AI技术每日分析：99.1%零样本叠衣之后，具身智能开始比拼可靠性

2026-07-18

AI技术, 微信公众号

摘要：今天的AI技术动态集中在可靠性、安全、推理芯片和终端智能体四个方向。Sunday Robotics发布ACT-2预览，宣称其机器人基础模型在陌生家庭和未见衣物上实现99.1%的零样本叠衣成功率，并提出用“Solve”标准披露测试条件和人工介入程度。Capital One开源VulnHunter，把攻击路径推演、反证机制和代码修复建议组合成面向开发者的智能体安全工具。

AI技术每日分析：99.1%零样本叠衣之后，具身智能开始比拼可靠性

2026年7月19日星期日 | 中国高技术产业发展促进会新质生产力工作委员会

摘要

今天的AI技术动态集中在可靠性、安全、推理芯片和终端智能体四个方向。Sunday Robotics发布ACT-2预览，宣称其机器人基础模型在陌生家庭和未见衣物上实现99.1%的零样本叠衣成功率，并提出用“Solve”标准披露测试条件和人工介入程度。Capital One开源VulnHunter，把攻击路径推演、反证机制和代码修复建议组合成面向开发者的智能体安全工具。AI推理芯片创业公司Etched据报正洽谈按约200亿美元估值融资，但首款产品仍处在客户测试阶段。TechCrunch对Vertu手机内置Hermes Agent的实测则显示，智能体越愿意自主执行，越需要可靠的时间理解、上下文保持和确认机制。Ai2近期公开的Shippy架构进一步指出，高风险智能体需要确定性工具、隔离沙箱和系统级评测，而不能只看底层模型分数。

一、ACT-2把机器人竞争焦点转向“泛化后的可靠性”

Sunday Robotics发布ACT-2预览。公司称，该模型能够把少量内部微调带来的性能提升迁移到未见环境；在不同陌生家庭和不同衣物组成的测试中，叠衣任务取得99.1%的零样本成功率。其核心主张是，一条新的微调示例即可教会预训练模型一种能够泛化的行为，从而减少为每个家庭、物体和布局重新采集大量机器人数据的需求。

公司同时提出“一个Solve”的测试表达方式，要求说明机器人完成了什么任务、在哪些环境测试、需要多少额外训练、是否依赖人工远程协助。这个提议针对机器人演示长期存在的可比性问题：单次成功视频无法说明失败率，也无法判断环境是否经过特别布置。

ACT-2的99.1%目前主要来自公司披露，仍需更多独立测试，但其评价方法值得关注。具身智能要进入家庭和服务场景，决定产品价值的不是偶尔做对，而是面对长尾变化时持续做对。

二、Capital One开源VulnHunter：让AI先证明漏洞“确实可利用”

Capital One发布并开源VulnHunter。它不是只寻找危险函数或代码模式，而是从API、网络消息和文件上传等攻击者可触达入口出发，沿应用逻辑向前推演，判断攻击是否能够穿过数据转换和安全检查，最终形成可执行的攻击路径。

工具加入了反证引擎。发现问题后，系统会主动寻找不成立的前提、攻击链中的逻辑缺口以及阻止漏洞利用的条件，尽量在告警到达开发者之前排除误报。对于未被推翻的结果，VulnHunter会汇集跨文件证据、解释攻击者可能获得的能力，并生成供工程师审查的定向修复建议。项目采用Apache 2.0许可证，初始实现围绕Claude Opus 4.8和Claude Code构建。

这类工具代表AI代码安全从“生成更多告警”转向“验证真实可利用性”。企业安全团队常被大量低质量告警拖慢，智能体的价值取决于能否给出证据链、降低误报，并把发现、复核和修复连接到同一工作流。

三、Etched估值洽谈升至200亿美元：资本押注推理专用芯片

《华尔街日报》7月18日报道，AI芯片创业公司Etched正在洽谈由Jane Street等投资方参与的新融资，目标估值约200亿美元；公司同时还在推进另一笔按100亿美元估值计算的融资。相关交易尚未完成，条件仍可能变化。

Etched专注于大模型推理芯片。公司此前披露，台积电已经制造其首款芯片，面向客户提供包含芯片、机架和软件的推理集群，并称已获得约10亿美元合同订单。不过，首款产品仍处于客户测试阶段，尚未经过大规模商业部署验证。

估值快速上升说明推理成本已经成为AI产业竞争的核心。训练支出高度集中，而推理会随着每一次用户调用持续发生。专用ASIC如果能在特定模型架构上提高吞吐量和能效，就可能切入GPU之外的市场；但架构适配范围、软件生态、良率和真实负载稳定性仍决定其商业上限。

四、Hermes Agent实测暴露终端智能体的“自主性悖论”

TechCrunch对Vertu Alphafold手机内置Hermes Agent进行了多日测试。该智能体基于开源Hermes项目，可分析本地文件、操作多个应用、记忆对话，并在必要时转交人工礼宾服务。测试中，Hermes更愿意直接执行跨应用任务，但也出现提醒时间错误、行程日期错误、工作流未完成以及数日后无法继续读取此前文档上下文等问题。

与之对比，Gemini在部分任务中会先追问机场、提醒工具等细节，执行步骤较少，却得到更准确的结果。这说明终端智能体并非越少确认越好。涉及日程、消息、支付、导航和企业数据时，系统需要区分低风险自动执行与高风险确认，保持状态，并允许用户看到和撤销即将发生的操作。

智能手机为智能体提供了通讯录、日历、文件、定位和应用权限，是最接近真实行动入口的终端。产品竞争将从聊天界面转向权限编排、上下文连续性和错误恢复。

五、Ai2复盘Shippy：高风险智能体应评测整个系统

Ai2近期公开海事智能体Shippy的技术复盘。Shippy面向海洋保护和执法分析，错误答案可能导致巡逻船偏离目标、浪费资源甚至影响人员安全。团队因此把可靠性拆成确定性工具、沙箱隔离和系统级评测，而不是只根据基础模型排行榜选择方案。

其架构思路是让模型负责理解意图和规划步骤，把可验证的计算、地理查询和数据处理交给确定性工具；代码及外部调用运行在隔离环境中；评测对象则是完整智能体，包括工具选择、引用证据、失败恢复和最终答案。

这条经验适用于企业智能体。模型升级可能改善推理，却不会自动解决权限、工具错误、状态丢失和数据污染。真正可上线的智能体需要把非确定性推理包在可观察、可限制和可回放的工程框架内。

参考资料

Sunday Robotics：《ACT-2 Preview: Generalizing Reliability》，2026-07-17；用途：核验ACT-2架构主张、99.1%零样本成功率和单样本微调泛化。
https://www.sunday.ai/blog/act-2-preview

Business Insider：《Sunday Robotics says its robot can fold clothes it has never seen in unfamiliar homes》，2026-07-16；用途：补充陌生家庭测试、“Solve”标准和传感手套训练方式。
https://www.businessinsider.com/sunday-robotics-memo-home-robot-fold-laundry-99-success-2026-7

Capital One Tech：《Announcing VulnHunter》，2026-07-16；用途：核验开源工具、反证引擎、前向攻击分析和修复流程。
https://www.capitalone.com/tech/open-source/announcing-vulnhunter/

GitHub / Capital One：《VulnHunter》，持续更新；用途：核验许可证、安装方式、架构文档和已知限制。
https://github.com/capitalone/vulnhunter

VentureBeat：《Capital One releases VulnHunter, an open-source AI tool that finds software flaws before hackers do》，2026-07-17；用途：补充行业评价和企业开源安全背景。
https://venturebeat.com/technology/capital-one-releases-vulnhunter-an-open-source-ai-tool-that-finds-software-flaws-before-hackers-do