今日概览

今日候选围绕 AI 工程化的五个维度展开：蚂蚁灵波开源了具身智能视频生成模型 LingBot-Video，解决机器人训练数据稀缺的痛点；腾讯技术工程系统阐述了省 Token 与用好 AI 本是一件事的工程哲学；字节跳动探讨了 Claude Mythos 将漏洞利用窗口压缩至分钟级后安全架构的应对之道；马斯克突袭发布 Grok 4.5，性能接近顶尖模型但成本仅十分之一；腾讯云开发者则梳理了 Harness Engineering 的三层壳架构演进脉络。

今日重点

1. 给机器人刷的短视频，该怎么拍？

针对具身智能训练数据稀缺且采集成本高昂的问题，蚂蚁灵波团队开源了视频生成模型 LingBot-Video。该模型采用 30B 总参数、3B 激活的 MoE 架构，融合互联网视频与大量具身数据的联合训练，通过五阶段渐进式训练（从纯图片到 1080p 视频）和强化学习确保物理正确性，能批量生成模拟流体、刚体等物理交互的高质量训练数据。

值得关注：

  • 机器人训练需要大量物理正确的视频数据，但公开数据集规模远不及互联网视频。
  • LingBot-Video 采用 MoE 架构，30B 总参数、3B 激活，效率极高。
  • 训练分五阶段逐步提升分辨率和物理优先特性，确保生成质量。

这篇内容更值得关注的原因在于，它试图用生成模型解决具身智能领域最核心的数据瓶颈——不是采集数据，而是生成数据，这可能改变整个具身智能的训练范式。

2. 精打细算虾养成指南：省 Token 和把 AI 用好，从来就是一件事

腾讯技术工程的文章系统阐述了省 Token 与提升 AI 使用效果本质相同，关键在于工程化上下文管理。核心观点是：省 Token 不是削减投入，而是用结构化方式替代蛮力输入，让 AI 注意力用在刀刃上。通过最小上下文（只给 AI 需要的信息）、JIT 检索（按需加载而非全量喂入）、上下文卸载（将已完成任务的历史上下文从窗口中移除）、Harness 架构分层和动态选型等策略，可以在保证产出质量的前提下显著降低 Token 消耗。

值得关注：

  • 省 Token 不是削减投入，而是让 AI 注意力用在刀刃上的工程手段。
  • 上下文 Token 越多，模型召回准确率越下降——这是一个反直觉但被反复验证的事实。
  • JIT（即时检索）和提示缓存（Prompt Caching）可大幅降低输入成本和 Token 用量。

这篇内容更值得关注的原因在于，它把"省钱"和"用好"统一成了同一个工程问题——好的上下文管理既省成本又提效果，不是零和博弈。

3. Mythos 对企业安全架构影响的思考

字节跳动技术团队深入分析了 Claude Mythos 对企业安全架构的冲击。Mythos 首次将自主发现并武器化漏洞的能力超越人类专家，漏洞利用窗口从数月压缩到数分钟，倒逼安全架构从人类节奏转向机器速度。文章建议企业以零信任为基石，强化 AI 原生访问治理与意图对齐，并假设边界终将被穿透，构建快速检测与响应机制。多智能体架构（如 MDASH）可超越单体模型，防守方应利用 AI 重构漏洞分析与修复能力。

值得关注：

  • Mythos 将漏洞利用窗口从数月压缩到数分钟，安全响应必须从"人工"转向"自动"。
  • 安全边界和访问治理的本质不变，但新增了 AI 意图治理这个新维度。
  • 多智能体架构可用于防守方，以 AI 对抗 AI 可能是未来的主流防御模式。

这篇内容更值得关注的原因在于，它不是泛泛讨论安全趋势，而是给出了具体的架构应对思路——零信任 + AI 原生治理 + 快速检测响应 + AI 驱动的修复。

4. 马斯克突袭发布 Grok 4.5：成本仅 Opus 4.8 的十分之一

SpaceXAI 突袭发布大模型 Grok 4.5，性能接近顶尖模型 Opus 4.7/4.8 水平，但运行成本降低约 90%，Token 消费量仅为 Opus 4.8 的四分之一。模型在编程、智能体等任务中表现优异，采用数万块 GB300 GPU 训练，并强化了 Token 粒度的智能度，已向用户开放。

值得关注：

  • Grok 4.5 性能对标 Opus 4.7，成本却降低近 90%——性价比碾压。
  • SWE Bench Pro 中 Token 消耗仅为 Opus 4.8 的四分之一。
  • 采用数万块 GB300 GPU 训练，强化 Token 粒度的智能度。

这篇内容更值得关注的原因在于，Grok 4.5 的"低成本高性能"路线可能重塑大模型的竞争格局——不再是拼谁最强，而是拼谁在相同成本下最强。

5. 一文读懂 Harness Engineering！

腾讯云开发者系统梳理了 Harness Engineering 的演进脉络，提出三层壳架构：第一层通过外部记忆和流程约束管住模型行为，第二层引入规划器-执行器-裁判架构管理并发，第三层用对抗验证戳破模型盲信。核心洞察是：每个 Harness 组件都是对模型当前短板的补丁，补偿面随模型能力进步而迁移——Anthropic 已开始拆除不再需要的组件（如 Context Reset），真正的护城河在于追踪迁移速度而非组件厚度。

值得关注：

  • Harness 三层壳架构分别补偿模型的流程控制、并发管理和自我验证短板。
  • 补偿面随模型进步而迁移——模型变强后，部分 Harness 组件可以被拆除。
  • Claude Code 源码揭示了六层记忆体系、Team Mode 并发、YOLO 分类器等未公开实践。

这篇内容更值得关注的原因在于，它提出了一个反直觉的观点：Harness 的组件不是越多越好，真正的护城河是你追踪模型能力迁移的速度——知道什么时候该加壳、什么时候该拆壳。

趋势观察

  1. 具身智能的数据瓶颈正在被生成模型破解。 LingBot-Video 代表了一种新思路——用视频生成模型替代真实数据采集，这可能加快具身智能的训练迭代速度。
  2. Token 工程化正在从"省钱技巧"升级为"核心能力"。 腾讯技术工程的文章说明，好的上下文管理不是抠门，而是让 AI 在正确的时间看到正确的信息——这本身就是 AI 工程化的核心。
  3. AI 安全的攻防节奏正在从"人类速度"切换到"机器速度"。 Mythos 将漏洞利用窗口压缩至分钟级，安全的防守方也必须用 AI 的速度来应对 AI 的威胁。

延伸阅读