AI 又答对了几道题，
已经没那么新鲜了
现在要看它能否进入真实、可复核的工作链。

AutoResearch 前几周最容易传播的说法，是一个人让 Agent 自主写出了数百页论文。这个说法抓眼球，却藏住了可复用的部分。6 月公开的 paper-writing Skill Group 是一套分工明确的流水线：文献检索先追求高召回，再按时效、引用、会议与接收状态评分；写作、实验、图表和模拟审稿交给不同子技能；每轮根据审稿意见返工。读起来像一间小型编辑部的操作手册，比万能提示词具体得多。

作者页面列出的生产统计很夸张：前三篇综述合计 941 条引用、190 页、约 195 万输出 Token，经历约 210 轮迭代。这些都是项目自报数据，自动审稿的 8.5 分也不能当作学术共同体的接收意见。不过，记录至少把成本与过程摊开了。自主写作远非免费按一下按钮；搜索、模型调用、人工规则和多轮失败都要付账。

普通知识工作者无需搬回整套系统，借走几道门就够了。先做来源分层，别把搜索结果前十条当成全貌。成稿前再开一次反方审阅，专门找过度断言、证据缺口和遗漏。最后设停止条件：每轮修改都有具体目标，处理完清单就交付，别让 Agent 在“继续完善”里无限消耗。这套方法也适用于行业报告、产品方案和重要邮件。

这个 Skill 值得读，但“AI 研究员已经成熟”的说法站不住。作者明确写着，公开范围只有 paper-writing 技能组；搜索、API、路由和部署仍有内部依赖，论文质量也要由领域专家核验。公开流程设定的引用核验目标是至少 80%，这也意味着它没有承诺每条引用都已核对。它公开的是厨房动线：备料、质检和返工怎么安排，一目了然。至于菜好不好吃，仍得逐道尝。

还有一个容易漏掉的成本：门禁本身也要被审查。自动审稿人可能共享同一种偏见，评分连续上升也可能只是越来越迎合评分规则。若要把这套方法用于重要报告，最好保留一轮真人检查，专门核对关键数字、原始出处和被系统忽略的反例。

很多人向 AI 问健康问题时，开场只有一句：“最近头晕，怎么回事？”通用模型往往能列出一串可能性，也会附上一句建议就医。听起来周全，问题却出在更前面：它不知道头晕持续多久、是否突然发生、有没有用药、是否伴随胸痛或肢体无力。资料不完整时，答案写得越流畅，越容易让人误以为已经得到了一次判断。

今年几项研究开始把重点从一次性答题移到多轮对话。ThReadMed-QA 收集了 2437 个真实患者与医生对话线程、8204 组问答，最长 9 轮。结果并不乐观：测试中表现最好的 GPT-5 只有 41.2% 的回答完全正确；一次答错后，后续答错概率会增加 1.9 到 6.1 倍。多轮会补信息，也会传递错误。

另一项研究 MedClarify 尝试用“哪个问题最能减少不确定性”来选择下一问，相比单次回答基线，把诊断错误降低了约 27 个百分点。两个结果放在一起更接近现实：追问本身没有魔法，问题质量和上下文管理才有。真实就诊也不会先出现一份完整病例，医生是在追问中逐步补齐时间线、症状组合和风险信号。

普通用户可以顺势调整目标。把 AI 当成就诊前的整理员，比当诊断员安全得多。让它检查叙述还缺什么：症状何时开始、变化趋势、既往病史、正在使用的药物、已做检查和最担心的问题。最后得到一张沟通清单，而非处方。涉及胸痛、呼吸困难、意识改变、单侧无力等紧急信号时，别再靠对话排查，直接联系当地急救或医疗机构。

产品也要保留每轮信息的来源，允许用户纠正，并把不确定性原样带给医生。模型若在后台悄悄补成一个完整故事，长对话只会让错误更难发现。更有意义的指标是：面对缺失、含糊甚至矛盾的描述时，它能否暂停结论，并把原因说清楚。两项研究目前都是预印本，而且一个数据集来自线上问答，不能直接外推到医院里的临床效果。

VibeThinker-3B 的成绩确实漂亮：技术报告给出的 AIME26 分数为 94.3，加入 claim-level test-time scaling 后为 97.1；LiveCodeBench v6 的 Pass@1 为 80.2，并报告在近期未见 LeetCode 竞赛上有 96.1% 接受率。一个 3B 稠密模型进入这一区间，说明课程式监督微调、多领域强化学习和离线自蒸馏，能把数学与代码这类可自动判对错的能力压得很紧。

争议来自媒体标题常见的下一步：把某几项分数接近 Claude、Gemini 或 DeepSeek，缩写成“小模型追平旗舰”。论文其实比标题克制。作者提出的正是“参数压缩—覆盖假说”：可验证推理可能被压进一个很小的能力核心，而开放世界知识、长尾事实和通用任务仍需要更宽的参数覆盖。换句话说，它证明的是专项训练可以很强，不是 3B 模型忽然拥有了旗舰模型的全部经验。

为什么基准仍然有用？因为数学答案和代码测试都能复核，社区也能下载模型、按公开配置重跑。为什么又不能只看榜单？因为训练目标、采样次数、测试时计算量和题目分布会显著改变结果；同一模型在不擅长的开放问答、事实检索、模糊需求和工具协作里，可能完全是另一副样子。把不同模型的一列最高分横向拼起来，也很容易忽略评估设置并不相同。

对用户最实用的结论，是先按任务选模型。你若做可验证的代码补全、数学推理或本地批处理，小模型的成本、速度和隐私优势可能比“全能”更重要；你若需要跨领域研究、最新事实、复杂沟通，就不能用几张数学榜单替代真实试跑。基准没有坏，它只是回答一个窄问题。坏掉的通常是我们把窄答案写成了宽标题。更稳妥的采购办法，是固定一组自己的失败样例，比较成功率、延迟和总成本，而不是每次跟着公开榜单更换模型。

FDE，Forward Deployed Engineer，最近从一个小圈子岗位变成了 AI 招聘热词。名字像售前工程师，实际更接近“驻场的产品工程师”：跟着客户进入真实环境，找到最值得自动化的流程，把模型接上内部数据和工具，再处理权限、审计、合规、旧系统与上线后的故障。它的工作成果不是一场漂亮演示，而是一条有人愿意每天使用、出错后也有人负责的业务链。

OpenAI 今年成立 Deployment Company，并通过收购 Tomoro 扩充约 150 名部署人员。官方对 FDE 的描述很直接：他们嵌入组织内部，设计、构建、测试并部署连接模型、数据、工具与控制机制的系统。UnitedHealth 6 月发布的招聘也说明，这个角色已经从模型公司扩散到医疗与大型企业。企业不是突然更喜欢“全栈人才”，而是发现采购 API 只解决了能力入口。

这股热潮暴露了 AI 落地里长期被低估的部分。模型能读文档，不等于它有权读公司的文档；能调用工具，不等于能绕过审批；一次试验准确，不等于数据分布变化后仍然可靠。真正耗时的是和业务人员一起定义例外、确定谁能批准、记录每次行动、设计人工接管，并在旧系统里找到可用接口。这些工作很难在总部写一套标准模板后批量复制。

对普通从业者，FDE 的信号也不只是“又多了一个高薪岗位”。它说明未来更值钱的组合能力，是懂业务、能沟通、会做小规模工程验证，并且愿意对上线结果负责。你不必改名叫 FDE，也可以从工作方式开始：挑一个具体流程，画清数据从哪里来、谁有权限、失败时退回哪里，再用 AI 改其中一段。能把模型带过组织摩擦的人，正在比只会比较模型榜单的人更稀缺。对公司而言，也要警惕把所有难题都塞给少数 FDE；真正能规模化的团队，会把一次次驻场经验沉淀成连接器、权限模板和评估集。

人形机器人演示过去常有一种明显节奏：走到桌前，停稳，重新规划，再伸手抓东西。Curr-0 想去掉这条接缝。Current Robotics 称它是一个全身灵巧操作基础模型，由同一套策略协调 70 多个自由度，让机器人在移动、保持平衡和双手精细操作之间连续切换。官方视频里的任务包括泡茶、整理文件、收拾桌面和物品归位。

公司披露的训练量是 2.1 万小时人类行为数据，其中约 2800 小时为全身示范。架构上，一个系统先学习步态、姿势与身体协调，另一个系统学习手部操作，再在完整数据上联合微调。这个路线反映了具身智能的现实难点：家务不是一只机械手在固定台面上抓标准物，而是身体位置、视野、接触力和双手动作不断互相影响。

不过，演示最容易遮住的也是失败分布。官方页面没有给出覆盖不同家庭、不同光照、陌生物品和连续数小时运行的统一成功率，也没有说明视频中挑选了多少次成功片段。2.1 万小时很大，但数据多样性、遥操作方式和真实机器人数据占比同样重要。WT-UMI 等同期研究还在专门解决接触力采集，说明“碰到东西时知道用了多大力”仍是整个领域的硬问题。

因此 Curr-0 现在值得看的，是动作之间开始接起来，而不是机器人已经会做家务。判断下一轮进展，可以盯三个更朴素的指标：陌生房间里是否仍能完成、连续任务失败后能否自我恢复、同一策略是否能跨机器人身体迁移。机器人视频终于没那么像分镜拍摄了，这是进步；要进入家庭，它还得学会在没有剪辑师时继续工作。家庭环境还会把安全要求抬得更高：玻璃、热水、宠物和突然经过的人，都不是标准测试台上的干净变量。一次动作失败不只扣分，还可能造成真实损失。离普通家庭购买，它仍有明显距离，更适合先看工业与实验场景。