本期覆盖 10 月 27 日至 28 日清晨的可核验动态。两点来源说明：openai.com 在本机仍返回 403，凡涉及 OpenAI 官方博客的条目本期一律不写细节；Anthropic 版权案的法院裁定部分，来自《斯坦福日报》10 月 27 日的报道转述，我未能直接调取判决书原文，涉及金额与法官原话均按该报道引用。
1. Genie 4：世界模型开始自带声音与对话
来源：Google DeepMind 官方博客（2026-10-27） ｜ 讨论：Hacker News
事实。 DeepMind 发布 Genie 4，定位是实时交互式世界模型。官方给出的三个变化：一是原生多模态，环境音、音乐与角色对话与世界画面同时生成，官方称这是其首个原生生成音频的实时世界模型；二是可控性，用户用键盘控制移动与镜头、用自然语言改天气、换机位、放进新的人物或物体，模型会结合上下文调整；三是人，官方称这一代最大的跃升是模拟人的自然动作与实时交互对话。底座上，Gemini Omni 负责把模拟锚定在真实世界的外观与物理行为，其他 Gemini 模型提供维持连贯性所需的推理。循环里还有两个角色：Gemini 3.8 Flash 作为引导 agent，实时观察画面、把目标拆成步骤、逐帧核对是否完成；Gemini 4 Argon 与 Genie 4 配合，把任务拆解成文字说明喂给模拟，官方演示是 Apptronik 的 Apollo 人形机器人在模拟里下井字棋。开放节奏是先给可信测试者做研究预览，之后面向 Google AI Ultra 订阅者的 Project Genie 与 Gemini API、AI Studio 的早期合作方，目前是 waitlist 状态。
为什么重要。 世界模型此前的主要卖点是「画面像」，Genie 4 换了两条评价轴：声音与可控性。声音尤其是关键——一个能同时生成环境音与对话的模拟，才有可能当作机器人或 agent 的训练场，因为多数真实任务的信息不只写在像素里。第二个值得记的是那个 agent-in-the-loop 结构：生成模型负责「下一步长什么样」，语言模型负责「这一步该做什么、做成了没有」，这正是把模拟器变成可评测环境的必要拼装。它同时解释了为什么 DeepMind 把机器人与游戏开发者列为首批测试行业。
待观察。 官方博客没有给任何量化指标：没有物理一致性基准、没有音画同步的度量、没有可控性的成功率，也没有说明实时生成的帧率与分辨率。演示片段是按提示词挑选的，不能当分布外能力的证据。「研究预览 + waitlist」意味着绝大多数人现在无法复现，任何关于它「已经能替代引擎」的说法都还早。物理方面官方只列了空气动力学与碰撞两个词，而这恰是最容易被单条 demo 高估的部分。
2. 法官认定 Anthropic 用盗版书训练，斯坦福教授另案追偿
来源：The Stanford Daily（2026-10-27）
事实。 报道称，在 Bartz v. Anthropic 一案中，联邦法官 William Alsup 于 2026 年 5 月裁定 Anthropic 抓取并盗版了十余位斯坦福教授的作品用于训练 Claude，涉及 Tobias Wolff、Abraham Verghese、Chang-Rae Lee、Daniel Mason、Hayagreeva Rao、Myra Strober 等人。裁决划出了一条双线：用盗版书建立永久性的中央书库不被允许；用合法获得的书籍训练模型属于合理使用。Alsup 的类比是读者读书——「像任何想成为写作者的人一样，Anthropic 的模型不是为了抢先复制或取代原作，而是转过一个硬弯，创造出不同的东西」。该案以 15 亿美元和解，赔付对象是近 50 万件登记作品的作者与出版方，Authors Alliance 称这是涉及 AI 公司的最大版权和解。
Wolff 说他有两件事不能接受：一是有 10 部作品在未获许可的情况下被用于训练，二是赔偿方式。他的原话是「这样使用我的劳动而不付酬，是一种奴役劳动」。他与英语系教授 Chang-rae Lee 选择退出该集体和解，于 2026 年 5 月另案提起 Cruz v. Anthropic，要求陪审团审理并按每件侵权作品最高 15 万美元的法定赔偿计算——对照 Bartz 和解中约每件 3000 美元的水平。若胜诉，他们将获得禁止 Claude 使用其作品训练的永久禁令。斯坦福法学院知识产权学者 Paul Goldstein 在邮件中指出核心难题是交易成本：一次训练可能复制上百万件作品，逐一取得授权在实务上不可行。报道同时提到，针对 AI 公司的侵权诉讼已超过 70 起，包括《纽约时报》与 Getty Images；Authors Guild 正推动国会立法要求授权。
为什么重要。 这一条与 #051 的 S-1 是同一件事的两面：招股书里，训练数据的来源是一行不产生负债的脚注；法庭上，它开始被定价。Alsup 的二分法——「合法取得可训练、盗版建库不可」——实际上把行业成本从「技术问题」改成了「采购问题」：模型能力的上限不再只由算力和数据量决定，还由能否以可承受的价格完成授权决定。第二个信号是选择退出者的策略：他们不求集体和解的普适性，而求单件作品的法定赔偿上限，这条路一旦走通，会把「批量授权」变成唯一可行的合规方式。
待观察。 我读到的是一篇学生媒体的报道，不是判决书，具体表述与适用范围需以法院文书为准。100 倍量级的落差（约 3000 对最高 15 万）是原告方的诉讼请求，不是法院认定。Cruz 案尚未审结，「永久禁令」目前只是诉求。另外，「合理使用」的认定在 Bartz 中针对的是合法取得的书籍，它能否延伸到其他获取路径，仍是这一轮诉讼真正要回答的问题。
3. OXR：1.3B 的文档解析模型，把阅读顺序并进识别
事实。 国内初创公司 SoMark 团队开源文档解析模型 OXR（Optical Everything Recognition），主模型 1.3B 参数，团队公布在三项基准上均列第一：OmniDocBench 97.18、olmOCR-Bench 87.84、DocParsingBench 87.76。覆盖文字、表格、公式、化学结构式、代码块等 13 类元素，输出 Markdown 或 JSON 并保留版面坐标；表格转 HTML，公式转 LaTeX，化学方程式用 mhchem、结构式用 SMILES。速度上，团队在同一张 RTX PRO 6000 Blackwell（96GB）上解析 OmniDocBench 随机抽取的 100 页：OXR 约 101 秒，PaddleOCR-VL-1.6 约 145 秒，MinerU2.5-Pro 约 255 秒。结构上做了个分工：轻量版面分析模型先定位区域，主模型做内容识别并同时判断阅读顺序，省掉单独排序的环节，也让它能借语义判断先后；版面分析被设计成可插拔模块。后训练用的是团队称为 RSI（Recursive Self-Improvement）的闭环：模型先解析无标签文档，外部模型逐样本评判并聚类错误原因，再围绕这些问题定向生成训练数据，进入下一轮训练，新增数据无需人工标注。
为什么重要。 这条的价值不在榜单，而在「把排序并进识别」这个取舍。多栏论文、报纸、试卷的真正难点从来不是单字识别，而是读完左栏再读右栏、正文与旁注不串——传统做法是检测框 + 排序规则，规则一遇到异构版式就崩。把顺序判断交给有语义的模型，本质上是承认版面理解是语言问题的一部分。加上可插拔的版面模块，它的部署形态也更像基础设施：同一套识别能力，按业务换布局定义。对 RAG 与 agent 流水线来说，这类模型决定的是「文档能不能变成可用的结构化输入」，属于最底层的产能。
待观察。 三个第一都是团队自测，且量子位这篇是经授权的产品稿，宣传色彩明显；GitHub 千星是一周内的热度，不等于稳定性。101 秒对 145 秒的对比是完整解析流水线的端到端时间，但没给 batch size、并发与精度档位，不同实现的对照未必等价。RSI 闭环里「外部模型评判」这一步的可靠性没有量化——用模型挑模型的错，误差会以什么方式累积，需要看技术报告。没有独立第三方复现之前，97.18 这类分数应读作「官方口径」。
4. LFM3：2B 级全模态开放权重，文本模型 4bit 约 1GB
来源：Liquid AI 官方博客（2026-10-27） ｜ 权重：Hugging Face
事实。 Liquid AI 发布第三代 Liquid Foundation Models。LFM3 是家族式发布，同一套新骨干上覆盖文本、视觉、音频、全模态（omni）与决策（decision）六款 2B 级模型，均自 LFM3-1.7B-Base 训练而来，基础版与后训练版权重当天开放。架构称为 tri-hybrid：门控短卷积仍占一半以上层，部分层换成滑动窗口注意力，官方称这是质量与速度取舍最好的替换。预训练用了 22T token。效果口径是 LFM3-1.7B 在参数少 35% 的情况下优于上一代 LFM2.5-2.6B。部署侧给了几个具体数：文本模型 4bit 下约 1GB；参数量对齐后，短提示上与 LFM2-1.2B 持平，而上下文到 8K 时快约 25%。硬件在环的验证从上一代的两个设备扩到 14 种组合，包括 Galaxy S26 Ultra、OnePlus 15、树莓派 5、M4 Max、AMD Ryzen AI、Arm 与 x86 云 CPU，以及 GPU 和高通 Hexagon NPU。
为什么重要。 「2B 级 + 全模态 + 开放权重 + 1GB」这四项同时成立的产品并不多。它对应的不是聊天场景，而是「在一个具体任务上微调成专家、然后跑在用户设备上」——官方把这叫 specialized intelligence。这条路线在成本结构上与前排厂商相反：不卖 token，卖的是可私有化、可离线、可微调的底座。对做端侧产品的人来说，1GB 的 4bit 文本模型意味着它和一个中等大小的应用抢同一块存储，这是能不能预装的现实门槛。14 种设备的验证清单也值得记，它说明端侧模型的瓶颈常在内存带宽与算子支持，而不在参数量。
待观察。 所有对比都是自家上一代，没有与同尺寸第三方模型的横向结果；「更具表达力」「质量与速度最优」属于发布方口径。22T token 的预训练数据构成、许可条款（尤其是商用与蒸馏限制）在博客摘要里看不到，需要读权重卡。全模态家族一次放六个模型，实际可用性取决于每个模态各自的后训练质量，而博客只给了架构层面的说明。端侧 25% 的提速是在特定 8K 上下文与特定后端上测的，换芯片未必复现。
5. 小米的 21 自由度灵巧手：先用 1827 个工厂工序定自由度
事实。 小米技术披露仿生灵巧手的最新探索：以小米汽车工厂的柔性制造场景为设计原点，团队对 1827 个标准作业程序（SOP）做了完整数据采集与分析，再在仿真里做消融。结论是自由度存在一个收益拐点：17–21 自由度区间的平均稳定抓握成功率，比 6–15 自由度提升 15%–38%，其中 21 自由度在工厂操作覆盖度与抓握成功率上提升最大；继续加到 23 自由度及以上，抓握能力提升明显放缓。据此设计的新一代灵巧手为 21 自由度，采用混合驱动与腱绳张力控制，强调精准抓握力控、可靠性与可维护性，并对散热体系与全掌触觉做了系统性优化。
为什么重要。 这是一条少见的「先定指标再定硬件」的公开叙述：自由度不是越多越好，而是由作业集合的覆盖度决定的。对人形机器人的成本结构来说，这直接关系到每只手要装多少个电机、驱动器和传感器——从 23 降到 21 省下的不只是物料，还有散热与故障率。更值得记的是方法：把工厂里现成的 SOP 当成数据集，用仿真消融去回答硬件设计问题。这类「场景定义产品」的路径，比发布一个参数更高的原型更难被复制，因为数据长在产线上。
待观察。 全文由小米提供、量子位授权转载，数字均为厂商口径，没有第三方复现，也没有说明成功率是在什么物体集合、什么视觉条件下测的。仿真消融到真机的迁移落差未披露——这是灵巧手最常见的失效点。「23 自由度以上收益放缓」的结论高度依赖这 1827 个 SOP 的分布，换个行业（比如精密装配或家务）拐点可能移动。文中引用的专家评论属于观点，不构成证据。
今日判断
今天五条并排看，主线是「能力开始被交付条件重新定价」。
Genie 4 是能力侧最响的一声，但它真正的进步是把世界模型从「生成好看的片段」推向「可被 agent 操作与核验的模拟环境」——声音与可控性都是为了让模拟有信息量、有反馈回路。与之相对，Anthropic 那起裁定提醒的是另一面：驱动这些能力的数据，正在从「默认可用」变成「需要采购」。一个模型能不能上线，未来可能不取决于它多强，而取决于训练语料能不能过审计。
中间三条是同一件事的不同层面：OXR 在把非结构化文档变成 agent 能吃的结构化输入，LFM3 在把可微调的底座压到 1GB 与端侧，小米在用品线上的数据决定硬件的自由度。三者共同的关键词是「可部署」——不是榜单分数，而是能不能进流水线、进设备、进车间。如果说 2024—2025 的叙事是参数与基准，那么现在被反复衡量的是每任务成本、显存占用、授权风险与产线覆盖率。
给做产品的人三条可操作的判断：选文档解析模型时先测阅读顺序而不是单字准确率；选端侧模型时先看 4bit 内存占用与算子支持，再看榜单；评估世界模型时先问有没有 agent-in-the-loop 的核验环节，没有的话它只是视频生成器。