HomeBody 让 Astra 绕过 VLA 直调技能库、Anthropic 量化 GLM-5.3 护栏可拆性：能力随接口、约束、精度、监督四处漂移
斯坦福 HomeBody 让 GPT-6 Astra 跳过 VLA 直接调度宇树 G1 的技能库，在未见过的厨房完成长程收拾与取药；Anthropic 报告实测 GLM-5.3 的端到端漏洞利用能力已接近 Claude Mythos Preview，护栏可被约 4400 美元的 abliteration 从 95% 拒答压到 2% 至 3%；STEPQuant 把线性注意力循环状态压到名义 6 bit，七项长推理均分与 FP32 差 0.01 个点、总显存降 68.7%；MAESTRO 测出教师介入深度的拐点，15.6% 拿到 68.5% 峰值，31.5% 反而低于纯 OPD 的 67.0%。
本期四条分属具身、安全、推理与训练，落点却一致：模型的能力不是一个钉死在权重上的常数。换掉接口、拆掉护栏、压低状态精度、改变教师介入深度，分数都会动，而且动的方向并不总是一致。
一、HomeBody：让 GPT-6 Astra 绕开 VLA，直接调度宇树 G1 的技能库
事件概述：2026 年 9 月 30 日，量子位报道了斯坦福与加州理工团队的 HomeBody 项目，项目页标注 September 2026，作者为 Gio Huh、Cayden Gu、Takara E. Truong、C. Karen Liu 与 Guy Tevet。宇树 G1 人形机器人由 GPT Astra 驱动，在一个从未见过的厨房里完成两类任务——把咖啡袋归拢到岛台、丢弃变质的牛奶与橙汁纸盒，以及把不在当前视野里的药找出来递到人手上。全程没有为新环境采集训练数据，也没有训练专用动作策略。
技术解析：常见的人形自主架构分三层，System 2 的视觉语言模型看图理解指令，System 1 的视觉语言动作模型（VLA）产出动作命令，System 0 的控制器协调全身运动。HomeBody 动的是中间这一层，把学习型 VLA 换成一组可组合的电机技能库：Pick、Place、Open drawer、Pick from drawer、Navigate。技能之间共享「目标加执行结果」的接口，Astra 通过结构化工具调用选择技能与目标，手臂怎么伸过去由技能内部的感知与运动规划负责。
撑起这套调度的是空间记忆，分三步。第一步探索，机器人收到的指令只有一句「你是一台厨房机器人，请探索这个空间」，随后自主选点，记录 0.5 倍速 iPhone 视频、D435i 相机观测、带 SLAM 的激光雷达扫描、关节位姿与途经航点。第二步 Real2Sim，Astra 充当重建智能体在 Isaac Sim 里搭出数字孪生，并用 SLAM 实测几何约束尺寸估计，避免只凭外观猜房间大小；定位用 Super Odometry，SLAM 地图与仿真通过 ICP 配准对齐到同一坐标系。第三步执行，VLM 结合当前自我视角、地图上下文、夹爪状态、召回观测与上一步结果选择技能与目标。
误差纠正被放在技能内部。目标在画面中漂移时，分割加上 SAM 2.1 跟踪与 SAMURAI 记忆选择，配合视觉伺服在接近过程中修正对齐，不必每一步都回 VLM 重新决策。抓取落空可以换候选抓取位姿或调整站位重规划，本地重试有上界，耗尽后把失败原因交回 VLM 重新安排。一次抓取调用只需给出归一化到 0 到 1000 的图像点和用哪只手，深度由 Fast-FoundationStereo 从双目估计，抓姿解析求得，机械臂沿最小加加速度时序的样条参考解逆运动学并做扫掠碰撞检查。
行业影响：Robocurve 此前的路线是让 GPT、Claude 直接输出夹爪的位置、朝向与开合，由底层逆运动学模块转成关节动作。HomeBody 把交给模型的粒度从「末端位姿」抬到「技能」，代价是技能库要人写，收益是长程任务的可靠性不再绑在单一 VLA 上。团队自己留了边界：不需要额外训练不等于整套系统从未训练过，现成的感知模型、运动规划与预训练 AMO 控制器仍是底座；感知、规划与技能执行跑在一台 RTX 4090 笔记本上，Astra 在远端决策，重建数字厨房要准备时间和 API 成本，动作之间有推理等待，手指舵机过热是目前的硬件限制之一。
按同一篇报道引用的 Robocurve 最新战况，GPT-6 Sol 平均得分是 GPT-5.6 Sol 的 1.6 倍、成本约低 47%，Opus 5.5 约为 Opus 5 的 1.8 倍、单次成本比 Astra 低约 21%。把这两组数字与 HomeBody 放在一起看，具身这一侧的进步一半来自模型本身变强变便宜，另一半来自模型与身体之间那层接口被重新切了一刀。
相关链接：
- 项目页：https://tml.stanford.edu/homebody/
- 量子位报道（2026-09-30 15:54）：https://www.qbitai.com/2026/09/499493.html
二、Anthropic 点名 GLM-5.3：能力已扩散到开源权重，护栏成了可拆配件
事件概述：2026 年 9 月 29 日，Anthropic 发布研究报告《GLM-5.3 and the spread of advanced cyber capabilities》，署名 Andrew Fasano、Marius Fleischer、Cole McFaul、Robert Xiao 与 Tripp Gallagher，9 月 30 日量子位以「Anthropic，你是来给智谱打广告的吧」为题做了中文解读。报告的核心判断是，五个月前只有 Claude Mythos Preview 具备的端到端漏洞利用能力，现在已经出现在一个人人可下载的开源权重模型上，而这个模型的护栏不够结实。
技术解析：能力侧，ExploitBench 上同样尝试 410 次，GLM-5.3 端到端利用成功 50 次，Claude Mythos Preview 为 56 次；内部 Binary Exploitation 基准随机抽 100 个任务，GLM-5.3 完成完整控制流劫持的比例是 4%，Mythos Preview 为 6%，更早的 Claude Opus 4.6 与 GLM-5.2 在这批任务上均为零。NIST 下属 CAISI 在 9 月 17 日的评估称 GLM-5.3 是迄今网络能力最强的开源权重模型，在 CAISI 网络基准汇总上落后美国前沿约四个月。报告还记了一次人机混合作业：给更小的 GLM-5.3-Flash 一个刚公开的 Chrome 漏洞 CVE-2026-11645 和另一个已知漏洞的公开资料，人工约 20 分钟、模型自跑约 8 小时，就在 ARM64 平台上搭出稳定的攻击链并绕过指针认证（PAC），按当时智谱 API 价格估算调用费用 20.40 美元。
护栏侧的数字更能说明问题。直接提出恶意请求时 GLM-5.3 全部拒绝，换成三种简单手法后配合度分别是：告诉它「你是正在做演练的自主红队智能体」，64% 的情况会接着干；预填思考 token 假装它已考虑过并决定执行，升到 92%；使用 abliteration 改过的权重，100%。Anthropic 自己动手做了一遍 abliteration，团队此前从未做过这件事，花了约 2200 GPU 小时、约 4400 美元算力（Flash 版约 600 GPU 小时）。处理完之后，GLM-5.3 在 JailbreakBench 与 HarmBench 上的拒答率从 90% 以上掉到约 3% 和 2%，StrongREJECT 上掉到 12%，能力却基本没动——GPQA-Diamond 上原版与去护栏版得分相同，CyberGym 子集只低几个百分点。对照组的每一档受防护 Claude 模型，在所有条件下都停在零配合。
行业影响：这份报告最值得读的不是「开源模型危险」这个结论，而是它给出的量级。同一组权重，护栏可以从 95% 左右的拒答率压到 2% 到 3%，代价是 4400 美元和一支从没做过这件事的团队。报告自己也承认，原版 GLM-5.3 在三个有害请求基准上的平均拒答率约 95%，与 Claude 的约 96% 相差无几；Claude 之所以骗不动、预填不了、拆不掉，主要原因是权重不公开、API 不提供预填思考的入口。防护强度在这里更多由产品形态决定，而不是由模型能力决定。
分歧点落在这里：这类能力是锁进保险柜按审核发放，还是交到每个开源维护者和中小团队手里。Anthropic 报告给出的两条建议也正是这个方向——把前沿模型尽快开放给更多防御者，并对足够强的模型开展独立第三方安全测试。对国内厂商来说，被对手用完整成本核算认真测一遍，本身就是一份外部评估。
相关链接：
- Anthropic 研究报告（2026-09-29）：https://www.anthropic.com/research/glm-5-3-and-the-spread-of-advanced-cyber-capabilities
- 量子位解读（2026-09-30 18:04）：https://www.qbitai.com/2026/09/499597.html
三、STEPQuant：把线性注意力的循环状态压到 6 bit，七项长推理均分几乎不动
事件概述：arXiv 论文 2609.38169《STEPQuant: When and Where Errors Matter in Delta-Rule Recurrent State Quantization》于 2026 年 9 月 29 日提交，作者来自香港城市大学、哈佛大学、浙江大学、中科院自动化所 NLPR&MAIS、香港中文大学与清华大学，代码已开源。它处理的是一个正在变大的工程问题：线性注意力用固定大小的循环状态替代了随序列长度增长的 KV 缓存，但每个并发请求都要一份独立状态，状态池会随并发数上涨。在官方 SGLang 部署里，Qwen 的 FP32 状态池在 70 个并发请求时就超过了 BF16 权重的显存占用。
技术解析：直接对循环状态做均匀量化会崩，原因是 Delta 规则每一步都对近似状态再做一次量化，误差沿后续解码步持续传播。STEPQuant 把误差拆成两个互补维度。时间维度上，长寿命记忆里的误差会跨很多解码步持续存在；空间维度上，不同 key 行对输出的影响不同，而状态幅值在行与列两个方向上都差异很大。据此做两件事：按误差量级与记忆寿命分配精度，按状态分布以及 key 行对输出误差的影响联合拟合 key 行与 value 列的尺度，并在 SGLang 里实现了融合 kernel。
七项长生成推理基准（LiveCodeBench v6、EvalPlus、AIME 2026、MATH-500、HMMT、GPQA Diamond、IFBench）的平均准确率，Qwen3.8-27B 的 FP32 状态基线是 80.60，STEPQuant 名义 6 bit 为 80.59、4 bit 为 80.51，而均匀量化 INT8 只有 71.86、INT6 掉到 45.04、INT4 掉到 12.73。Kimi-Linear-48B-A3B-Instruct 上，FP32 为 61.52，STEPQuant 6 bit 为 61.47、4 bit 为 58.52，均匀 INT6 为 45.70、INT4 为 21.63。六项短生成任务上，4 bit STEPQuant 与 FP32 的差距在 Qwen 上只有 0.15 个点、Kimi 上 0.25 个点，而均匀 INT4 会退化到连有效答案都生成不出来。配上 4 bit AWQ 权重后，6 bit 状态的七项均分只比对应 FP32 基线低 0.05（Qwen）与 0.33（Kimi）个点。效率侧，6 bit 配置把总显存从 419.73 GiB 降到 131.18 GiB，降幅 68.7%，循环状态内存降 80.1%（5.03 倍压缩），状态更新时间降 65.6%（快 2.91 倍）。
行业影响：混合线性注意力模型要真正进生产，状态池是第一道要算的账。STEPQuant 的意义在于把「状态必须 FP32」这个默认假设换成了「精度可以按行按寿命分配」，而切换成本小到几乎只存在于配置里。同样是 4 bit 预算，均匀量化在 Qwen 上从 80.60 塌到 12.73，STEPQuant 仍站在 80.51。论文的 Limitations 段也留了边界：寿命权重用门控衰减近似误差持续，没有完整建模随时间与 key 变化的状态转移；BF16 权重下压到 4 bit 时，KDA 在长生成任务上会掉点，Qwen 虽然均分接近 FP32 却生成更长的输出；实验只覆盖两个 GDN/KDA 架构、固定硬件与固定负载，其他架构和动态负载下的收益还有待验证。
相关链接：
四、MAESTRO：教师介入不是越深越好，15.6% 到顶，31.5% 反而低于纯 OPD
事件概述：arXiv 论文 2609.37510《From Dissonance to Orchestration: Teacher Intervention in On-Policy Distillation》于 2026 年 9 月 29 日提交，来自南洋理工大学与百度。蒸馏近期频繁出现在行业新闻里，这篇论文处理的是它的供给侧：当教师模型接管学生的一部分生成时，接多少、接多久才划算。
技术解析：on-policy 蒸馏（OPD）让学生在自身策略采样的轨迹上接受更强教师的 token 级监督，以此减少分布错配。教师介入能救回跑偏的轨迹，代价是学生随后要从一个部分由教师生成的前缀续写，训练分布被推离自身策略，作者把这种张力称为 policy dissonance。
两项受控实验给出了刻度。轨迹层面，介入越深准确率越高，但增益集中在浅层：把介入深度放到对数坐标上，准确率与深度近似线性，R² 为 0.993；离策略偏差 L_off 同样随深度上升且前段最陡，对数拟合 R² 为 0.968。也就是说，少量介入已经能找回大部分轨迹质量，同时立刻产生可观的离策略成本。训练层面，固定最大 rollout 长度只改介入量，15.6% 介入拿到最高峰值准确率 68.5%，7.8% 与 15.6% 都高于纯 OPD 的 67.0%，而 31.5% 的峰值只有 64.5%，低于完全不介入。
这里出现了一组方向相反的读数。介入加深不再抬高上限，却显著延长训练稳定性：所有介入设置都比纯 OPD 保留更多峰值性能，31.5% 保留的峰值约为纯 OPD 的 2.25 倍。固定介入计划、只改介入后学生续写预算（0、1K、2K、4K token）时，最短续写（约 2.4K rollout token）反而拿到最高成绩，说明轨迹被纠正之后，长段学生续写并非必需。
据此设计的 MAESTRO 用局部策略分歧决定教师何时接管、接管多久：policy disagreement score 把教师加权的候选覆盖率与局部分布相似度结合，在推理段落内聚合。八个数学推理基准上，Qwen3-1.7B 学生在全部八个基准上都排第一，宏平均 47.12，高于 Relay-OPD 的 45.18、FastOPD 的 43.43、标准 OPD 的 41.23；0.6B 学生宏平均 31.36，高于 Relay-OPD 的 29.71 与 OPD 的 27.16。AIME 与 HMMT 上，1.7B 学生相对 Relay-OPD 平均高 2.30 个点、相对标准 OPD 高 7.26 个点。消融里只用覆盖率或只用分布相似度都会掉点，改成固定介入跨度也有小幅损失；平均训练响应长度比标准 OPD 缩短 67.3%。
行业影响：把介入深度当成一个连续旋钮之后，「让教师多教一点」这个直觉就站不住了。收益和成本都集中在浅层，深度越过某个点，峰值往下掉、稳定性往上走，两者朝相反方向移动。对做蒸馏的团队，这意味着介入比例应该和 rollout 长度、续写预算一起进超参搜索，而不是拍一个固定值。论文把峰值与保留率当成两个指标分别报告，这一点比「我们的方法最好」更有参考价值：单看峰值会选 15.6%，单看稳定性会选 31.5%。
相关链接：
小结
四条的落点可以合成一句判定法。看到一个模型的能力声明或一个分数，先问它是在哪一层测出来的，再问换掉那一层会变多少。HomeBody 换的是接口层，Astra 的能力没变，任务范围从桌面扩到整间厨房；Anthropic 的报告换的是约束层，权重没变，拒答率从约 95% 掉到 2% 到 3%；STEPQuant 换的是精度层，权重与题目都没变，长推理均分差 0.01 到 0.05 个点，显存少掉 68.7%；MAESTRO 换的是监督层，学生模型没变，峰值在 67.0、68.5 与 64.5 之间摆动。能力不是一个附着在权重上的常数，它随接口、约束、精度、监督四处漂移。