机器人基础模型抢尽风头，但真正落地的是决策层

10月5日，Liquid AI 发布 d1。公司称这是它的首个决策模型，也是同类中第一个能同时处理图像和文本的模型。按公司博客的说法，d1 针对某个情境提问，给出每个可能答案的概率。它在一次前向计算中读完文本、图像或两者，不生成 token。一次文本决策耗时 200 到 300 毫秒。

厂商自己的基准测试值得怀疑。Liquid 称，在它测试的六项应用中的四项上，d1 与 GPT-6.1 Sol 持平或更好，这些应用从过滤客服工单到检测电路板；成本比该模型和 Claude Opus 5.5 都低 19 倍到 200 倍。在公开的 VisA 数据集上，它区分良品和缺陷件的准确率为 85% 到 97%。公司说，这项任务它从未训练过。

这对机器人意味着什么？过去一年，具身智能的故事被大型基础模型占据，而更难的问题往往是它们底下那个便宜、快速的判断：这个零件有没有缺陷，这次抓取安不安全，这一帧要不要再看一眼。Liquid 自己举的例子也偏向这一边。它把文档归入文件夹，用一句话目标操作航班搜索网站，还压缩编码智能体的工具输出，去掉 52% 的 token，同时保留任务需要的内容。

做决定的是小模型

本周另外两个发布也呈现同样的模式。10月5日发布的一个 GitHub 项目 Jeff-Code，把 8亿 的决策模型放进 Pi 的智能体循环里。Pi 是 Mario Zechner 和贡献者开发的编码智能体。Qwen 3.8-27B 每走一步，Jeff 就发起两次调用，每次约 0.2 秒：一次判断它能否自己走下一步，一次判断 Qwen 是否需要深度思考。项目报告称，在 1242 组配对任务上通过率为 62.4%，Qwen 单独运行是 62.8%；每个任务耗时是后者的 0.68 倍，配对差值为负 0.2 个百分点。

样本小，数字也小，但方向与 Liquid 的说法一致：只有当便宜模型说你需要时，才为前沿推理付费。Jeff-Code 也暴露了失败模式。约 5% 的任务里，它比 Qwen 单独运行多花 30 分钟以上，所以总耗时只降到 0.86 倍。

同样是 10月5日发布的 Reika 走的是相反路线。它优先围绕本地小模型设计编码智能体命令行工具，模型规模在 80亿 到 350亿，量化到 Q2 至 Q4，上下文窗口 32000。它的文档对局限写得很直白。测试中，140亿 到 350亿 的模型处理多文件任务最可靠，80亿 到 90亿 的模型能应付简单、边界清楚的任务，70亿 以下很少走得远。

工具框架自身的开销被反复提到。一次上下文中途重写重新处理了 8453 个 token 的提示词，预填充耗时 7.9 分钟；而在同一会话里追加内容只要 25 个 token 和 3.5 秒。一次 grep 调用报告「0 matches」，其实它根本没法完成这次调用，结果让模型把正确的匹配模式改了五轮。

「提示词的措辞是最弱的杠杆，」Reika 的 README 写道。面对一个模糊任务，Q2 量化的模型大约一半概率收敛、一半概率打转，框架改变不了这个比例，只能改变失败那一半的代价。

大型开放权重发布还没到

在这一切之上是 Beam，Reflection 的首个开放权重模型，10月5日公布。它是稀疏混合专家模型，总参数 5010亿，激活 230亿，预训练用了 238000亿 token，强化学习在 10500 块 NVIDIA GB300 GPU 上跑了四周，超过 1亿 次 rollout。

Reflection 对自己展示了什么、没展示什么说得很谨慎。Beam 仍在做最后的红队测试和评估；权重、技术报告和模型卡本月晚些时候公布。公司称 Beam 在编码和智能体任务上可与 GLM 5.2 这类更大的开放模型竞争，并接近 Qwen 3.8-Max，同时承认 Kimi K3 在原始能力上仍然领先。博客文章认为，它的优势在推理效率：推理分数与 GLM-5.2 相当，算力少 3 到 4 倍。

对任何用开放权重搭建机器人策略的人来说，这个效率说法最值得盯住，而在技术报告发布前它无法验证。

读一手材料，不读新闻稿

材料里还有两项值得直接读。NASA 和 IBM 于 10月5日在 GitHub 上发布了月球基础模型（Lunar Foundation Model）的微调和推理代码，附带用于陨石坑检测、IMP 分割和冰资源远景评估的 TerraTorch 配置，权重放在 Hugging Face 上。航天机构交出一个可复用的地理空间骨干网络，还带着能跑的下游任务，这种情况不多见。

10月5日上传到 Hugging Face 的 Interfaze 1.1 Lite 是一个混合架构模型，在单块 80 GB GPU 上运行，不依赖外部服务：一个推理核心调用 OCR、语音、分割和预测的专用模型，输出结构化 JSON。它报告 olmOCR-Bench 得分 83.8，MMMU-Pro 得分 73.2；Interfaze 本身则是 85.7 和 71.1。

本周并非所有数字都支持小模型这套说法。加州大学河滨分校 9月23日发表的一项研究发现，Llama-3.1-8B 和 Gemma-2-9B 的置信度与正确性来自不同的内部特征，所以模型的确信程度并不能可靠说明它答对了。按该校的说明，抑制纯粹与不确定性相关的特征会大幅降低准确率。任何想按模型自身置信度来分配工作的系统，都该先读这篇论文。