AI 周报：单层 RL 训练与代码 Agent 评测危机

本周看点

这周的行业动态挺有意思的。一边是大厂在端侧和多模态上继续堆料，另一边学术界开始反思我们是不是在“无效内卷”。我挑了 4 个我觉得真正在改变行业底层逻辑的事件，咱们挨个聊聊。

1. 后训练的算力刺客被终结了？

• 发生了什么 一篇名为 Is One Layer Enough? 的论文提出了一个相当反直觉的结论：在强化学习（RL）后训练阶段，只训练 Transformer 的单层，就能匹配全参数 RL 训练的效果。

• 深度解读 老实说，刚看到这个标题我以为又是某种标题党。但仔细看摘要，他们确实证明了 RL 适配在 Transformer 层之间的分布规律。我们一直以为 RLHF 或 RLAIF 是个算力黑洞，需要把整个模型过一遍。如果这个结论能复现，意味着后训练的算力成本可能会断崖式下跌。也许模型在预训练时已经把“知识”学明白了，RL 只是在调整某一层的“表达偏好”。

• 影响分析 这对开源社区和 AI 创业公司绝对是巨大利好。以前没钱跑全参数 RL 只能眼巴巴看着大厂发模型，现在可能几张卡就能把开源模型对齐得很好。下一步得看各大开源模型团队会不会在下个版本里直接用上这个 trick。

• 链接 arXiv: Is One Layer Enough?

2. 具身智能终于开始“干点真活”了

• 发生了什么 FurnitureVLA 论文发布，这是首个针对真实尺度（real-scale）双臂家具组装的视觉-语言-动作（VLA）模型系统研究。

• 深度解读 我受够了那些在实验室里用单臂抓个红色方块就算成功的机器人演示了。家具组装需要双臂协同、长程规划（Long-Horizon），还得处理各种物理误差。VLA 模型直接把视觉、语言和动作端到端打通，说明具身智能正在从“玩具级”向“工业级”过渡。虽然离进你家帮你装宜家衣柜还有距离，但这一步跨得很实在。

• 影响分析 做机器人硬件和具身智能算法的团队需要重点关注。纯视觉或纯语言的控制方案正在被 VLA 取代。如果你在做相关创业，赶紧看看这篇论文里的双臂协同数据是怎么构建的。

• 链接 arXiv: FurnitureVLA

3. 代码 Agent 的跑分神话面临信任危机

• 发生了什么 一篇研究直接开炮，质疑 GSO、SWE-Perf 等代码性能优化基准（Benchmarks）是否真的在可靠地衡量 Coding Agent 的能力。

• 深度解读 这简直说出了我的心声。我最近用各种 Coding Agent 优化老项目，跑分看着挺高，实际一跑经常搞出些“奇技淫巧”，甚至把原本正常的逻辑改崩。这篇论文指出，给真实仓库打补丁并对比运行时间，这种评测方式本身就有漏洞。如果尺子都是歪的，量出来的身高有什么意义？这反映出行业对“刷榜”的疲劳，大家开始想要真正能用的工具，而不是 PPT 上的 SOTA。

• 影响分析 企业 CTO 和 AI 工具链开发者别太迷信那些性能优化榜单了。下一步，我估计会有更多基于“人类真实工作流”而非“静态数据集”的评测框架冒出来。

• 链接 arXiv: Are Performance-Optimization Benchmarks Reliably Measuring Coding Agents?

4. DeepMind 的“小而快”与多模态闪击

• 发生了什么 Google DeepMind 官方博客宣布，开发者现在可以开始使用 Nano Banana 2 Lite 和 Gemini Omni Flash 进行构建。

• 深度解读 名字虽然听着有点跳脱（Nano Banana 2 Lite 是什么鬼代号？），但背后的战略很清晰。大厂在“大而全”的基座模型卷到极致后，现在的重心是“端侧轻量”和“多模态低延迟”。Gemini Omni Flash 显然是冲着极速多模态交互去的。我觉得这反映出 API 市场的竞争已经从“谁更聪明”变成了“谁更便宜、谁更快”。

• 影响分析 对独立开发者和做 C 端 AI 应用的人来说，这个真的香。调用成本更低，延迟更小，意味着你可以做更多实时交互的功能。建议直接去申请 API 跑跑看，测一下 Omni Flash 在复杂图文理解上的真实延迟。

• 链接 Google DeepMind Blog

小结

这周的信号很明确：学术界在帮行业“降本增效”（单层 RL、反思评测基准），而工业界在把模型塞进更多端侧设备里。别总盯着参数量了，好用、便宜、能落地才是接下来的主旋律。