本期主线
智能下沉与互联：端侧 Agent 模型、具身垂直整合与 Agent 协议标准化
今天的五条信号锚定同一个转向——智能正在「往下走、向外连」：当云端 Frontier 模型能力趋于同质，竞争焦点下移到端侧 Agent 模型（分层执行、边缘可跑）与具身垂直整合（本体＋算力＋数据＋制造），并向外连到Agent 协议标准化（MCP）。端侧侧，Meta Muse Glimmer 与 NVIDIA Nemotron Lightning 把 Agent 拆成「强模型规划、小模型执行」的分层，Liquid AI 把 2.6B 级 agent 模型压进手机；具身侧，LG×NVIDIA 以全栈制造伙伴模式落地双足人形、小米 my16 以单模型多任务破 40.89% 拿下 CVPR/ICRA 双冠；研发侧，终端原生 Agent 成主界面、MCP 成互联标准、自愈 CI/CD 把评审变 agent 对 agent 的闸。一句话：模型「会不会做」不再是稀缺资源，谁能把智能沉到终端/具身、并能跨厂商互联治理，谁握下一程。
信号 01 / 终端智能 · 端侧 Agent 模型分层
Meta Muse Glimmer 30B 与 NVIDIA Nemotron 3.5 Lightning 落地：端侧 Agent 进入「强模型规划、小模型执行」分层时代
端侧 Agent模型分层消费级 GPU端云协同
事件
8/10 Meta 发布约 300 亿参数开源多模态模型 Muse Glimmer，定位「可长期运行在个人设备上的本地 Agent」，单张消费级 GPU 即可运行；Dense 结构，BF16 模式 KV Cache 仅约 52KiB/token，低于 Qwen3.6-27B 的 64KiB，机器学习研究者 Sebastian Raschka 指其突出点在「低内存占用 + 快 Prefill/Decode + 较完整 Agent 能力」的组合。
- 8/11 NVIDIA 推 Nemotron 3.5 Lightning 30B-A3B（Mamba-2＋MoE＋Attention 混合，支持最长 1M 上下文，可跑 RTX 5090 / DGX Spark / Jetson），定位 Agent 系统的高频执行层；配合 NeMo Switchyard 按任务复杂度动态调度大模型/小模型，避免 Agent 每步都调高成本 Frontier。
- Artificial Analysis 评测：Lightning 输出速度中位数约 301 tok/s，显著高于同尺寸开放权重模型约 106 tok/s 的中位水平。
为什么值得关注
端侧 Agent 模型从「一个模型全包」转向分层——云端 Frontier 负责复杂规划，本地小模型负责高频执行。这正切主人岗调的终端智能：推理成本与延迟的约束，靠「模型分层＋端云协同」解，而非无限堆参数。
对 SecOps：本地 Agent 长期驻留个人设备，凭据/数据不出端，攻击面从「云→端」反转为「端内自循环」，终端管控（进程、模型沙箱、数据出域）需重新评估，不能再只盯云端边界。
可核验数据点 · 8/10 Muse Glimmer ~30B 开源 | KV 52KiB vs Qwen3.6-27B 64KiB | 8/11 Nemotron 3.5 Lightning 30B-A3B | 中位 301 tok/s vs ~106 | 来源：东吴证券端侧AI周跟踪 · Sebastian Raschka · Artificial Analysis
信号 02 / 终端智能 · 边缘 Agent 模型开源
Liquid AI 发布 LFM2.5-2.6B 边缘智能模型：2.6B 参数、手机本地跑 Agent、220 tok/s（M5 Max）/ 30 tok/s（移动端）
2.6B完全本地Agent RL已开源
事件
8/5 Liquid AI 发布 LFM2.5-2.6B，专为 agent 工作流设计，2.6B 参数，可完全本地运行于手机等终端、不依赖云 API；约 34T token 预训练、词表扩至 128K，后训练含SFT＋教师专精＋多域策略蒸馏＋Agent RL四阶段，具备规划、工具调用与多步任务能力。
- 性能与兼容：M5 Max 上推理 220 tok/s、移动端稳定 30 tok/s；已在 Hugging Face 开源，原生支持 llama.cpp / MLX / vLLM。
- 指令遵循与工具使用能力据称可比近四倍规模的大模型，把「端侧 Agent」从旗舰芯片专属下放到 2.6B 级别。
为什么值得关注
中参数量 + Agent RL 后训练即可在手机跑多步任务，印证端侧「不可能三角（智能-功耗-成本）」的减法路线：不求跑分最高，求高频刚需稳定。与面壁 MiniCPM 系列下沉到汽车/手机/具身/航天的范式同路。
对终端智能方向，这是「把 agent 装进千元机/B 端设备」的工程样本——也是主人企业安全里「端内智能可控」命题的具象参照：本地模型开源可审计，比黑盒云 API 更易纳入终端管控。
可核验数据点 · 8/5 LFM2.5-2.6B 开源 | 2.6B 参数 | 220 tok/s(M5Max) / 30 tok/s(移动) | 4 阶段后训练含 Agent RL | 来源：aibase · Hugging Face
信号 03 / 具身智能 · 产业垂直整合
LG × NVIDIA 具身合作：以 Isaac GR00T + Jetson Thor + Halos 打造双足人形，定位「韩版富士康＋广达」
LG×NVIDIAGR00T垂直整合MOU
事件
LG 与 NVIDIA 达成合作（MOU），三大支柱：① 机器人——LG 用 NVIDIA 开源 Isaac GR00T 基座、Jetson Thor 车载算力、Halos 全栈安全系统开发下一代双足人形，目标 2027 Q1 亮相；年内先在 LG 田纳西洗衣机产线部署轮式 CLOiD 做 POC，再扩至全球工厂/家庭/商业。② AI 工厂、③ 移动出行。
- 整合逻辑：LG 以执行器（LG 电子）/ 传感器（LG Innotek）/ 电池（LG Energy）/ 软件集成（LG CNS）做垂直整合，NVIDIA 提供技术栈——定位「韩国版富士康＋广达」的全栈物理 AI 制造伙伴。
- 对 NVIDIA：每个 LG 品牌人形与 AI 工厂都把其技术栈带入韩/全球市场，单厂商难以复制。
为什么值得关注
具身落地的关键变量从「本体炫技」转向产业垂直整合＋仿真训练。LG 把机器人当「物理 AI 的全栈制造伙伴」而非单点产品，借 NVIDIA 仿真（Isaac Sim）与 GR00T 缩短真机学习曲线。
对主人具身方向：这印证「具身＝本体＋算力＋数据＋制造」四位一体，纯算法团队需补制造/供应链短板才不会卡在量产。注：MOU 非产品发布，年内唯一在市的是田纳西轮式 POC，双足商业化兑现待 2027 检验。
可核验数据点 · LG×NVIDIA MOU | GR00T + Jetson Thor + Halos | 双足 2027 Q1 亮相 | CLOiD 轮式 POC 年内田纳西 | 来源：PRNewswire · Korea JoongAng Daily
信号 04 / 具身智能 · 操作技术拐点
小米机器人 CVPR/ICRA 双冠：匿名模型 my16 单模型多任务 40.89%，「VLM 大脑 + 世界模型小脑」双系统
双冠单模型多任务40.89%VLM+世界模型
事件
小米机器人团队在 CVPR 2026 Workshops-GigaBrain Challenge-RoboChallenge 与 ICRA 2026 Whole Body Control 两大顶赛夺冠。GigaBrain 考验单模型多任务真机复杂操作，小米匿名模型 my16 以 40.89% 成功率登顶（今届唯一破 40%）；采用「VLM 大脑 + 世界模型小脑」双系统，长程任务理解 + 精细操作兼得。
为什么值得关注
真机复杂操作是具身从 Demo 到可用的分水岭。my16「单模型多任务破 40%」说明端到端大模型路线在真机操作上开始收敛，而非靠脚本堆叠。世界模型（小脑）补足 VLM（大脑）的实时控制短板，是当下最值得跟进的架构范式之一。
对具身方向：这也提示国内厂商在具身操作上的研发水位已到国际顶赛第一梯队。与信号 03 互补——03 是「制造/整合」侧，04 是「算法/操作」侧，具身落地两端都要硬。
可核验数据点 · CVPR2026 GigaBrain + ICRA2026 WBC 双冠 | my16 40.89%（唯一破40%） | VLM + 世界模型双系统 | 来源：AAStocks · 小米
信号 05 / AI CODING · AGENT · 范式迁移
开发范式迁移：终端原生 Agent 成主界面，MCP 成行业互联标准，自愈式 CI/CD 评审闸上线
终端 AgentMCP 标准自愈 CI/CDagent 对 agent
事件
终端原生 Agent 普及：Anthropic Claude Code / OpenAI Codex CLI 企业级部署，开源 OpenCode 破 14 万 GitHub Star；开发者从 GUI 侧栏转向 CLI 原生 agent，读 1M+ token 仓库上下文、自跑测试、直接开 PR。
- MCP 正式成行业级开放标准（Anthropic / Linux Foundation / Cloudflare / Block / Sourcegraph），统一 agent 接入生产遥测/工单/数据库/CI 的方式，消除厂商锁定。
- 自愈式 CI/CD：GitHub Copilot Agent Mode、CodeRabbit、Aviator Verify、GitLab 集成 agentic review 回路，在临时沙箱跑测试、自提修复补丁，代码评审从人工瓶颈变 agent 对 agent 校验闸。
为什么值得关注
软件创造的核心架构已变——AI 不再是补全行的助手，而是端到端执行循环（仓库级推理→多文件规划→自测→PR 编排）的 owner。MCP 标准化意味着「合规 agent 可跨厂商导航私有研发栈」。
直接利好主人企业安全里「终端/研发管控」的诉求：agent 接入生产前需要可审计的 tool 边界与沙箱。一句话：竞争从「谁补全快」移到「谁拥有端到端执行循环 + 可治理的 tool 互联」。
可核验数据点 · OpenCode >140k stars | MCP 行业标准(LF/Cloudflare/Block/Sourcegraph) | 自愈 CI/CD(GitHub/CodeRabbit/Aviator/GitLab) | 来源：The CODEW · markaicode
交叉观察 · 智能下沉与互联：竞争从云侧模型移到终端、具身与协议三处落点
- 端侧分层（信号 01）：Glimmer 30B 与 Nemotron Lightning 把 Agent 拆成「强规划·小执行」，推理成本靠模型分层＋端云协解——终端智能的主战场样本。
- 边缘模型（信号 02）：LFM2.5-2.6B 把 agent 模型压进手机，印证端侧「减法路线」——中参数＋Agent RL 即可本地多步任务。
- 具身整合（信号 03）：LG×NVIDIA 以全栈制造伙伴模式落地双足人形，具身竞争从本体炫技→本体＋算力＋数据＋制造四位一体。
- 具身操作（信号 04）：小米 my16 单模型多任务破 40.89% 夺双冠，VLM＋世界模型双系统，真机操作成具身分水岭。
- 研发范式（信号 05）：终端原生 Agent 成主界面、MCP 成互联标准、自愈 CI/CD 把评审变 agent 对 agent 闸——开发从补全助手→端到端执行循环 owner。
一句话判断：当云侧 Frontier 模型「会不会做」不再稀缺，智能正在往下走、向外连——端侧 Agent 模型（分层/边缘）与具身（垂直整合/操作拐点）是「下沉」的两极，MCP 标准化是「互联」的关节。对主人新岗的终端/具身智能方向，这意味着：真正稀缺的不是更大的模型，而是把智能沉到终端与具身、并能跨厂商互联治理的工程化底座与制造/数据能力。
风险与反证
多条为厂商发布、研报转述或单点赛事，需注意：Muse Glimmer / Nemotron Lightning 的 KV 与 tok/s 数为研究者与 Artificial Analysis 口径，实际端侧体验受芯片/散热/功耗刚性约束；LFM2.5-2.6B 的「可比四倍大模型」为厂商表述，端侧多步任务稳定性待第三方实测；LG×NVIDIA 为 MOU 非产品发布，双足商业化待 2027 检验，年内仅田纳西轮式 POC；小米 my16 为匿名参赛模型，40.89% 为单赛事成功率，泛化到工业场景未经验证；MCP「行业标准」仍处采纳早期，跨厂商 tool 安全边界与治理尚未定型。凡不能被外部量化验证者，均以「待复现」视之。