AI 写代码提速之后，测试系统先跟不上了

约 2,900 字 · 阅读约 10 分钟

Juju Radar · 2026 年 9 月 15 日

本期导读

今天先看一篇很具体的工程复盘：AI 写代码更快了，测试结果却来不及处理。再看新版 Siri 的实际开放范围，以及企业为何在数据留存问题上给前沿模型设限。

三篇新公告的论文分别讨论机器人换环境后的失灵、长上下文的计算成本，以及 AI 生成的零件能否真正装起来。

检索截至北京时间 9 月 15 日 07:00。论文提交日与公告日分开记录；部分来源只提供日期，无法精确到小时。

🛠️ AI 写代码提速，测试系统先跟不上了

Coding Agent / 工程实践 · 8.5/10 · 建议深挖

AI 写完代码，后面还有构建、测试和审核。Anthropic 在 9 月 14 日的工程复盘中说，过去六个月，公司持续集成系统的任务量增长了 25 倍。最先跟不上的，是一项记录测试结果、帮助系统决定下一次该跑哪些测试的服务。

原来的设计把历史记录和处理状态放在单个进程里。换更大的机器、拆分工作进程、每天重启，都只能暂时缓解积压。最后，团队让采集进程只负责把结果写进共享存储，再由独立进程汇总测试历史。采集服务不再背着全部状态，可以按需要增加实例。

这里没有“未经测试的代码被直接上线”的证据：作者明确说，丢的是部分测试结果的记录，测试本身仍然运行了。25 倍也是内部任务量，不能当成生产率提高 25 倍。新架构运行成本更高，但扩容和排查问题更容易。对正在使用 Coding Agent 的团队，这篇比一句“开发效率大涨”更有参考价值：代码产量上去之后，先量一量测试、日志和审核还能接住多少。

📱 新版 Siri 开始上线，重点是跨应用办事

个人助理 / 系统级 Agent · 9/10 · 建议深挖

苹果 9 月 14 日宣布，Siri AI 开始随新一代系统分批开放英语测试版。它可以结合邮件、信息、照片和屏幕内容理解请求，再在应用里执行操作。苹果给出的例子是：从家人发来的邮件或信息里找到菜谱，把需要买的食材放进提醒事项。

这次值得关注的，是助手能否接上手机里已经存在的信息和操作。过去用户常常需要先找到资料、复制给聊天工具，再把答案搬回应用。系统级助理如果能可靠完成这些步骤，省下的是来回切换和整理上下文的工夫。苹果还把 Siri 做成独立应用，方便继续之前的对话。

开放范围需要单独看：目前先支持英语，中国大陆暂不可用；欧盟的 iPhone、iPad 和 Apple Watch 也不在首批开放范围。部分第三方应用动作仍标为即将支持，服务器端功能另有每日使用限额。发布页展示的是官方能力说明，尚不能据此判断复杂任务的成功率。这是一次实际开放进展，离“所有人都能把事情放心交给 Siri”还有测试要做。

🔐 企业用不用前沿模型，卡在了数据留存上

企业 AI / 数据控制 · 8.5/10 · 持续观察

据路透社 9 月 14 日转述 The Information 的报道，NVIDIA 限制 Anthropic 模型处理敏感任务，Booz Allen Hamilton 限制其用于客户的专有网络安全工作，Palantir 则要求更牢固的零数据留存保证。报道依赖知情人士，相关公司当时未回应路透社的置评请求；不能把这些情况扩大成几家公司全面停用 AI。

争议也不能简单写成“客户数据被拿去训练了”。是否用于训练、是否为安全监控保留日志、谁能读取这些记录，是不同问题。客户担心的是专有信息如何被处理，这篇报道并未证实已经发生泄密。

Anthropic 已在 9 月 1 日公布 Enterprise Frontier Safeguards，计划让客户控制日志存储、密钥和人工复核，仍保留自动安全检测。这不是今天临时推出的回应，而且方案要分阶段开放。模型能力越强，企业越可能把核心工作交给它；数据由谁保管、谁来审核，也就越难只靠一条笼统承诺解决。

9 月 14 日，NVIDIA 宣布 Perplexity 的本地 Agent Portable Computer 已支持 Windows RTX 电脑，要求显存至少 24GB。官方称，本地完成的任务不消耗 Computer 云端额度；任务需要云端支持时，会先征求用户同意。这提供了另一种数据处理选择，但“可在本地运行”不等于所有联网工具都不传输数据，使用范围仍要逐项确认。

🤖 换个机位就不会干活，机器人可能学错了线索

机器人 / 泛化训练 · 8.5/10 · 建议深挖

机器人在训练场景里表现不错，换一盏灯、换一个摄像头位置，成功率却明显下降。LIT 的解释是：模型可能把无关的视觉细节也当成了动作线索。看得多，未必意味着学到了该看的东西。

它分两步训练。先不给图像，只用语言、机器人状态和示范动作的终点学习怎么运动；再加入视觉，但让视觉信息经过一组中间表示，才传给动作模块。训练时还要求这组表示能还原目标位置和姿态，鼓励它保留与动作有关的空间信息。实际运行时，不需要人额外提供终点坐标。

作者在四种机器人模型架构上做了实验，真实机器人部分只有三个任务。换机位后，三个任务合计成功率从 30.0% 升到 46.7%；有改善，但远谈不上可靠。相关代码、实机模型权重和数据已公开，尚未独立复现。这篇适合继续追：它尝试改变视觉信息进入动作模块的方式，而非单纯增加训练图片。论文 9 月 11 日提交，14 日进入 arXiv 公告。

🧠 长上下文太贵，让模型学会挑哪些内容值得看

稀疏注意力 / 推理效率 · 8.5/10 · 建议深挖

长文档和长任务越来越常见，每生成一个新词都把前面的内容读一遍，计算会很贵。稀疏注意力只选一部分上下文参与计算，难点是选谁。以往一些方法让选择器模仿原模型关注了哪里，但原模型看得多的地方，未必是在有限预算下最有用的地方。

腾讯混元团队的 SAS 把选择器的分数直接接进注意力计算，让最终预测的误差也能反过来训练选择器。它仍然只选有限的内容块，但同时保留所选内容之间的优先程度。代码包含训练、评测和基于 SGLang 的稀疏推理实现。

在 Qwen3 的几种规模模型上，作者报告了推理、长上下文理解和工具使用任务的改善。速度测试需要注意口径：Qwen3-4B、单卡、批量为 1、512K 上下文时，逐词解码约快 5.6 倍；测试先读完输入，再计量生成阶段，输入预处理并没有提速。8K 上下文时两者速度接近。因此，它更像是长任务的一项专门优化，不能直接写成“所有请求快了五倍”。论文 9 月 11 日提交，14 日公告。

🧩 AI 生成的零件，打印出来能装在一起吗

3D 生成 / 探索性研究 · 8/10 · 持续观察

生成一把椅子的 3D 模型，椅面、椅腿都很像样，不代表打印出来就能拼成椅子：零件可能互相穿插，也可能根本没有连接位置。SNAP3D 专门补这一段，从已有模型的零件出发，先消除重叠，再找接触面、生成连接结构，最后用物理模拟调整连接件。

作者在 100 个模型上测试，并展示了六个 3D 打印后手工装配的实物。论文报告 95% 的模型通过规定的仿真稳定性检查，但这不等于 95% 都能直接制造：仿真固定了接触地面的部件，按位移和转角判断其他部件是否稳定，也没有完整建模打印材料的变形。

还有个很实际的缺口：装好之后站得住，不代表装配过程一定可行。作者尚未处理装配顺序，某个连接口可能被其他零件挡住。当前项目页有演示，仓库明确写着代码待发布。这是本期偏探索的一篇：如果生成结果要走出屏幕，评价标准就得包括能不能接上、装上、用上。论文 9 月 11 日提交，14 日公告。

今天的主线

AI 能做的事增加以后，原来配套的系统未必跟得上。Anthropic 要重做测试结果的处理方式，企业客户要重新谈数据存储与访问权限，Siri 则要逐项接入应用动作。这些工作不会体现在一张模型排行榜上，却直接影响能否投入日常使用。

机器人和 3D 生成的两篇研究，也把问题落到了实际环境里：换个机位还能不能完成任务，生成的零件能不能拼起来。它们的结果还有限，但提出的验收问题值得留下。