淏楠Agent、多模态与具身经历

淏楠最早在MiroMind做Agent，后来转去混元，负责多模态RL infra，最近又去了某具身公司负责模型训练。在多模态领域，他参与了RL infra的建设，并尝试围绕Agent的使用方式做后训练。他认为工程实践和infra上的代差并不大，最大的差距是算力不足。从职业发展看，Agent赛道工作机会较多，而多模态工作体验更有趣但机会可能没那么多。从多模态转到具身是因为action也是一种模态，且模型逻辑相近。他认为视频生成较难快速提升能力，关键在于数据和产品。AI短剧质量有所提升，但整体发展约60分，未来半年到一年有两个机会：一是便于操作的交互方式或Harness，二是平台。抽卡未来可能变成选‘自己想要的’。开源项目未能独立成长，但可能被包进模型成为泛化能力。实时互动目前主要做伪实时，还不太成熟，保证生成质量比追求速度更重要。世界模型方向生成的视频质量还不行，但有人在做。具身需要能看懂世界并给出低维vector指令的模型，Astra的冲击很大，因为它能直接输出有意义的动作序列操控机器人。Astra的训练可能更多是泛化而非特意基于具身。