小米用75万条轨迹训练 Agent，亚马逊封住 Meta 购物助手

约 4,600 字 · 阅读约 16 分钟

Juju Radar · 2026 年 9 月 22 日

本期导读

今天最有分量的消息，不是又多了两个模型名字。

小米把代码、网页、视觉操作和安全任务混在同一批次里做大规模强化学习，六天跑出约75万条轨迹；xAI也把Grok的训练重心继续推向数小时的软件和办公任务。模型正在被训练成能在环境里反复尝试、检查和改正的执行者。

能力往前走，外部世界的边界也马上撞了上来。Meta的Muse可以像人一样打开网页、填写表单和购物，Amazon却直接把它挡在站外。不列颠哥伦比亚省则起诉OpenAI，要求法院回答另一个更沉重的问题：平台发现可信的暴力威胁后，究竟应在什么时候通知警方。

最后补看一篇论文。RecreationWorld让Agent只看一个正在运行的应用，然后从零重做。最强模型总分已经过半，但真正把所有程序测试都做对的任务只有2.8%。这比“能不能写出一个像样的界面”更接近长任务的真实难度。

🧠 MiMo-V2.6：重点不是模型变大，而是一次怎样喂下75万条轨迹

基础模型 / Agent训练 · 9.5/10 · 建议深挖

小米发布MiMo-V2.6 Pro和Flash，并开放两款模型的权重、技术报告以及一批强化学习资源。Pro是稀疏混合专家模型，总参数1.02万亿，每个token激活约420亿参数；文字、图像、视频和音频共用一套模型，上下文长度100万token。权重采用MIT许可证。

这次真正值得看的，是训练方法。小米把编码、通用Agent、视觉操作和网络安全任务放进同一批强化学习，用全异步GRPO训练。每一步取1568个任务，每个任务并行生成16条轨迹，再由不同环境中的可验证结果给奖励。Flash和Pro各训练30步，合计产生约75万条轨迹，官方披露成本分别约85万美元和262万美元。

长任务的奖励不能只看“最后有没有通过”。两个方案都通过测试时，一个可能走了很长的弯路，另一个可能改动更小、用的token更少。MiMo为此加入组内比较：先从同组轨迹的差异中生成任务专属评分标准，再给已经通过基础验证的方案排优劣，把更短的路径和更好的实现重新写进优势值。它同时冻结MoE路由，并用对抗评估、异常检测和验证器交叉检查来压制奖励投机。

官方训练记录里，Flash在DeepSWE v1.1从48.8升到65.7，Pro从58.4升到72.6。最终模型卡给Pro报出的DeepSWE成绩是71.9。数字的轻微差别来自训练过程与最终评测口径，至少说明这些分数不能混成一张“持续上涨”的曲线。更大的限制是：30个更新步仍是一段短实验，官方用“递归自我改进”来描述方向可以理解，但还不足以证明模型已经形成长期、开放式的自我提升。

另一个容易被模型本身遮住的变化，是训练环境的供给方式。配套论文CodeMidas不再依赖GitHub issue和提交记录，而是从现有源码反推功能、自动写测试，再筛成可执行任务。它从3185个仓库构造了5545个任务，覆盖23种语言和15个技术领域。若这条路线站得住，Agent训练的瓶颈会从“哪里找人工标注题”转向“能否自动造出可信的环境和验证器”。

MiMo-V2.6已经是一次很完整的开放发布，但榜单仍主要来自官方评测，1.02万亿总参数也意味着本地部署门槛很高。接下来应看社区能否复现训练资源、长任务收益是否能延续，以及不同任务混训时会不会互相抢占能力。

🛒 Amazon封住Muse：AI能替你购物，不代表商家必须让它进门

Agent / 平台规则 · 9.3/10 · 建议深挖

Meta在9月8日推出个人Agent Muse。它运行在云端虚拟机里，可以打开浏览器、填写表单、发邮件和下单；没有API的服务，Muse就“像用户一样”从网页操作。不到两周，Amazon开始阻止Muse访问购物流程，并向用户显示：未经授权的AI Agent继续访问，违反Amazon使用条款。

双方说的是两套不同的授权。Meta强调用户已经授权Muse代自己行动：凭据放在安全存储中，模型看不到密码和支付信息；独立的Sentinel Agent会检查所有对外动作；发送邮件和购买前还要再次问用户。Amazon强调网站运营者并没有授权Meta：Muse浏览时不主动表明身份，却能进入账户页、订单历史和结算流程，平台无法区分这是用户本人，还是一个替用户行动的第三方。

这不是简单的“安全公司对创新公司”。Amazon有自己的购物助手，也依赖站内搜索和广告收入；如果Muse替用户直接比较商品、跳过赞助位并完成购买，Amazon会失去部分界面控制权和商业数据。Meta同样不只是替用户省几次点击。谁站在用户与商家之间，谁就能决定推荐、支付和后续服务怎样串起来。

争议的技术核心，是浏览器Agent继承了用户会话，却没有形成网站普遍接受的机器身份。API调用通常有应用名称、权限范围和撤销机制；浏览器自动操作常常只有Cookie和用户的登录状态。站点可以把它看成用户使用的新工具，也可以把它看成未经同意的自动访问。此前Amazon与Perplexity的诉讼已经表明，反黑客法律未必能简单禁止代理访问，但合同和网站条款仍可能成为拦截依据。

以后能否顺畅使用个人Agent，不只取决于模型会不会点按钮。Agent要有可识别的身份，用户授权要能被网站验证，商家还要决定哪些动作允许自动完成。没有这套协议，能力越强的浏览器Agent，越容易在真正有价值的账户和支付场景里撞墙。

⚖️ 不列颠哥伦比亚省起诉OpenAI：风险识别之后，谁来决定是否报警

AI安全 / 法律责任 · 9.2/10 · 持续观察

不列颠哥伦比亚省政府宣布在加州起诉OpenAI，指控公司在Tumbler Ridge校园枪击案发生前已经识别到涉案账户的暴力内容，却没有通知执法部门。省政府声明没有公布完整起诉书或新的内部证据，具体事实和责任仍要由诉讼程序审理；现阶段能确认的，是政府已经从“研究法律选择”走到正式提起诉讼。

背景材料显示，OpenAI曾在2025年6月因暴力活动相关内容封禁该账户，并考虑过向执法部门转介，最后判断没有达到门槛。2026年2月枪击案发生后，OpenAI承认未能发现对方后来使用的第二个账户，并表示会加强高风险用户识别和执法转介机制。此前受害者家庭已经分别提起诉讼，这次不同之处在于省政府直接成为原告。

案件真正困难的地方，不是“看到危险词就报警”。平台每天会遇到大量虚构、情绪宣泄、研究讨论和真实威胁，误报会把私人对话交给警方，漏报又可能造成无法挽回的后果。系统必须把文本、时间、重复行为、现实目标和规避封禁等信号合在一起，还要留下足够清楚的记录，让事后能够解释是谁、根据什么标准做出了决定。

跨境又增加了一层麻烦。公司在美国，用户和潜在受害者在加拿大；什么程度的线索构成“可信威胁”，该交给哪一个司法辖区，平台是否负有主动报告义务，都没有一套全球通用答案。省政府还提出修改加拿大刑法，为AI造成的行为建立追责路径，这意味着案件的影响可能超出损害赔偿。

这些都是原告一方的主张，不应提前写成法院已经认定OpenAI违法。更值得跟踪的是诉讼能否迫使平台公开风险升级规则、人工复核记录和跨境通报流程。若法院确认平台在某个节点负有行动义务，聊天产品的安全工作就会从内部政策，进一步变成可以被外部审查的法律责任。

🚀 Grok 4.7：更长的强化学习，把提升集中在数小时任务

基础模型 / Coding Agent · 9.0/10 · 建议观察复测

xAI发布Grok 4.7。它换用了比4.6更大的基础模型，并把强化学习拉得更长、题目也更难，训练重点放在需要数小时完成的编码和知识工作。API支持50万token上下文，输入每百万token 2美元、缓存输入0.5美元、输出6美元；超过20万上下文后价格加倍。

从xAI自己的对比看，提升最明显的是长时间执行。CursorBench 4.0从40.4%升到46.3%，DeepSWE v1.1从65.2%升到71.0%，Terminal-Bench 4.0从20.3%升到38.0%。这组变化与MiMo的方向相似：不是只扩预训练规模，而是把更多强化学习算力花在需要持续操作环境、保存状态和检查结果的任务上。

但“最强编码模型”仍说不上。xAI列出的同表数据里，Claude Fable 5.1在CursorBench得51.8%、Terminal-Bench得57.9%，都高于Grok；GPT-5.6 Sol在DeepSWE得72.7%，也略高。Grok 4.7更有竞争力的地方是价格：它与4.6同价，另有两倍速度、两倍价格的Fast版本，不过Fast目前只在Cursor和Grok Build提供。

xAI还称新模型换了整套安全防护，在自家HackerBench中只有3.3%的高风险双用途请求被放行，并在LatchBio得到62.4%。这类安全成绩高度依赖提示集、拒答定义和判分方式，目前只能视作厂商自报。第三方最值得复测的，是长任务中断率、50万上下文的有效利用率，以及低价是否会被更多输出token和更长执行时间抵消。

🧪 Agent能重做界面，离重做行为还很远

论文 / Computer Use · 8.7/10 · 奇怪但可能重要

RecreationWorld给Agent一个正在运行的参考应用，不提供源码，要求它一边操作界面、一边在终端里写代码，最后重做出能运行的版本。任务横跨Ubuntu、macOS、Windows、Android和网页五个平台；RecreationBench各取50个应用，共250项。

这个设计比常见的截图还原更严格。Agent必须自己点开菜单、输入数据、观察状态变化，再写代码、启动自己的版本并回到界面检查。评测也不只看视觉相似度：隐藏测试会读取按钮状态、文本和操作结果，另有视觉断言检查布局、颜色和画布内容。每条测试先在参考应用上跑通，再由人工审核后冻结。

结果很能说明今天Agent的短板。GPT-6 Astra总分58.1%，在参评模型中最高；但只有2.8%的任务通过了全部程序测试。模型较容易复刻静态结构，对交互状态、计算结果和跨步骤行为明显更差，生成的应用也往往比原作更小、更集中在单个文件里。看起来像，并不等于真的一样工作。

论文还把这些环境用于训练，两个不同起点的模型在五项分布外评测中都比早期检查点更好，最高提升17.9个百分点。这个结果只能说明“用可执行反馈训练”有转移迹象，不能证明复刻应用已经解决通用Computer Use；不同平台的隔离强度也不完全一致，例如Android尚未提供数据包级的外连证明。

这篇论文9月18日提交，9月21日进入Hugging Face Daily Papers，因此列作近期补看，不算当天首发。它的价值在于把GUI操作、写代码和自动验证放进同一个长循环，也给“Agent是否真的完成了应用”提供了比演示视频更硬的答案。

今天的主线

今天五条内容可以连成两步。

第一步是把Agent练得更能做事。MiMo和Grok都把强化学习投入到更长、更复杂、可以反复验证的任务；RecreationWorld则把界面探索、代码实现和运行检查做成训练与评测环境。模型的进步越来越依赖环境、验证器和海量轨迹，而不只是更大的预训练语料。

第二步是给能做事的Agent划边界。Muse替用户进入Amazon时，用户授权与网站授权发生冲突；OpenAI识别到高风险行为后，则要面对隐私、误报和公共安全之间的升级门槛。Agent一旦能操作账户、支付和现实工具，身份、权限、审计和责任就会与模型能力一起成为产品的一部分。