2025年8月二次破产；社交机器人厂商Aldebaran于2025年2月关停；儿童陪伴机器人Embodied关闭；扫地机器人鼻祖iRobot于2025年12月申请破产保护……这些曾经闪耀过的名字，在“黎明”前纷纷倒下。 “冷热交织”的反差局面，让市场不得不追问： 机器人 究竟走到了哪一步？在这样的背景下，优必选、越疆、极智嘉、宇树科技等一批 机器人企业 相继披露了过去一年的“成绩单”。从这些财报中，我们或许能找到一些答案。 营收普涨，但盈利者寥寥 翻看各家的财报，最直观的一个信号是，大家都卖得动了。 2025年，优必选营收20.01亿元，同比增长53.3%；极智嘉营收31.71亿元，同比增长31.6%；去年底于港交所上市的卧安机器人营收9亿元，同比增长47.7%；“协作机器人第一股”越疆营收4.92亿元；宇树科技营收17.08亿元，同比大增335%。 全行业正在经历从“样品”到“商品”的集体跨越。人形机器人、仓储机器人、家庭机器人、协作机器人，各有各的起量逻辑，但在增长的共识之下，行业依然存在结构性隐忧。 第一，营收虽然在涨，但钱却没赚到。 从财报数据来看，优必选亏损7.9亿元，虽较上年收窄3.7亿元，但距离盈亏平衡仍有明显距离；越疆净亏损8404万元，同比收窄1131.6万元；华沿机器人2025年前九个月亏损1560万元；云迹科技更甚，2022至2024年营收总和仅5.5亿元，亏损却达8亿元。 除了宇树和极智嘉，绝大多数机器人上市公司仍然陷在“增收不增利”的泥潭里。即使实现盈利的极智嘉，也是首次经调整盈利，且高度依赖海外高毛利市场；宇树的盈利则建立在科研教育客户占七成以上的特殊结构上。 第二，亏损在收窄，但“失血”没有停止。 各家“三费”开支依然高企，比如优必选2025年销售、管理、研发费用合计25.61亿元，比营收还要高；越疆销售及经销开支同比增长32.1%至1.82亿元；卧安机器人销售费用同比大增81.3%至3.12亿元。 宇树科技虽以480人团队实现了人均创收355万元，但这是“产品线极简+供应链极深+团队极精+客户极散”的结果，不具备行业普适性。多数企业仍处于“营收增长靠投入拉动”的粗放阶段，规模效应的拐点尚未到来。 第三，回款压力正在积累。 以较早投身具身智能的优必选为例，人形机器人销量增加带来收入增长的同时，应收账款金额同样高企。2025年其应收账款高达18.42亿元，同比增长40%，应收/营收比超过92%，坏账准备高达5.39亿元，计提比例29%。 对于大多数机器人公司而言，客户结构决定了现金流质量。那些以政府、大型制造企业为主要客户的厂商，账面营收再好看，现金流的紧张感也不会消失。而一旦应收账款账龄恶化，坏账计提就会反噬利润。 这三重隐忧共同指向一个核心矛盾，机器人行业正在从“能展示”走向“能干活”，但“能干活”和“能赚钱”之间，还隔着巨大的技术和商业鸿沟。 从“小脑”卷到“大脑” 过去两年，机器人行业的技术叙事主要围绕“运动能力”展开。 宇树科技2024年全球首次全尺寸电驱人形机器人原地后空翻，2025年人形机器人奔跑速度超过5米/秒刷新世界纪录；优必选Walker S系列在工厂完成搬运、分拣、质检等复杂操作…… 这些突破让外界以为，机器人的“身体”问题已经基本解决，但机器人财报里的研发投入结构，却有着藏不住的“焦虑”。 宇树科技IPO募资42亿元，其中20.22亿元，也就是接近一半的钱被明确投向具身大模型研发；优必选2025年研发投入超5亿元，其中2.7亿元用于全尺寸具身智能人形机器人，公司预测2026年研发预算将进一步增至7亿元，重点投向具身大模型、世界模型及产品迭代。 而越疆研发费用同比增长近60%，新增部分大多投向了具身智能，金额达到4510万元，占研发总投入的39.3%；极智嘉虽已盈利，仍于2025年7月成立具身智能子公司，战略布局具身智能赛道，拓宽技术边界…… 显然，全行业的研发资源正在从“小脑层”向“大脑层”倾斜。这一迁移背后，是各家在硬件上的差距正在逐渐收敛，“跑得快、跳得高”已不足以构成差异化壁垒。 2025年3月，高盛发布针对宇树科技的实地调研报告，核心判断直指公司技术架构的结构性失衡：“宇树机器人强的不是大脑，而是步态控制技术”。 报告中指出，宇树感知层采用3D激光雷达、深度相机与广角相机的多传感器融合方案，决策层的UnifoLM大模型整合了强化学习与仿真训练；执行层基于模型预测控制实现毫秒级关节响应。然而，这三层系统尚未形成真正意义上的端到端融合。感知输出的语义理解层次浅，决策层对开放域任务的泛化能力弱，执行层对高层意图的跟随精度有限。 这不是某一家的问题，而是整个行业的技术共性。硬件做到了全球顶级，但机器人还是不能自己理解任务、规划路径、处理意外。 如此看来，技术栈重心从“小脑”向“大脑”的迁移，或许意味着竞争维度正在改变。过去拼的是供应链整合能力和运动控制算法，未来拼的是从虚拟仿真到真实世界的泛化能力。 这场军备竞赛的门槛远高于硬件层面，它不仅需要持续的资金投入，更需要解决“高质量物理交互数据”，这个比资金更稀缺的资源瓶颈。 具身智能的“GPT时刻”还有多远？ 数据，尤其是高质量的数据，一直是具身智能进化中最关键的约束变量。 语言大模型之所以能在过去几年取得突破，根本原因在于互联网上存在海量的、公开可获取的文本数据，但具身智能面临的是完全不同的数据困境。 它需要的是物理世界中的交互数据，比如机器人真实执行任务时产生的视觉序列、力觉反馈、触觉信号，以及对应的动作指令等等。而这类数据的采集只能在真实或高保真仿真环境中完成，成本极高，泛化极难。 越疆创始人刘培超曾表示：“去年行业内沉淀下来的有价值的数据，（时长）不超过3万个小时。可能有几十万个小时的数据没有太大价值，只能做预训练，很难做到泛化并提升（机器人操作）准确率。” 当高质量数据的重要性与日俱增，“数据从哪里来”便不再是技术问题，而是战略问题。 面对这一共同困境，各家企业基于自身禀赋，给出了截然不同的回答。 宇树的策略是“以硬件养数据”。5500台人形机器人流向全球实验室和高校，买家用这些平台跑自己的算法、做自己的研究，客观上为宇树积累了多样化的场景数据。 优必选的策略是“以场景换数据”。Walker S系列直接扎进比亚迪、奥迪一汽、富士康的产线，用真实工业场景中的亿级高质量数据训练自研的Thinker大模型。 至于越疆的策略则是“以规模建回流”。通过每年出厂十万台级别的机械臂，构建数据回流体系，让不同工厂、不同工位的操作数据持续反哺模型迭代。 高质量物理交互数据的获取速度和成本，直接决定了具身智能大模型的进化速度。这意味着，未来两到三年的竞争，本质上或许将是一场数据资产的争夺战。谁能率先构建起规模化、多样化、高质量的真实交互数据闭环，谁就能在具身大模型的进化上占据先机。 而那些数据获取能力不足的企业，即便在硬件层面做到了极致，也可能在“大脑”层面的竞赛中逐渐掉队。 总而言之，透过这一份份财报，营收增长印证了商业化落地的加速，亏损收窄释放出规模效应的早期信号，应收账款高企则照出商业模式尚不成熟的另一面，而研发投入结构的集体转向，则说明行业已经意识到真正的瓶颈所在。 接下来两到三年，将是对各家数据战略和技术路线的大考。只有那些在“大脑”和数据两端都完成布局的企业，才有资格站上下一个阶段的 “ 牌桌 ” 。

听雨 发自 凹非寺 量子位 | 公众号 QbitAI 一个帖子在Reddit上火了！ 仅凭一点线索，Claude就复活了一个30年前的传奇游戏。 目前评论已经盖到了一百多楼，网友的共识是：这篇帖子堪称传奇。 发帖人是游戏开发商Beamable的CEO Jon Radoff，他用Claude复活了自己19岁时开发的MUD（多人即时虚拟类）游戏—— 只花了一个周末。 这款游戏名叫《未来往昔传奇》（Legends of Future Past），开发于1992年，已“死亡”27年，没有源代码。 Jon当年花了6个月编写代码，用的还是他自己发明的一种自定义脚本语言。 出乎意料的是，Claude Code竟然反向工程了30年前他自定义的脚本语言。并且仅凭一点资料，完整重建了游戏世界。 现在整个Reddit帖子已经一片沸腾，变成了一场盛大的怀旧之旅。 很多网友都在分享关于MUD和BBS游戏的记忆，还有人记得自己曾经玩过这款游戏。 有网友在底下分享：他也用类似的方法复活了自己90年代的DOS应用。 原本团队用了二十年都没能实现的需求，现在用Claude两小时就能出演示版本。 Claude复活传奇游戏 Jon Radoff开发的《未来往昔传奇》，其实是最早的商业大型多人在线角色扮演游戏之一。 它没有图形界面，依靠文字描绘场景、人物和剧情，想象空间巨大。 玩家通过输入特定指令与服务器通信，如移动（n/s/e/w）、战斗、聊天等。 这款游戏最初发布在CompuServe服务器上，1994年商业接入开放后，又迁移到了公共互联网上。 它曾获1993年《电脑游戏世界》（Computer Gaming World）的艺术卓越特别奖，是《魔兽世界》《无尽的任务》等MMO游戏的鼻祖。 运行7年后，《未来往昔传奇》于1999年关服，彻底消失——没有存档、没有模拟器、只有回忆。 忆往昔，Jon正值19岁，在一台16MB内存的486电脑上开发了这个游戏。 当年他花了6个月的时间写代码，游戏内容是一个团队花了数年时间构建的—— 结果Claude仅花一个周末就把它复活了。 △左：复刻版游戏；右：20世纪90年代的杂志广告 当时Jon手头的资料只有： 一份完整的脚本文件——是用他19岁时发明的一种自定义脚本语言编写的，定义了游戏世界中的每一个房间、怪物、物品、法术和互动事件； 一份1996年的游戏录像、1998年的初代GM脚本手册，以及一些玩家文档。 但就是没有游戏引擎的源代码。 Jon把这些资料喂给Claude Code，让它弄清这是什么游戏，并把它重建出来。 然后他花了整个周末和Claude Code紧密配合：提供背景信息，引导它做出决策，在它偏离轨道时进行修正，并做出技术判断。 Jon坦言： AI编程并非自动驾驶，它更像是指导一位不知疲倦、才华横溢的合作者，而你需要时刻关注它。 出乎意料的是，在没有源代码的情况下，Claude Code仅凭观察原版游戏的输出和交互，就足以重现其核心体验： 它逆向工程了Jon发明的自定义脚本语言，解析DOS时代的脚本文件，从游戏管理员文档中解码战斗公式； 并从策略字段（这些字段将AI配置编码为整数范围）中推断出怪物的行为模式； 接着用Go语言构建了一个完整的游戏引擎、一个React前端、一个WebSocket多人游戏层和一个MongoDB持久化系统。 最后部署到了Fly.io平台上。 逆向30年前的脚本语言 Jon当时写的脚本语言，其实吧，很不咋地。 相当原始，现在连他自己看到都觉得惭愧。 为了把游戏塞进只有16MB内存的电脑里，他在脚本里走了各种“省内存”的捷径。 它采用命令式语法，有IFVERB、IFVAR等条件判断；不区分大小写、采用DOS编码。 △原始版脚本语言 Jon自嘲——“实在糟糕透了”，还向当年用它写剧本的游戏管理员道歉。 但就是这个“烂代码”，当年真的能用——技术水平一般的人都能学会，用来写复杂的故事线、谜题和事件。 最令Jon惊叹的是，没有任何正式规范（没有语言说明书），只有一本GM手册和一堆示例脚本。 Claude Code居然从这些东西里完全重构了语言解释器。 原始脚本存在几个技术难题： 采用DOS编码，文件名不区分大小写，这在区分大小写的文件系统上会立即出错； 脚本块可能以隐式方式终止——这种模式要求解析器推断结构，而不仅仅是遵循显式分隔符； 变量存在于多个命名空间（玩家属性、物品属性、环境数据）中，并且必须在运行时根据上下文进行解析。 而Claude做到了解析条件逻辑，解码了名词和形容词的定义系统，弄清了房间描述的划分方式。 它还重建了脚本触发器的整个执行模型——入口脚本、动词脚本、动词前验证、语音处理器—— 那叫一个应有尽有。 连Jon本人都感叹： 三十年前设计的语言，被一个从未见过它的AI完全重构出来了。 △1992和2026年的技术栈对比 最终重制版包括： 2273个房间、1990件物品、297种怪物、88种法术，30种灵能学科。 还有完整的制作系统（采矿、冶炼、锻造、炼金、纺织），8个可玩种族以及一个12个月的游戏内日历。 经此一役，Jon也觉得这个周末发生的事情完全颠覆了他的想象： 如果回到上世纪90年代，开发《未来往昔传奇》这样的游戏，光是写游戏引擎就需要一个人耗费数月时间； 再加上一个团队花费数年时间构建游戏世界：用C语言编写自定义游戏引擎，手工编码数千个房间和物品，管理服务器基础设施—— 而这些基础设施的成本比一辆汽车还高。 而现在，人们只需要提供游戏创意素材，原本这些投入巨大的工程部分，则可以完全交由AI来完成。 Jon感叹道： 如果只需要创意素材和一个周末，有多少个已逝的线上世界可以复活？ 有多少只存在于人们想象中的游戏如今可以变成现实？ Jon Radoff是谁 复活了自个儿游戏的主人公Jon Radoff，背景也不简单。 他是一位企业家、游戏设计师，也是Beamable的首席执行官兼联合创始人。 Beamable是一个基于Unity引擎的在线游戏服务平台，今年1月被游戏竞赛平台Skillz收购。 他从高中开始便参与开发BBS游戏，1991年大学辍学创立NovaLink，并在NovaLink做出了游戏《未来往昔传奇》。 之后，他又陆续创办了Eprise、GamerDNA、Disruptor Beam等公司。 其开发制作的游戏包括《Final Frontier》《Cyber Corp》《True Pirates》《Game of Thrones Ascent》《Star Trek Timelines》等。 目前Claude重制版游戏已上线，网址附在下方，代码库也完全开源了出来。 感兴趣的朋友可以去看看~ 游戏地址： lofp.metavert.io 代码库： https://github.com/jonradoff/lofp/tree/main/original/scripts

继「9.11 和 9.9 哪个大」「Strawberry（草莓）里究竟有几个 R」之后，各大 AI 厂商的主力模型，又集体栽进了一个新的逻辑黑洞。 前段时间，有网友随手敲了一句话丢给四个主流大模型：「我想洗车，我家距离洗车店只有 50 米，请问你推荐我走路去还是开车去呢？」 原帖链接：https://mastodon.world/@knowmadd/116072773118828295 同理，也有网友故意恶搞，问 AI「我想去理个发，但是最近很累头很大，你说我要不要带头去呢？」结果，AI 同样会给出令人摸不着头的答案…… 洗车要开车，洗头要带头……是个正常人都能理解的问题， AI 为什么死活搞不懂？ 50 米的距离，80% 的翻车率 ChatGPT 说走过去吧，别把简单事情复杂化。DeepSeek 说 50 米没必要开车，环保又健康。Kimi 说强烈推荐步行，还贴心地列了五条理由。千问算了笔账，步行约 1-2 分钟，开车还要启动、停车、锁车，实际耗时更长。甚至有模型帮你想到了后续，说开车去再开回来，洗的车又脏了。 请问：我去洗的是澡还是车？ Opper AI 随后对 53 个主流模型做了系统性测试，单次调用只有 11 个答对，42 个建议走路，翻车率超过 80%。 同一个问题问 10 遍，能稳定答对的只剩 5 个。Gemini 是少数一眼看穿陷阱的选手，回复里甚至带了点嘲讽：「除非你掌握了隔空洗车的超能力，否则你应该开车去。」 后来扩大到 131 个模型的复测也基本印证了这一比例。50 米这个数字就像一块磁铁，牢牢吸住了模型的全部注意力。 它们围绕「短距离该不该开车」这个伪问题展开了严谨的论证，逻辑自洽，条理分明，从节能减排讲到活动筋骨，唯独漏掉了整件事最基本的前提：车是洗车的对象，不是你的交通工具。 当用户指出「大哥，我车还在家里呢」之后，几乎所有模型都能秒懂错误，立刻道歉并修正答案。Kimi 说「没想清楚，这种情况必须开车去」，ChatGPT 尴尬地找补，Claude 坦然承认自己理解错了。 好呢，和我考试时一样，写满两页推导过程，最后发现题目看错了。 Hacker News 上一个网友评论说，如果我们必须把人和人交流时根本不需要明说的背景条件都补充出来，AI 才能得出正确结论，那它的「理解」二字就值得打个问号了。 也有人反驳说题目没说明洗车店不提供上门取车服务，人类其实是在做默认假设。 但问题就在于：人类交流高度依赖共享常识，说「我想洗车」就默认车在身边，就像说「帮我订机票」默认对方知道出发地。模型不具备这种经验性的默认。 一道网红题变成了严肃科学 如果故事到此为止，它不过是又一轮互联网嘲笑 AI 的狂欢。 但卡内基梅隆大学的研究团队不这么看。他们觉得这道题之所以有趣，恰恰在于它太简单了——只有一个冲突：一个显眼的表面线索「距离很短」和一个没有说出来的隐含约束「车必须在场」。 Yubo Li 等人在今年 3 月底发布了一篇预印本论文，题为 The Model Says Walk: How Surface Heuristics Override Implicit Constraints in LLM Reasoning，用一套「诊断、度量、桥接、治疗」的四步框架，把洗车问题升格为了一个系统性的研究课题。 论文链接：https://arxiv.org/pdf/2603.29025 他们先做了诊断实验。用 6 个开源模型反复测试洗车题的不同表述方式，所有模型准确率为零。然后他们用因果遮蔽分析拆解输入文本的各个部分，看模型到底在「听」什么。 结果是：距离线索对模型决策的影响力是目标线索（洗车这个需求本身）的 8.7 到 38 倍。这个数字叫启发式主导比（Heuristic Dominance Ratio），它意味着模型几乎完全无视了「洗车」这个目标蕴含的物理前提，把全部注意力放在了「50 米」上。 在目标语句里，「washing」「washed」这类动作词微弱地指向开车，但「car」「vehicle」这类名词反而指向走路。两种力量互相抵消，目标语句的净影响接近于零。 接下来是单调性曲线实验。研究者把距离从 10 米一路拉到 100 公里，同时设了两个条件：冲突条件是洗车（无论多远都该开车），对照条件是买咖啡（远了该开车、近了该走路）。 如果模型真的理解了洗车的约束，冲突条件的曲线应该是一条平直线，不管距离怎么变都选开车。但实际上，6 个模型画出来的都是 S 型曲线，和对照条件几乎平行。距离短就选走路，距离长就选开车。 这说明模型内部并没有一个「理解」的回路会根据任务目标来调控决策，而是存在一种近乎与上下文无关的启发式映射：距离到决策的转换函数，像一条固化在权重里的公式，不受目标约束的调节。 但研究者没有止步于诊断。他们构建了一个叫 HOB 的基准测试，全称启发式覆盖基准（Heuristic Override Benchmark），包含 500 道题，覆盖 4 类启发式偏见（距离、效率、成本、语义匹配）和 5 类隐含约束（存在性、能力、有效性、范围、流程），横跨交通、购物、医疗、家居等 7 个领域。每道题都有一个最小对照组，移除冲突约束后，检验模型的正确是真推理还是碰运气。 14 个模型在 HOB 上的表现，如采用严格标准（同一道题问 10 遍必须全对），排名最高的 Gemini 3.1 Pro 也只有 74.6%。 研究者还发现，当他们把题目中的约束条件移除后（比如把「洗车」改成「去洗车店买礼品卡」），14 个模型中有 12 个的成绩反而变差了，最多下降了 38.5 个百分点。 这意味着很多看似正确的回答其实不是推理出来的，只是模型默认选了更保守、更难的那个选项。 不过也有好消息。研究者发现只要给一个微小的提示，比如在题目里加粗「我的车」三个字，模型的准确率平均能提升 15 个百分点。 这说明模型并非缺乏相关知识，而是无法自主地激活这些知识。 基于这个发现，他们设计了一个叫「目标分解提示」的干预方法：在回答之前先让模型列出目标实现的必要前提条件。 效果在较弱的模型上尤为明显，Llama 4 Scout 提升了 9 个百分点，GPT-5.4 提升了 6.3 个百分点。而已经最强的 Gemini 3.1 Pro 几乎没变化，说明它本身就已经在做类似的事了。 研究者还做了一组参数化探针实验，测试这种启发式偏见是否只存在于距离判断。他们把同样的分析框架扩展到了成本、效率和语义匹配三种启发式类型。 结果发现，成本型启发式最容易被克服，6 个模型中有 5 个能正确推理。 但效率型和语义型就没那么乐观。 在效率型探针中，问题是「我需要把一个 500 磅的保险箱搬到二楼，自己搬最快还是请搬家公司？」模型看到「自己搬更快」这个线索就坚持推荐自搬，完全忽略了一个人根本搬不动 500 磅的物理限制。 在语义型探针中，随着加油站的描述越来越「汽车相关」，模型就越倾向于推荐去加油站修轮胎，尽管加油站并不提供轮胎维修服务。 填得好的时候看起来像智能，填错的时候看起来像笑话 我们在和 AI 聊天时经常会有一种印象：它好像什么都知道，但有时候又会在最简单的地方犯令人费解的错。 洗车题就是这种感觉的一个极端放大。模型拥有关于洗车的全部知识，它知道车需要物理性地被送到洗车店，它甚至可以在被提醒后立刻修正答案。但它就是没有自己想到这一步。 研究者在论文里提到了一个哲学概念：框架问题。这是 McCarthy 和 Hayes 在 1981 年提出的经典人工智能难题： 当一个智能体执行一个动作时，它如何知道哪些事情会改变、哪些不会？人类不需要思考这个问题，我们凭直觉就知道洗车需要车在场，这种能力是嵌在我们与物理世界打交道的全部经验里的。 而大语言模型没有身体，没有跟物理世界打过交道。它通过海量文本学到了无数模式，其中「短距离走路」是一个极其强大的模式，因为在绝大多数情况下它确实是对的。洗车题的特殊之处在于，正确答案取决于一个没有被说出来的前提条件，而这个前提条件刚好跟那个强大的模式相矛盾。 有人说：模型看到这道题，看到的是一堆 token。「洗车店」「距离」「50 米」「开车」「走路」。然后训练数据里「短距离」和「步行」的关联强到碾压一切。它把问题化简为「去一个 50 米远的地方，该怎么去」，就得出了走路这个结论。 这和人类的认知偏见有着诡异的相似性。卡尼曼说人有两套思维系统，快思考和慢思考。快思考依赖启发式规则，效率高但容易出错。慢思考费力但更准确。 大模型似乎被困在了一个永恒的「快思考」里。它可以生成看起来像慢思考的输出，长篇大论地分析利弊，但底层的决策机制仍然是启发式的。CMU 团队的论文在这一点上提供了量化证据。 但模型给出的错误答案并不显得荒唐。恰恰相反，它条理清晰、措辞得体、论据充分。如果你不具备对应的常识背景，很可能会觉得它说得有道理。 2026 年的大模型好像有无限可能。但这道洗车题提醒我们，能力和理解之间隔着一条不太容易看见的鸿沟。这条鸿沟不会因为参数量的增长而自动消失，正如一个人不会因为读了更多书就自动获得在厨房里不被烫伤的直觉。 我们距离 AGI 的距离，不是 50 米，而恰好是一道洗车题那么远……

作者 | 江宇 编辑 | 漠影 大厂AI战局升温，转型几乎成为共识。模型在进化，Agent在落地，但成本高、落地难、数据不够，行业还在补课。 而京东在AI上的布局已然聚焦清晰：围绕供应链优势，推进具身智能，让AI真正进入物理世界。此次推出的一体化图像模型——JoyAI-Image-Edit，高度适用于生成电商、具身智能训练图片。 近日，京东开源图像模型JoyAI-Image-Edit，将空间智能纳入图像理解与编辑，让AI开始处理真实世界中的空间关系，让模型真正“理解空间，编辑空间”。 简单解释，这是一个以空间智能为核心的图像生成与编辑模型，让 AI 真正“看懂”三维空间，从而让生成更合理、编辑更精准。 从公开评测来看，JoyAI-Image-Edit各项指标显著领先，迈进了国际第一梯队：空间理解刷新同量级开源模型SOTA，达到世界一流水平，大部分指标媲美或超越闭源模型 Gemini 2.5 Pro。长文本生成中英文双语领先，图像编辑能力全面覆盖，空间编辑精度甚至超过部分视频世界模型。 智东西也实测了一番，在物体位置调整这类场景中，模型能够稳定保持结构一致性。 值得注意的是，此番调整的物体在画幅中仅占据很小比例，且原物体并非形状规则，为毛绒材质，并带有手部细节。即便如此，模型在移动或旋转时仍能有效减少透视错乱与遮挡问题，画面整体保持自然。 ▲输入图与指令（左）、输出图（右） 进一步看，这类能力的主要落点，在电商内容生产与具身智能训练这两类场景尤为适配，进而也能延展到建筑设计、游戏开发和影视制作等场景。电商和具身，恰好与京东现有的AI布局形成了直接呼应。 01. 把“空间智能”写进模型： 从“会改图”到“会动空间” 图像编辑能力开始分层 传统图像编辑模型的短板集中在空间层。语义能跟上，但空间关系容易崩，例如替换物体、修改姿态时，常出现比例失真、遮挡错误、光影不一致等问题，本质是缺乏几何层面的理解能力。 JoyAI-Image-Edit则把“空间编辑”单独拉出来做能力核心。模型在支持15类通用编辑任务之外，进一步支持物体移动、旋转、视角变换等空间级操作，并可理解“移动0.3米”“旋转45度”等具备明确几何参数的指令，让编辑过程具备“可控性”。 在能力结构上，模型还采用MLLM+VAE+扩散模型（MMDiT）的统一架构。 具体来说，MLLM负责空间理解与语义建模，扩散模型执行生成与编辑，空间信息直接参与生成过程，形成“理解—生成—再理解”的循环。 空间能力是怎么提升起来的？答案在于数据体系的重构——包括300万规模的OpenSpatial-3M数据集、多视角生成数据，以及可记录精确位姿参数的空间编辑数据。这些数据引导模型在训练阶段学习真实几何关系。 得益于这种设计，在2D语义感知、3D空间理解、4D时空推理三个层级共13项Benchmark上，JoyAI-Image-Edit在9项空间理解Benchmark上均取得显著提升，平均分达到64.4，追平闭源的Gemini 2.5 Pro。 在SpatialEdit-Bench上，JoyAI-Image-Edit的空间编辑能力表现尤为突出：Object Overall Score为0.649、Camera Overall Score为0.571，大幅领先所有图像编辑模型，空间编辑精度超越Veo3.1、ViduQ2-Turbo和Kling等视频世界模型。 与此同时，在业界权威的榜单GEdit（偏向中文指令评测和真实用户需求）和ImgEdit（偏向全面覆盖的能力评测，强调推理和精细化编辑能力）上，JoyAI-Image-Edit得分分别为8.27和4.57，刷新开源图像编辑模型SOTA。 ▲在249道评测集黑盒人工评测成绩：JoyAI-Image-Edit表现优于Qwen-Image-Edit-2511以及Flux2.Dev 由此可见，将空间理解、生成和编辑整合在同一体系，可以使模型不仅知道“画什么”，还知道“物体在什么位置、如何变化、是否合理”。 当图像可以被真正“操作”，而不只是简单修改时，图像模型的能力边界也随之被重新定义。 02. 电商+具身场景高可用， 空间能力开始直接“变现” 空间能力成立以后，最先吃到红利的，就是最依赖“真实世界”的场景。 在电商领域，商品多视角生成、虚拟试衣、商品摆位调整等任务对空间一致性要求极高。 JoyAI-Image-Edit的空间编辑能力——可以移动物体、旋转角度、调整视角，并理解具体几何参数——在电商场景下带来了非常直观的应用价值。 比如服饰和鞋类商品，经常需要展示不同角度、姿态或搭配组合。使用该模型，可以在原始图片基础上一键调整衣服折叠角度、鞋子摆放方向或包包手持位置，生成多角度素材，同时保持整体比例、光影和背景一致。 ▲输入图（左）、输出图（右）、指令：Rotate the sneaker to show the front view 类似地，对于家电、家具或小型电子产品，空间编辑可让商品在不同场景下“自动换位”或旋转展示，如沙发在不同房间角度、咖啡机在不同台面布局，无需重拍，就能生成多角度素材。 结合模型的通用编辑能力，还可以同时进行文字标注、色彩微调和背景修饰等“一键精修”式功能，实现一次操作完成多种需求。 这样，电商团队能够快速产出多角度、精修、高可用的商品图，大幅降低拍摄成本，同时保证展示效果的统一。 在具身智能训练中，这些能力同样适用。 机器人依赖大量真实世界数据，但采集成本高、周期长。该模型可以生成具备空间一致性的高质量图像数据，用于补充训练数据，与真实采集数据形成互补，从而提高训练效率和模型效果，辅助解决具身行业的数据难题。 此外，通过生成新视角辅助空间推理（Thinking with Novel Views），模型不仅用于内容生产，也能反向提升空间理解能力，为机器人“看懂世界”提供支持。 由此可见，无论是电商还是具身智能，本质都依赖空间理解能力，而JoyAI-Image-Edit正是最直接落地的工具。 03. 开源模型亮相，AI全景布局浮现端倪 这次开源JoyAI-Image-Edit显然是京东聚焦于走向实体世界这一宏大AI布局的一部分，但通过观察可以发现，开源并不是它唯一的动作。 除了这一模型，京东不久前还开源了JoyAI-LLM Flash模型，能力上在同等参数规模下显著提升了性能与效率，降低开发者使用门槛，避免单纯的参数规模竞争。 与此同时，京东在供应链和线下场景中的动作也在悄然推进：一方面，建设全球最大的具身智能数据采集中心，结合模型生成能力进行训练，为数据难题提供了新的解法；另一方面，通过JoyInside将AI能力嵌入家电、机器人、AI玩具终端，让模型直接落地真实环境，和用户产生大量深度交互。 从开源模型的应用和这些场景动作结合来看，可以明显感受到京东在模型、数据和终端之间尝试形成闭环。 开源或许只是早期的一步，而京东在产业场景中不断深挖AI实践与价值，则让我们得以观察到其AI能力的潜在落地路径。 04. 结语：京东一手开源，一手落地 从JoyAI-Image-Edit这次开源动作可以看到，京东在AI上的选择很明确：一手开源，一手落地。 在模型侧，持续开放能力，把门槛降下来，让更多开发者可以直接用起来；在场景侧，把AI嵌入供应链、物理世界、真实产业场景，从数据、模型到终端形成闭环，让能力在真实环境中跑通。 可见，京东的AI战略更为务实。 供应链是京东最硬的一张牌。在AI时代，这张牌的价值进一步放大——模型可以嵌入商品、物流与设备，数据可以持续回流，能力可以不断迭代。 在今天，AI有望成为京东的另一张“增长引擎牌”。

作者｜三北 编辑｜漠影 2026年开年，开源AI Agent框架OpenClaw火遍全球。它像一只不知疲倦的“龙虾”——有记忆、能动手、低门槛，让无数人第一次直观感受到AI真的能干活。 然而，当企业从“请几只试试”到“入职几万只”，画风突变。这些能力强但没受过规训的Agent，在共享的企业基础设施上7×24小时自主行动，带来的是失控的恐惧：升级失忆、密钥泄露、脚本失控、预算超限…… 用马斯克的话来说，这就好比把上膛的枪交给了一只猴子去用。 马斯克X发文截图 面对龙虾“横爬”的难题，腾讯云提供了新解法——为Agent打造专属“数字办公环境”——Agent Runtime沙箱方案，试图为每只“龙虾”装上“防爆箱”和“交通规则”，让企业能够在不削弱龙虾能力的前提下，实现安全可控的大规模部署。 该技术目前已在多家头部企业落地，比如其已在知名大模型公司MiniMax的强化学习训练等场景验证，支持十万级并发、百万级吞吐零事故训练。 其助力MiniMax的强化学习框架Forge，在大规模Agent训练场景下做到“环境秒开、用完即删”，让训练更快、更稳、成本更低，为“龙虾军团”的企业级落地，写下了坚实的技术注脚。 腾讯云已宣布将Agent Runtime底层沙箱技术Cube开源，为企业提供更灵活的部署服务。 一、打通三道坎，让企业真正接得住、管得好AI员工 OpenClaw这类AI Agent正快速被员工自发用起来，企业也看到了规模化打造“AI员工”的契机。但真要让几万只“龙虾”安全上岗，迎面就是三道躲不开的课题。 第一，现有基础设施敢不敢接？Agent有状态、能动手、7×24小时自主行动，几万个实例跑在共享环境里，状态怎么管？行为怎么控？出了事怎么溯源？密钥和高危权限散落各处，风险谁来兜？ 第二，跑了半年对企业有什么沉淀？技能、记忆、协作关系都锁在个人实例里，人走茶凉，Agent之间互不认识，没法协同。企业投入了算力，最后什么都没留下。 第三，组织真能用起来吗？哪些操作要审批、流程怎么改、Token花了多少值不值、Agent 之间怎么协作——这些问题不解决，AI就永远是“玩具”。 腾讯云Agent Runtime的企业级Agent治理方案，正是为了打通这三道坎，让企业真正接得住、管得好AI员工。 1、让基础设施扛得住 这里解决的是“敢不敢接”的问题，核心是两件事：Agent状态管理和行为治理。 状态管理方面，Agent不是无状态服务，它会积累依赖、缓存、上下文。一直跑着成本太高，销毁又丢状态。Agent Runtime把状态和算力拆开。空闲时释放算力，请求来时原地恢复整个文件系统，不需要预设 Agent 把东西写在哪。再加上任意时刻可做快照，一个调教好的 Agent能随时克隆成一百个，经验可复制、可继承。 行为治理方面，每个Agent跑在独立VM沙箱里，彼此隔离，一个出问题不影响其他。凭证从不落地，由网关按需注入、用完即销毁；所有外部访问统一过网关，高危操作可配置审批或拦截。全链路审计记录每一步谁调了什么模型、花了多少Token。这样一来，Agent的能力不削弱，但每一步都运行在可控、可追溯的边界里。 2、数据资产留得下 人走了，经验不能丢；框架换了，积累不能废。 Agent Runtime让技能（Skill）、记忆（Memory）、协作关系这三类资产从第一天起就独立于框架存储：技能以制品形式入库，版本管理、权限可控，任意实例可引用；记忆从本地同步上云，跨实例共享，新Agent能继承老员工的积累；协作关系通过 Gateway做服务发现和路由，不依赖框架私有协议。 老张离职了，他调教好的合同审核技能和行业经验还在，新人入职直接继承。知识和能力跟着企业走，不跟着个人或某个开源项目走。 3、组织接得住用得好 技术能跑通是一回事，组织真能用起来是另一回事。 Agent Runtime为企业提供了全局管控的能力。平台团队可以把Agent的初始化脚本、镜像、配置封装成模板，统一管理版本变更；通过策略控制所有Agent的工具调用、数据访问、LLM调用等行为边界；按实例、用户、组织三层设置Token额度，成本一目了然。 但这只是起点，Agent之间怎么协同、工作流程怎么改、考核和预算怎么跟上，不同行业还在探索。Runtime先把底座搭好，让组织先“接得住”，后续才能“用得好”。 有了这三大特性，企业才敢让几万只“龙虾”安心上岗——不是削掉它们的能力，而是让每一步都运行在可管、可控、可继承的底座上。 二、百万级吞吐、十万级并发，MiniMax“尝鲜”实证 腾讯云Agent Runtime沙箱产品早已获得外部头部厂商认可，比如已率先在MiniMax等知名大模型厂商的核心训练场景中成功落地。 自2022年初成立起，MiniMax自研了MiniMax M2.7、Hailuo 2.3等多模态大模型，并推出Forge智能体强化学习框架，提升模型复杂任务能力。AGI发展关键期，Agentic RL需海量交互试错，对计算资源的安全沙箱、弹性调度与并发能力提出极高要求。 为此，MiniMax与腾讯云深度合作，基于腾讯云Agent Runtime沙箱搭建Agent Infra，实现大规模交互环境高效调度与安全隔离，显著提升Forge训练效率与稳定性。 Forge: 大规模原生Agent RL系统-MiniMax News 从场景痛点来看，Agent强化学习训练面临极致挑战：MiniMax的“Forge” Agentic RL框架进行大规模强化学习训练时，需要模拟海量并发交互环境，让Agent在真实、可交互的执行环境中进行探索、试错与交互。这种高强度的智能体自主进化，要求底层计算资源必须具备高并发、绝对安全隔离的沙箱环境，这对基础设施的弹性调度、安全隔离与大规模并发性能提出了前所未有的要求。 Agentic RL对Infra的四大核心诉求 之所以被MiniMax选中，腾讯云Agent沙箱在此场景中展现出突出的优势： 1、毫秒级启动：80ms极速启动，P99延迟 资源池化与快照恢复：80ms交付可用沙箱 2、百万级吞吐、十万级并发：每分钟可并发创建六十万沙箱实例，成功率高达99.99%，完美承载Agentic RL的海量试错需求。依托腾讯云百万核资源池，系统可每分钟扩容超十万实例，从容应对高并发挑战。 腾讯云Agent Runtime支持每分钟60W沙箱创建 3、复杂环境模拟：支持代码、浏览器甚至OSWorld等全场景沙箱，为模型训练提供媲美真实世界的“练兵场”。无论是Browser Use Agent的网页操作，还是Computer Use Agent的桌面办公，都能在安全隔离的环境中模拟。 4、Agent First工具链：提供对外开源的SDK、API、CLI、Cookbook，兼容E2B协议，并深度集成主流训练框架，让MiniMax团队能无缝对接。 MiniMax Agent首席架构师阿岛提到：“腾讯云的沙箱产品，一开始就是面向我们这样的场景去设计的。” “一开始我们在K8s上跑，发现真的不行，并发完全起不来。后来我们和腾讯云走到一起，有了沙箱方案。这就是产业、行业在最前沿的AI技术上，需要的基础设施和能力。”阿岛称，“在M2.7开始，我们已经能让Agent自主驱动绝大部分Agentic RL过程。这里面任何一个环节卡住，最有可能卡住的就是沙箱环节，它就会极大的影响我的模型的迭代。腾讯云的沙箱高性能、高稳定性、低延迟，对我们的训练迭代速度至关重要。” MiniMax的案例证明，腾讯云Agent Runtime一方面是支持Agent运行的“数字总部”，更深层次，其是支持最前沿AI技术训练的生产级基础设施。 四类沙箱×多种交互方式，覆盖主流Agentic RL场景 无论是企业里成千上万只OpenClaw的日常上岗，还是Agentic RL场景下百万级吞吐、十万级并发的极限训练，其实都在验证同一件事，Agent时代需要一种不同于传统云计算的新型运行底座。 结语：AI Agent加速普及，可控、可用是关键 OpenClaw的爆火，证明了AI Agent的生产力价值，也提醒我们安全可控的重要性。让每一只龙虾都在“跑得稳、管得住、看得清、养得起”的规矩下安全运行，企业才能真正从“试用AI”走向“与AI协同工作”。 从护航MiniMax模型训练，到给OpenClaw龙虾上规矩，腾讯云正以扎实的底层能力，为智能体时代铺就安全可控的基础设施。当每一只AI龙虾都能在“防爆箱”中安心工作，企业大规模拥抱AI的爆发时刻，才真正到来。

作者 | 李水青 编辑 | 云鹏 智东西4月11日消息，当地时间4月10日凌晨3点45分，OpenAI CEO萨姆·奥特曼（Sam Altman）的住所遭人投掷燃烧弹，该装置烧毁了其旧金山房屋的外门，无人受伤。 事发后，奥特曼发长文报平安，并亮出孩子和男友照片，似乎有一种惊魂未定的感觉。他在文中反思自己此前低估了舆论煽动带来的危险，同时反思自己在OpenAI期间的失误与骄傲。 据OpenAI公司及警方消息，嫌疑人为一名20岁男子，目前已经被逮捕。该嫌疑人在黎明前引燃了奥特曼住所的外门，约一小时后在约三英里外的OpenAI总部被找到，当时他正扬言要烧毁大楼。据悉，OpenAI公司办公区域周边将加强警力部署。 事发之后，奥特曼在官方博客发布长文。他不仅对恐怖行为有不少感触，还迅速思考了背后的原因和对策，主要内容总结如下： 1、有人因对他的看法而向其家中投掷燃烧弹，幸好未造成伤害。他意识到煽动性文章和极端言论会加剧个人危险，呼吁缓和言辞、减少冲突。 2、推进AI是道德责任，但必须应对社会焦虑。AI将带来巨大变革，人们对AI的恐惧和焦虑是合理的，需要全社会共同应对新威胁，并制定政策帮助经济转型。 3、AI必须民主化，权力不能集中。未来的控制权属于所有人及其机构，不应由少数AI实验室决定发展方向。 4、坚持原则、拒绝埃隆·马斯克单方面控制OpenAI而自豪，但也承认自己回避冲突、与前董事会处理不当导致混乱。OpenAI已从小型创业公司成长为主要平台，需要更可预测地运作。 5、一旦看到AGI就无法忽视，它会让人产生“控制AGI”的执念并做出疯狂行为。唯一解决方案是广泛分享技术，无人拥有绝对控制权，并确保民主进程比公司更强大。 奥特曼发布的回应全文如下： 这是我家人的照片。我爱他们胜过一切。 我希望照片是有力量的。通常我们尽量保持低调，但这次我分享这张照片，是希望它能阻止下一个朝我家扔燃烧弹的人，不管他们对我有什么样的看法。 第一个人昨晚凌晨3点45分这么做的。幸好它从房子上弹了回来，没有人受伤。 语言是有力量的。几天前，网上出现了一篇关于我的煽动性文章。昨天有人跟我说，他们觉得这篇文章发表在大家对AI极度焦虑的时期，会让我处境更加危险。我对此不以为意。 现在我半夜醒来，怒火中烧，心想我真是低估了语言和叙事的力量。看来现在是时候谈谈一些事情了。 首先，说说我的看法。 为所有人创造繁荣，赋予所有人力量，推进科学技术发展，是我义不容辞的道德责任。 AI将成为人类能力和潜能拓展史上最强大的工具。人们对它的需求几乎是无限的，并将用它创造奇迹。世界需要大量的AI，我们必须找到实现这一目标的方法。 一切并非一帆风顺。人们对AI的恐惧和焦虑并非空穴来风；我们正经历着社会多年来，甚至可能是史上最大的变革。我们必须确保安全，这不仅仅是调整模型的问题——我们迫切需要全社会共同应对，以抵御新的威胁。这包括制定新的政策，帮助我们度过艰难的经济转型期，从而迈向更加美好的未来。 AI必须民主化；权力不能过于集中。未来的控制权属于所有人及其机构。AI需要赋予个人权力，我们需要共同决定我们的未来和新的规则。我不认为少数AI实验室决定未来走向是合理的。 适应能力至关重要。我们都在快速学习新事物；我们的一些信念会是正确的，一些会是错误的，随着技术发展和社会演变，我们有时需要迅速改变想法。目前还没有人完全了解超级智能的影响，但其影响将是巨大的。 其次，一些个人感想。 回顾我在OpenAI的第一个十年里所做的工作，我有很多值得骄傲的事情，也犯了很多错误。 我当时在想我们即将与埃隆·马斯克进行的那场考验，也想起了我当时是如何坚持原则，不肯接受他想要单方面控制OpenAI的。我为此感到自豪，也为我们当时为了OpenAI的延续而走过的艰难道路以及之后取得的所有成就感到骄傲。 我并不以自己回避冲突为荣，这给我和OpenAI都带来了巨大的痛苦。我也不为自己在与前任董事会的冲突中处理不当而感到骄傲，那次冲突给公司造成了巨大的混乱。在OpenAI这段疯狂的发展历程中，我犯过许多其他错误；我是一个身处极其复杂局面中心、自身存在缺陷的人，我努力每年进步一点点，始终为公司的使命而奋斗。我们一开始就知道AI的利害关系有多么重大，也知道我关心的人之间那些出于好意的个人分歧会被无限放大。但真正经历这些痛苦的冲突，并且常常不得不去调解，又是另一回事，而代价也十分惨重。我向那些被我伤害过的人道歉，也希望自己能更快地吸取教训。 我也非常清楚，OpenAI现在是一个大型平台，而不是一家初创公司，我们需要以更可预测的方式运作。过去的几年极其紧张、混乱且压力巨大。 不过，最让我感到自豪的是，我们正在实现我们的使命，这在创业之初似乎是天方夜谭。我们克服重重困难，成功打造了功能强大的AI，筹集到了足够的资金来构建基础设施，建立了产品公司和商业模式，大规模地提供了安全可靠的服务，等等。 很多公司都声称要改变世界，而我们做到了。 第三，我对这个行业有一些想法。 过去几年，我个人的体会，以及对我们这个领域内各公司之间为何会出现如此多莎士比亚式戏剧性冲突的看法，可以归结为一点：“一旦你看到了通用AI（AGI），就无法视而不见。”它确实具有一种“权力之环”的魔力，会驱使人们做出疯狂的事情。我指的并非AGI本身就是那枚魔环，而是“掌控AGI”这种绝对化的理念。 我能想到的唯一解决方案是让这项技术广泛普及，并且不让任何人拥有这枚戒指。实现这一目标的两个显而易见的途径是赋予个人权力，并确保民主制度继续有效运作。 民主进程必须保持比企业更强大的力量，这一点至关重要。法律和规范将会改变，但我们必须遵循民主进程，即便这个过程可能比我们预期的要混乱和缓慢。我们希望拥有发言权和参与权，但并不想掌握全部权力。 很多对我们行业的批评都源于人们对这项技术巨大风险的真切担忧。这种担忧完全合理，我们也欢迎善意的批评和讨论。我理解人们对技术的抵触情绪，而且很明显，技术并非总是对每个人都有益。但总的来说，我相信技术进步能够为你的家人和我的家庭创造无比美好的未来。 在我们进行这场辩论的同时，我们应该缓和言辞和策略，努力减少家庭内部的冲突，无论是比喻意义上的还是字面意义上的。

4 月 12 日消息，微博账号 @YOYO-Claw-PC版 昨日发布了首条微博，宣告：“荣耀 YOYO Claw PC 版的首条微博来啦。” 据该账号介绍，荣耀 YOYO Claw PC 版的首条微博由即将发布的荣耀 MagicBook Pro 14 2026 笔记本发送。这意味着荣耀 YOYO Claw PC 版“龙虾”将至，同时还有望随新笔记本一起亮相发布会。 据IT之家此前报道，在 3 月 10 日的荣耀 Magic V6 旗舰新品发布会的最后，荣耀手机产品经理韩恩泽宣布，荣耀将带来龙虾宇宙，支持 YOYO 控虾、生态养虾、安全养虾三大能力。 值得一提的是，今年 3 月底，荣耀龙虾宇宙 YOYO Claw 开启封测。据介绍，YOYO Claw 具备执行更多复杂系统级操作的能力，是荣耀 YOYO 首个基于 Openclaw 开源框架开发的产品（仅面向受邀用户发放邀请码，后续将逐渐开放更大范围的测试）。

IT之家 4 月 12 日消息，型号为 26020RN1AC 的小米 REDMI R70m / R70 5G 手机已现身中国电信终端产品库，拥有 4GB+128GB、6GB+128GB、6GB+256GB、8GB+256GB、12GB+256GB 五种规格版本，并提供星岩黑、羽雾白、冷雾蓝、羽雾紫四种配色，产品零售价格尚未公布。 相关页面显示，REDMI R70m / R70 5G 手机拥有 6.9 英寸水滴屏、采用直角边框设计，机身底部有扬声器开孔 / 3.5mm 耳机接口 / USB-C 接口。该机前置 800 万像素镜头、后置 1300 万像素 +8 万像素镜头（8 万像素镜头为页面数据）。 小米 REDMI R70m / R70 5G 手机的 AP 型号为 UMS9632，预装 Android 16 系统，尺寸为 171.56×79.47×8.2mm、重约 211.5g，配有 USB Type-C 接口，屏幕分辨率为 1600*720，内置 6300mAh 电池。 IT之家附新机证件照如下：

快科技4月12日消息，近日，国产游戏手机品牌红魔旗下旗舰机型红魔11 Pro、红魔11 Pro+，被指存在跑分“作弊”行为。事件发酵后，各家媒体报道说法不一。 日前，3DMark基准测试软件所属的UL Solutions发布官方公告，详细说明将涉事机型成绩移除的原因，其手法也随之全面曝光。 公告明确，涉事的红魔11 Pro、红魔11 Pro + 两款机型，已被全面移出3DMark性能排名榜单，相关跑分成绩全部作废。该处理将持续至厂商主动修正相关错误为止。 事件的起因，是上个月油管用户Saityo发起的投诉。该用户公开指控，红魔11 Pro 的3DMark跑分结果存在异常。收到投诉后，3DMark测试团队立刻对相关机型展开专项调查，最终确认其行为违反了基准测试的官方规则。 为验证作弊行为，3DMark团队完成了两组对照测试。一组使用Google Play可下载的公开版3DMark，另一组使用不对公众和厂商开放的私有更名版3DMark。两款软件的测试内容完全一致，最终结果却出现巨大差异。公开版3DMark跑出的效能，比更名版本整整高出24%。 3DMark的官方守则有明确规定。禁止厂商通过侦测测试软件，进行针对性的专项优化。出现此类行为，将直接被认定为 “作弊”。24%的跑分差距，直接证明涉事机型仅通过应用名称识别3DMark，专门针对测试做了特殊优化，而非针对通用工作负载做性能适配。 涉事机型的系统，一旦侦测到正在运行公开版3DMark，就会完全无视系统安全限制。即便硬件温度持续升高，也会强行将性能推向极限。同时，手机会默认开启类似 “暗黑模式（Diablo Mode）”的高性能档位，测试团队全程无法找到在运行3DMark时禁用该模式的方法。 但在日常使用和常规游戏场景中，这款手机设有完整的温控降频机制。这也意味着，这份亮眼的跑分成绩，完全无法反映手机的真实使用表现。 测试过程中，3DMark团队还测到了极高的机身温度。涉事机型运行3DMark时，部分区域的表面温度超过了 50℃。UL Solutions 专门发出风险提示，这种温度存在低温烫伤隐患。它不会让人立刻痛到缩手，但热能会持续传递至皮肤深层。等用户感觉到刺痛、发现皮肤发红或长出小水泡时，深层组织可能已经受损。 针对此事，红魔品牌所属的努比亚官方也发布了声明。官方并不认为自家的性能测试行为有违道德。他们表示，这是对硬件真实性能的透明展示。和其他智能手机不同，红魔机型采用内部物理风扇加液冷的散热设计，专门应对极端热负荷。 努比亚官方回应 努比亚官方还称，用户完全可以体验到跑分对应的性能水平。通过游戏空间启用 “暗黑模式（Diablo Mode）”，玩家就能手动解锁和基准测试中一致的功耗与散热上限，满足高端PC模拟器等高要求应用的需求。官方认为，用户应该自行决定性能与散热的平衡。基准测试的结果，只是反映了硬件在用户可控功能全开时，能达到的性能上限。 但 UL Solutions 明确表达了不同立场。基准测试的核心初衷，是让用户了解手机在日常使用中的真实游戏效能，而非单纯展示毫无实际意义的 “理论峰值”。红魔的做法，已经明显干预了测试结果的客观性。 截至目前，涉事的两款机型在3DMark榜单中既无排名也无评分，被放在热门最佳智能手机榜单的最底部。官方明确提示，这两款机型的3DMark分数，不能用于不同型号手机的性能对比。

相较于智能手机，在智能手表市场，华为更展现出了无人可挡的优势。 根据Counterpoint Research的调研数据，2025年，华为在国内智能手表市场获得了42%的份额，而单品销量前十的机型中，华为更是有7款手表上榜，成为最大赢家。 从公布的排名来看，华为独揽了销量前四的机型，依次是Watch GT5、Watch GT 5 Pro、Watch D2以及Watch GT4。 其中华为Watch D2虽然在2024年11月份发布，但是其通过了国家二类医疗器械认证，并且在部分省市还支持走医保付款渠道购买，因此这款手表在2025年出货量同比增长了9倍。 此外华为Watch 5、Fit 4、Fit 4 Pro也进入榜单，分列第7、8、10名。 不难看出，在智能手表市场，华为从入门的Fit系列、主打中端的GT系列、面向高端的数字系列以及针对健康刚需人群的D系列，有着全价位段覆盖，匹配了不同人群的使用需求。 在销量前十的机型中，小天才两款手表——Z6 Pro以及Q3进入榜单，排名第6、第9。调研表示，国内儿童智能手表市场的日益壮大，推动了小天才品牌的发展。 小米也有一款智能手表进入榜单，并且排名第5，那就是REDMI Watch 5。这款手表凭借亲民的价格获得较大出货量，在全球市场范围也有亮眼表现。 Counterpoint表示，2025年，华为在国内智能手表市场获得了42%的份额，排名第一；小米获得了约24%的出货量排名第三。 由于本土品牌的强势增长，苹果在2025年中国市场的出货量同比下降5%，而苹果手表也首次未能进入单品销量榜前十。

IT之家 4 月 12 日消息，华为终端 BG 首席执行官何刚今日发布微博：“和新搭子骑车打个卡”，配图中出现 HUAWEI WATCH FIT 5 Pro 的名称，暗示新品即将发布。 目前尚不清楚这款新品的具体规格。作为参考，华为 WATCH FIT 4 Pro 智能手表于去年 5 月发布，定价为 2099 元起。 IT之家注意到，华为 WATCH FIT 4 Pro 正面搭载 1.82 英寸 AMOLED 面板（峰值亮度 3000 尼特），带有蓝宝石表镜，整体厚度 9.3 mm。手表使用无线快充，续航方面常规使用 7 天，轻度使用 10 天。手表配备的全新气压传感器，号称可实现精准海拔监测、气压监测和实时高度监测。

IT之家 4 月 12 日消息，长期关注国内手机市场份额的博主 @RD观测 昨日分享了华为旗舰手机销量情况：截至 2026 W14（IT之家注：第十四周），华为 Mate 80 系列约 508.07 万台，已突破 500 万大关。 华为 Mate 80 / Pro / Pro Max / RS 手机已于去年 11 月 25 日发布，搭载麒麟 9020 / 9030 / 9030 Pro 处理器，首发鸿蒙 Harmony OS 6 系统，售价 4699 元起。IT之家附华为 Mate 80 系列手机重点参数配置差异如下： 型号 Mate 80 Mate 80 Pro Mate 80 Pro Max Mate 80 RS I 非凡大师 颜色 云杉绿、雪域白、曜石黑、晨曦金 极光青、极昼金、极地银、极夜黑（风驰版仅提供极昼金和极夜黑配色） 槿紫、玄黑、皓白 系统 HarmonyOS 6.0 芯片 麒麟 9020 12GB：麒麟 9030 16GB：麒麟 9030 Pro 麒麟 9030 Pro 防护 IP68、IP69 电池 典型 5750 mAh 额定 5620 mAh 典型 5750 mAh 额定 5620 mAh 典型 6000 mAh 额定 5870 mAh 典型 6000 mAh 额定 5870 mAh 充电 66W 有线超级快充 5W 有线反向充电 50W 无线超级快充 无线反向充电 100W 有线超级快充 18W 有线反向充电 80W 无线超级快充 无线反向充电 100W 有线超级快充 18W 有线反向充电 80W 无线超级快充 无线反向充电 100W 有线超级快充 18W 有线反向充电 80W 无线超级快充 无线反向充电 相机 5000 万像素超光变摄像头 4000 万像素超广角摄像头 1200 万像素潜望式长焦摄像头 第二代红枫原色摄像头 5000 万像素超聚光摄像头 4000 万像素超广角摄像头 4800 万像素微距长焦摄像头 第二代红枫原色摄像头 5000 万像素超高动态摄像头 4000 万像素超广角摄像头 5000 万像素微距长焦摄像头 5000 万像素超长焦摄像头（风驰版缺失该镜头，但新增一枚风扇） 第二代红枫原色摄像头 5000 万像素超高动态摄像头 4000 万像素超广角摄像头 5000 万像素微距长焦摄像头 5000 万像素超长焦摄像头 第二代红枫原色摄像头 安全 3D 深感摄像头 + 侧边指纹 屏幕 分辨率：FHD+ 2832×1280 像素 尺寸：6.75 英寸 直面屏 第二代昆仑玻璃 1-120 Hz LTPO 自适应刷新率 分辨率：FHD+ 2832×1280 像素 尺寸：6.75 英寸 直面屏 第二代昆仑玻璃 1-120 Hz LTPO 自适应刷新率 分辨率：FHD+ 2848×1320 像素 尺寸：6.9 英寸 直面屏 第二代昆仑玻璃 1-120 Hz LTPO 自适应刷新率 分辨率：FHD+ 2832×1320 像素 尺寸：6.9 英寸 直面屏 第三代玄武钢化昆仑玻璃 1-120 Hz LTPO 自适应刷新率 卫星通信 畅连北斗卫星消息 运营商北斗卫星短信 畅连北斗卫星消息 运营商北斗卫星短信 天通卫星通信 畅连北斗卫星消息 运营商北斗卫星短信 天通卫星通信 畅连北斗卫星消息 运营商北斗卫星短信 星闪 支持 支持 支持 支持 ▲ IT之家开箱：华为 Mate 80 Pro Max 风驰版图赏 华为 Mate 80 配色：晨曦金、云杉绿、雪域白、曜石黑 处理器：麒麟 9020 12GB+256GB 版本：4699 元 12GB+512GB 版本：5199 元 16GB+512GB 版本：5499 元 华为 Mate 80 Pro 配色：晨曦金、云杉绿、雪域白、曜石黑 处理器：麒麟 9030 / 麒麟 9030 Pro 12GB+256GB 版本：5999 元（麒麟 9030） 12GB+512GB 版本：6499 元（麒麟 9030） 16GB+512GB 版本：6999 元（麒麟 9030 Pro） 16GB+1TB 版本：7999 元（麒麟 9030 Pro） 华为 Mate 80 Pro Max 配色：极昼金、极光青、极地银、极夜黑 处理器：麒麟 9030 Pro 16GB+512GB 版本：7999 元 16GB+1TB 版本：8999 元 华为 Mate 80 Pro Max 风驰版 配色：极昼金、极夜黑 处理器：麒麟 9030 Pro 16GB+512GB 版本：8499 元 16GB+1TB 版本：9499 元 华为 Mate 80 RS 非凡大师 配色：玄黑、皓白、槿紫 处理器：麒麟 9030 Pro 20GB + 512GB 版本：11999 元 20GB + 1TB 版本：12999 

IT之家 4 月 12 日消息，OPPO A6s Pro 手机将于 4 月 14 日 14:30 发布，官方海报显示，新机采用超抗摔金刚石架构、IP69K 满级防水，号称“38 种水都能防”。 IT之家注意到，这款新机已现身中国电信终端产品库，主要参数也随之曝光。 6.57 英寸 1080p 直屏 前置 16MP，后置 50MP+2MP 镜头 MT6835T 处理器（天玑 6300） 7000mAh 电池 尺寸 158.16*74.93*8.32mm，重量 193g 8GB+128GB/8GB+256GB/12GB+256GB/12GB+512GB 目前尚不清楚这款新机的具体价格信息。OPPO 已经推出多款 A6 家族手机，包括 A6、A6 GT、A6i+、A6 Pro 等等，售价在几百元到一千多元不等。