百度首次发布物理AI世界模型Apollo World，萝卜快跑近百辆无人车搭载新架构运营
11月3日，在深圳举行的百度AI Day·Apollo专场上，百度首次披露面向物理AI的世界模型Apollo World。百度智能驾驶事业群组首席架构师王亮表示，目前约百辆萝卜快跑无人车已搭载新一代端到端架构参与运营，累计全无人运营安全里程接近百万公里。 新一代架构采用端到端模型，从驾驶数据中直接学习驾驶策略，预测转向
11月3日，在深圳举行的百度AI Day·Apollo专场上，百度首次披露面向物理AI的世界模型Apollo World。百度智能驾驶事业群组首席架构师王亮表示，目前约百辆萝卜快跑无人车已搭载新一代端到端架构参与运营，累计全无人运营安全里程接近百万公里。
新一代架构采用端到端模型，从驾驶数据中直接学习驾驶策略，预测转向、油门和刹车等控制信号。为验证模型安全性，百度推出Apollo World，将车辆、行人等交通参与者构建为具备自主决策能力的AI智能体，模拟复杂交通场景及完整行程，每天可完成约10万公里虚拟路测。不过，百度也指出，世界模型尚无法完整模拟真实环境，虚拟数据仍需与实际道路数据结合。
目前，Waymo、小马智行、文远知行等企业也在探索生成式仿真技术。百度表示，L4无人驾驶不仅需要保障安全，还要兼顾通行效率，避免过度保守影响交通秩序。与此同时，模型训练还需筛选人类驾驶数据，减少不规范驾驶习惯带来的干扰。
对于通用大模型进入自动驾驶领域，百度认为，实时性仍是关键障碍。无人驾驶系统需要以约33毫秒的周期作出决策，通用模型目前在算力、观测能力和响应速度方面仍存在限制。随着自动驾驶从道路测试迈向规模化运营，世界模型与端到端架构正成为提升安全性和泛化能力的重要技术方向。
1
B 站上 DeepSeek 闹鱼灾了，我发起《大肥鱼清除计划》！
480
2
Vibe Coding 实战：从零构建现代专业级 AI 搜索引擎
420
3
我的第一个出海产品！7 天 2 万
370
4
又一个国产版 Codex 神器，也来卷办公了！
370
5
day3-如何写出一个高质量的 Skill（组内分享）
高质量 Skill 不是“一个调得很顺的巨型 Prompt”，而是一个可验证、可回归、可维护的能力包。
先定义“什么算好”，再实现“怎么做好”。评估体系先于 Skill 本身成型。
下面用“故障诊断 Markdown 转 YAML”作为例子，但方法是通用的。
---
一、先想清楚：Skill 到底是什么
一个 Skill 至少包含四部分：
部分 作用
接口 输入什么、输出什么、边界在哪
流程 分几步做，每步的产物是什么
规则 硬约束、经验规则、失败模式
降级策略 不确定时怎么办，而不是硬编一个看似合理的结果
高质量 Skill 的共同点：职责单一、接口清晰、规则可定位、输出可验证。
反例：把几十条经验全塞进一个主 Prompt，改一条规则要重调整个 Prompt，评估时也不知道是哪条规则退化。
---
二、核心方法：先建评估，再写 Skill
不要先写转换器再补测试。正确顺序是：
1. 定义输出契约：什么算合法、什么算合格；
2. 建金标准集：一小批人工认可“可放行”的样本；
3. 先写评估 Skill：让它在金标准集上跑出基线；
4. 再迭代生成 Skill：每次修改跑同一套评估，无退化且目标维度提升才算正向。
这就是评估驱动开发：评估是 Skill 的单元测试，金标准集是回归锚点。
---
三、评估 Skill：三层门禁，逐层递进
前一层不过，后一层不跑。每层留可追溯证据。
第 1 层：确定性硬门禁
用解析器、Schema、校验器完成，不消耗模型成本。
· 输出可解析；
· 必填字段齐全，类型/枚举合法；
· 引用目标存在，无悬空引用、无不可达节点；
· 关键路径至少有一条能到达预期出口。
不通过直接打回。
第 2 层：语义断言
用脚本 + 结构遍历检查“逻辑对不对”，仍然保持确定性。
通用检查项：
· 覆盖率：源材料里的关键步骤、分支、条件，输出里是否都有对应？
· 完整性：每个判断节点是否都有明确出口？有没有死胡同？
· 可达性：每条路径是否都能到达预期终点？有没有无出口循环？
· 顺序与依赖：有先后依赖的操作，是否保留了顺序？有没有被拍平成无序列表？
例子：故障诊断转换中，检查“每个判断项是否有是/否/异常出口”“每条路径是否能到根因”。
第 3 层：LLM-as-Judge
只处理解析器表达不了的维度：忠实度、完整性、可执行性。
但 Judge 会漂移，不能单独放行，必须建立在第 1、2 层之上。Judge 的 Prompt、rubric、模型版本都要版本化，换模型必须用金标准集重新校准。
通用 Judge 维度：
维度 问什么
忠实度 输出是否忠实源材料意图？有没有自行发明内容？
完整性 关键步骤、条件、证据是否保留？隐式知识有没有被压成空话？
收敛性 输出是否仍指向原目标，而不是发散？
可执行性 下游不依赖源材料能否直接使用？
---
四、金标准集：回归测试的锚点
不需要一开始就标注几百份。用已认可的样本当种子，扩到 15～30 份，覆盖失败模式而非随机抽样：
· 完整正例：典型流程；
· 边界/异常分支：异常路径、循环、前置失败回退；
· 已知易错模式：实际踩过的坑；
· 留出集：不参与调优，只用于最终验收，防过拟合。
金标准不需要完美，只需要当前标准下认可可放行。
回归指标：关键路径用 pass^k（k 次全过），稳定性用 pass@k。
---
五、工程约束：让批量产出可重放
· 幂等：同输入 + 同 Skill 版本 + 同规则 → 输出一致，否则无法判断变好是 Skill 改了还是随机波动；
· 隔离不阻断：单份失败进隔离队列，记录失败层和原因，不阻塞其余；
· 版本绑定：规则、rubric、金标准集进 Git；每份报告绑定“源版本 + 生成 Skill 版本 + 评估 Skill 版本 + Judge 模型版本”；
· 抽样人工复核：Judge 临界样本 + 易错模式，人工抽检结果反过来校准 rubric。
---
六、Skill 本身怎么写
· SKILL.md 控制篇幅，写清：输入约定、输出契约、分步流程、硬规则、降级策略；
· 经验规则放 references/ 或 rules/，按失败模式分类，不要全塞进主 Prompt；
· 不确定时标 needs_review: true，不要硬编看似合理的结果；
· 迭代由评估报告驱动：报告告诉你哪层挂了、哪类失败模式，你改对应规则文件，而不是漫无目的调 Prompt。
---
七、落地顺序（不要反过来）
1. 固化输出契约：Schema + 结构约束；
2. 建金标准集：从已认可的 + 最易出错的样本开始；
3. 先写评估 Skill：跑出基线报告；
4. 再迭代生成 Skill：每次修改对比逐项通过率，无退化且目标提升才算正向；
5. 批量运行 + 隔离回放：失败进队列，结束后人工抽检；
6. 评估 Skill 自身版本化：换 Judge 模型必须重新校准。
---
八、给组员的三条硬要求
1. 不许凭感觉说“变好了”：每次修改必须附评估报告对比，逐项通过率说话。
2. 不许跳过确定性门禁直接看 Judge 分数：前两层挂了，Judge 分数没有意义。
3. 不许把规则堆进主 Prompt：规则按失败模式分文件，评估报告要能定位到具体文件。
---
一句话收尾
生成 Skill 决定“能不能做”，评估 Skill 决定“敢不敢用”。
先让评估体系站稳，再让生成器迭代。这样交付的不是一堆“看起来还行”的产出，而是一套可证明、可回归、可交接的 Skill 质量体系。
340
本文由本站编辑组整理与排版，内容基于公开信息核实后归纳发布，与文中提及的产品、公司无隶属关系。我们持续跟踪 AI 领域的模型、产品与行业动态，力求信息准确、表述清晰；文中涉及的名称、价格与功能细节可能随官方调整而变化，请以官方最新说明为准。如发现疏漏或表述有误，欢迎通过站内渠道反馈指正。
