让 AI 造一个客服，难在代码之外

Juju Radar · 2026.09.08

约 2,500 字 · 阅读约 9 分钟

给 AI 一道代码题，和交给它一个客户，是两回事。今天的一项评测把后者拆得很细：业务资料散落各处，客户有没说出口的要求，接口可能有问题，部署还有预算限制。模型能把程序跑起来，却常常把真正影响交付的部分漏掉。

这一期还有四条值得看：RISE 尝试从模型自身的训练变化中构造老师；WorldSculpt 把 3D 场景拆成独立物体；一项 AI 制药研究用六种模型分析衰老指标；最高法则进一步明确了 AI 纠纷的裁判规则。

🛠️ 客服能跑起来，不代表能处理好客户的问题

Agent / Coding Agent · 9/10｜建议深挖

Sierra 与普林斯顿大学的 τ^τ-Bench，把“开发一个客服 Agent”本身做成了测试。模型拿到的不是整理好的需求文档，而是业务记录、旧代码、生产接口和一个可以追问的模拟客户。它要先弄清规则，再在模型选择和服务成本限制内做出产品，最后接受未见过的模拟用户测试。

在覆盖四个领域的 53 项构建任务上，论文中最好的配置是 Claude Opus 5 配合 Claude Code，最终通过率为 23.9%；专家编写的参考方案为 82.2%。这个差距不能简单归结为“代码写得差”。作者检查执行记录后发现，模型常常搜索几下就开始实现，很少向客户追问，也很少认真比较不同架构。

分项比总分更有意思：同一配置在零售领域达到 72.8%，在银行领域却只有 5.9%。后者的规则材料复杂得多。这提醒我们，评估一个 Agent 能否上线，应该把遗漏的需求、接口边界和业务例外也放进验收。只看它自己的测试全部通过，容易高估交付质量。

这些都是作者在特定任务、预算与模拟用户下的结果，不能解释成现实中所有 AI 客服只有四分之一能用。代码库已于 9 月 4 日公开；论文进入 9 月 7 日的 arXiv 公告，本期重点读它披露的失败分析。

论文与完整实验 · 代码与任务

🧠 RISE：沿着刚刚学会的方向，再往前走一点

模型训练 · 8.5/10｜建议深挖

训练模型时，如果只告诉它整道题对不对，反馈往往太粗；找一个更强的模型当老师，又多了一层成本和依赖。RISE 的做法是比较模型当前版本与较早版本，提取这段训练带来的变化，再沿着变化方向外推，构造一个临时的老师，把更细的逐词反馈教回当前模型。

可以把它理解为：先靠能验算的答案确定进步方向，再用这个方向改善推理过程中的选择。老师会随训练更新，所以不必一直追着一个固定的外部模型学。这里的新意是把过去的训练过程变成新的监督信号，而不是让模型反复夸奖自己的答案。

作者在 1.7B 至 8B 规模的模型上，测试了数学、科学知识、代码和多轮任务。以 Qwen3-8B 的一组实验为例，数学平均分从 GRPO 基线的 60.0 提高到 62.7。但额外训练并不免费，论文报告的总耗时约为 GRPO 的 1.3–1.6 倍；奖励如果有漏洞，外推也可能放大错误方向。它是一种值得复现的训练方法，还远谈不上证明模型能无限自我改进。

RISE 论文

🪑 WorldSculpt：把生成的房间拆成能单独取用的物体

3D 生成 / 仿真 · 8.5/10｜持续观察

生成一个看起来完整的房间，和拿到一套可以继续编辑的 3D 资产，仍有距离。很多场景模型把物体融在一起，椅子和花瓶虽然看得见，却不方便单独选中、移动或放进仿真环境。WorldSculpt 针对的就是这个问题：结合多视角图像，逐个生成物体网格，再把它们放回同一个空间坐标系。

它借用了 Pixal3D 已经学到的单物体生成能力，增加多视角信息的融合。值得注意的是，模型微调时只用单个物体，测试时却能处理包含数百个物体、相互遮挡的复杂场景。这条路线的价值，在于让生成结果更接近游戏、内容制作和机器人仿真真正需要的资产形式。

不过，输入并非随手拍一段视频就够：方法需要相机位姿、物体掩码和 3D 包围盒等信息，完全看不见的部分也仍靠推断。论文中的几何指标优势来自作者实验，不能当作物理仿真已经可靠的证明。仓库可见推理代码及权重入口；9 月 7 日的 README 更新也不应另算一次重大发布。

WorldSculpt 论文 · 项目代码

🧪 AI 设计的药物，出现了值得追踪的衰老指标变化

AI for Science / 生物医药 · 8.5/10｜持续观察

英矽智能的候选药 rentosertib 原本用于研究特发性肺纤维化。9 月 7 日发表于《Nature Biotechnology》的新分析，用六种蛋白质衰老时钟，重新检查了一项 12 周二期早期试验中 42 名患者的血液蛋白数据。接受治疗的组中，六种模型预测的生物学年龄都呈下降方向。

“衰老时钟”可以理解为根据生物指标估计年龄或相关风险的模型。多个不同模型给出一致方向，比只挑一个指标更值得追踪。对 AI 制药而言，这项工作也提供了一种研究思路：在治疗某种疾病的试验中，同时观察与衰老有关的变化，尽量从难得的人体数据里获得更多信息。

但预测年龄下降，还不能证明人变年轻或活得更久。这只是小样本的探索性分析，原试验的蛋白质数据子集也不等于一场独立的抗衰老临床试验。论文明确指出，现有数据无法充分分开疾病改善与衰老变化的影响。值得关注的是后续验证，而不是把它当成已经成功的抗衰老药。

原始论文与方法

⚖️ AI 换脸、拟声和训练数据，最高法给出更细的审理指引

治理 / 应用边界 · 8.5/10｜建议阅读原文

最高人民法院 9 月 7 日发布《关于依法审理涉人工智能纠纷案件的意见》，覆盖人格权益、训练中的个人信息处理、服务提供者责任等问题。对做 AI 产品和内容的人来说，它把几类常见争议放到了更具体的判断条件下。

例如，未经同意，使用某人的声音训练并生成能够识别出该人的合成人声，涉及声音权益保护；但关于合法公开个人信息的训练使用，文件又要求结合处理目的、必要性、信息敏感程度和个人合理预期判断范围，不能概括成“公开了就可以随便用”。

责任认定同样要看具体情境，包括自主化程度、潜在风险、预防措施以及相关方的控制能力。产品能力越强，数据授权、投诉处理和操作记录就越需要进入产品设计。这份文件适合直接保存原文，避免用一句“AI 生成所以免责”或“出了问题都找开发者”代替判断。

最高法发布说明及《意见》全文

今天的主线

几项技术研究都在回答生成之后的问题：代码能否组成一个合用的客服，3D 场景能否拆成可用资产，训练中的一次进步能否变成下一轮更细的反馈。进展越来越需要放到完整流程里衡量，单次演示或一个总分能说明的事情有限。

AI 制药与司法指引则从另外两端补上了这个视角：前者需要证明模型指标对应真实获益，后者需要说清出了问题由谁承担什么责任。能力往前走，验证和责任也得跟上。