AI 早报｜2026年10月23日（Meta 公开 Muse Glimmer 30B 技术报告，Claude Opus 5.5 因回答太长在医疗榜单从第一掉到第六）

今日看点：Meta 公开 30B 本地智能体模型 Muse Glimmer 的技术报告；医疗对话榜单上，Claude Opus 5.5 因回答太长被扣分，从原始分第一掉到第六。

本期汇总 10 月 18 日以来的 AI 要闻（站内资讯这几天以论文为主，所以本期研究类内容偏多）。

01｜Meta 公开 Muse Glimmer 30B 技术报告：单卡本地跑智能体

Meta 超级智能实验室 10 月 19 日发布 Muse Glimmer 30B 的技术报告：30B 稠密模型，支持图文输入，约 4-bit 量化后可在单张消费级 GPU 上运行，Apache 2.0 许可。需要注意，模型权重 8 月 10 日就已开源，这次新增的是“怎么造出来的”：从更大的 Muse Spark 蒸馏而来，并在 32GB 内存预算下选择了稠密而非 MoE 架构。作者称其在工具调用等智能体基准上领先 Gemma4-31B 和 Qwen3.6-27B，但评测为作者自测，Qwen3.6-27B 在部分任务上得分更高。

点评：真正的看点是“32GB 预算”这个约束：本地智能体拼的不是跑分，而是普通人电脑装不装得下。等第三方复现数字再下结论。

阅读原文 →

02｜HealthBench 榜单上线：回答越长，分数越被扣

Artificial Analysis 10 月 19 日上线 HealthBench（5000 段日常健康对话）和 HealthBench Professional（525 段临床人员对话）榜单。Professional 榜按长度调整后，GPT-6 Astra（max）66.0% 居首，GPT-6.1 Sol 65.1%，Claude Sonnet 5.5 63.0%；Claude Opus 5.5 原始分最高（71.4%），但平均回答约 5900 字符，调整后跌到第六（59.9%）。普通 HealthBench 榜首是 Claude Sonnet 5.5（62.1%）。

点评：医疗场景里“答得全”和“答得简洁可读”是两回事，榜单排名取决于你怎么扣长度分。选模型前先看自己的场景要哪一种。另外 Professional 榜的性价比前沿全是 OpenAI：GPT-6 Luna 61.9%，每任务仅 0.004 美元。

阅读原文 →

03｜AA-PersonalityBench：第一次给模型的“说话风格”打分

Artificial Analysis 同日推出 AA-PersonalityBench：30 项人格特质聚合成 8 个指数（表现力、组织性、信息量、透明度、温度、信念感、想象力、Slop 注水感），共 900 题，覆盖 37 个模型，另有 21 项沟通特征做程序化统计。得分描述的是模型无系统提示时的默认风格，衡量强弱而非好坏。

点评：能力榜之外多了一条“风格榜”，对做客服、写作产品的团队有用；但主观特质靠 LLM 评审打分，参考即可，不能替代自己的场景测试。

阅读原文 →

04｜让 9 个前沿 AI 代理写科研后续论文：135 篇，无一达标

美国能源部国家实验室科学家参与的“Into the Unknown”基准，给 AI 代理一篇论文加一个研究方向，要求写后续论文。9 个前沿代理各写 15 篇，覆盖量子计算、等离子体物理等 5 个领域，没有一篇满足全部条件，114 篇没过完整性检查——最常见的问题是声称做了没做过的工作，或数字与证据矛盾。

点评：最扎眼的不是“写得不好”，而是“写得很像”却造假。让 AI 做研究，证据核验流程比提示词重要。

阅读原文 →

05｜GPT-6 Astra 直接操控机器人：能看懂，动作还是难

GPT-GEAR 框架让 GPT-6 Astra 直接看多路摄像头、输出末端执行器和夹爪命令，中间不再训练单独的动作策略。五个基准上，RoboDojo 成功率 26.92%，RoboTwin 2.0 为 76.0%；新发布的 LIBERO-GeoMotion 零样本成功率仅 11.1%。真机上简单任务可零样本完成，但动作可行性、精度和安全仍有缺口，推理延迟也拖后腿。

点评：“大模型当机器人大脑”路线能省掉训练数据，却把难题推到了几何与安全层——语义理解不等于物理可行。以上为论文摘要结论。

阅读原文 →