今晚三条消息都落在同一件事上：AI 的钱和承诺，开始被要求交账。一家机器人公司的季度报告显示收入涨了五成半，利润却退了；一家存算一体芯片公司在两个月里拿到二十多亿元，用途写得很具体——产品化与量产；一支 1.3B 参数的开源文档解析模型，把"这一块我可能读错了"直接做成了输出字段。下面把三件事的原始数据、可核验来源，以及对中国企业落地的含义拆开讲。
宇树三季度报：营收 18.17 亿元增五成半，研发翻近三倍把利润吃回去
10 月 28 日晚间，宇树科技披露 2026 年三季度报告。前三季度营业收入同比增 55.71% 至 18.17 亿元，净利润同比增 270.54% 至 3.87 亿元；但扣非后净利润同比降 18.78% 至 3.49 亿元，经营活动产生的现金流量净额同比降 54.69% 至 1.94 亿元。单季看，第三季度营收 6.65 亿元、同比增 69.93%，净利润 1.13 亿元、同比降 17.37%，扣非净利 1.05 亿元、同比降 17.42%。
差距来自费用端。前三季度研发投入合计约 2.63 亿元，同比增长 191.48%；第三季度单季约 1.27 亿元，同比增长 249.58%。公司的解释是：持续加大具身智能领域研发投入，尤其是具身大模型相关模型研发与算力投入大幅增长，同时扩充研发团队、开展新产品研发。当天股价收于 695.90 元/股，对应总市值约 2815 亿元，近 10 个交易日累计上涨 65.74%。
真正值得抄走的是公司自己写的风险提示。10 月 27 日晚的股票交易异常波动公告里，它明确写明：人形机器人行业尚处于商业化早期，技术成熟度、下游市场需求培育、产业链配套能力均存在不确定性。
公告进一步提示：物理 AI 从实验室演示走向真实场景的规模化落地，仍面临感知精度、运动控制稳定性、数据积累及软硬件协同等多重挑战，若大规模商业化落地进度不及预期，存在估值回归的投资风险。这是一份被披露口径约束的表述，比任何第三方研报都更适合当立项材料里的"不确定性清单"。
同一天还有第二件事。宇树科技联合红杉中国宣布共同成立"杉宇·创计划"，专注发掘和投资具身智能、机器人应用及其上下游关键技术、其他前沿硬科技等领域的早期创业项目，定位是创始人的"创业合伙人"。据澎湃新闻报道，双方尚未披露该计划的资金规模、出资方式、投资主体及具体决策机制——看到"计划"两个字，先别急着折算规模。
对采购方和集成方意味着什么：机器人项目的五年总成本里，本体价格只是第一行。收入高增与扣非下滑同时出现，说明这家公司正在用当期利润换下一代产品；对买方不算坏消息，但选型时要额外核对备件供应、现场运维与二次开发由谁承接。试点验收别只演示动作，要测故障恢复和停机时间。做内部智能化立项的团队，可以直接把上面那段风险表述改写成自己项目的假设校验表。
来源：宇树科技 2026 年第三季度报告（披露原文） · 新华财经 · 澎湃新闻
存算一体两个月融到 20 亿：这笔钱买的是"少搬一次数据"
10 月 28 日，杭州微纳核芯电子科技有限公司宣布完成超 10 亿元 C2 轮融资，建投投资领投，杭州资本、凯泰资本、晓池资本、烟台财金、盛堃投资、国投泰康、领阳基金等多家机构共同投资，多名老股东加码。叠加 C1 轮，公司在两个月内完成超 20 亿元融资，半年内累计完成 30 亿元。
它赌的路线是三维存算一体（3D-CIM）：把三维近存计算、静态随机存储存内计算与开源指令集异构存算组合起来，目标是让模型权重不必在存储与计算单元之间反复搬运。公司 2021 年成立，孵化于浙江省北大信息技术高等研究院，产品面向云、边、端的大模型推理场景，官方口径是依托国产成熟工艺达成先进制程等效算力。同日，公司官网还挂出另一条消息——"三维存算一体 AI 芯片加速迈入产品化阶段"，融资与产品节奏是配套的。
从工程视角看，这条路线省的是一笔持续发生的电费，而不是一次性采购成本。做端侧或边缘推理的团队，评估时把三件事排在前排：工具链能否覆盖你实际用到的算子；量化后的精度损失是否在业务容忍范围内；"成熟工艺等效算力"放在你的模型尺寸和上下文长度下，实测吞吐到底是多少。只看峰值算力数字或者一页能效曲线，几乎一定选错。如果一个项目的推理负载要跑三到五年，把这类方案放进对比矩阵是值得的；如果只是短周期试点，先用成熟通用算力方案跑通业务逻辑，反而更省时间。
来源：微纳核芯官网新闻中心 · 投中网
1.3B 参数的开源解析模型，把"我可能读错了"做成输出字段
10 月 27 日，OpenBMB 在 GitHub 开源 MiniCPM-OCR 家族，许可证为 Apache-2.0。它由两个模型组成：1.3B 参数的解析模型 MiniCPM-OCR 1.0，负责中英文文档与 PDF 解析，覆盖文本、表格、公式、图表、印章和结构化信息抽取；以及配套的区域级评估模型 Jev，专门在区域级别评估识别结果，把"有问题"的区域与"可靠"的区域区分开，用于定位需要人工复核的内容。
仓库自述的指标是：Real5-OmniDocBench 93.68 分，OCRBench v2 54.7 分；在仓库列出的开源文档解析模型中，它的吞吐达到 1.2 页/秒，并在 OmniDocBench v1.6、Wild-OmniDocBench 与 olmOCR-Bench 上取得最高的综合表现。部署侧首发即支持 vLLM、SGLang、llama.cpp 与 Ollama，并提供 Python 包与完整接口。以上均为项目方自述数据，正式选型前请在自己的票据、合同、报关单样本上复测——评测集分数和你的扫描件质量通常不是一回事。
对企业文档流程真正的改变在验收标准上。过去验收 OCR 谈的是"整体准确率 99%"，这个数字会掩盖最关键的问题：错在第几栏、错了会不会自动流到下游系统。有了区域级质量评估，"模型结果"和"人工复核队列"可以拆成两个服务，前端只渲染"哪些格子需要人看"，审批流按风险字段走不同分支。对正在做文档 RAG 的团队，这类 1.3B 参数模型适合放在链路最前面做本地预筛，把大模型调用量压到真正难处理的页面上，成本结构会好看很多。
我们的解读：三条新闻合起来，是 AI 商业化开始对账
把三件事放在一起看，会发现它们都在回答同一个问题：这笔投入凭什么继续被批准。机器人公司第一次被要求按季度解释"为什么收入在涨、利润在退"；芯片公司的融资用途直接写成产品化与量产备货，而不是"加大研发投入"；开源模型把不确定性当特性发布，而不是藏在评测平均分后面。AI 从讲故事进入对账阶段，谁能把成本、置信度、复核成本讲清楚，谁才拿得到下一轮预算。
对正在推进 AIcoding 转型的中国企业，这三条各对应一个可执行动作。
- 立项书里的"预期收益"要拆成可交付的中间件：数据回流机制、置信度阈值、人工复核工时、单次调用成本上限。这四样不上表，项目在第一个季度复盘时就没有继续下去的凭据。
- 全栈交付时把模型调用、评估层、复核队列拆成独立服务，移动端、网页端、小程序与桌面端只依赖接口，这样换模型不用重写业务逻辑，本地推理与云端推理也能按场景混用。
- 智能体系统先定义"什么情况下必须停下来叫人"，再谈自动化率——机器人的风险提示和 OCR 的置信度标记，本质上都是同一件事。
这也是优码云在 AI 应用定制与智能体系统落地里的一条经验：验收场景写在需求阶段，而不是等用户验收测试才补。把"错在哪一栏""停了谁接手""一个月烧多少钱"提前写进需求文档，交付节奏会稳得多。想判断自己系统里哪些环节适合先交给智能体和 AIcoding 流水线，可以约一次 30 分钟的技术沟通，我们按你的技术栈和交付节奏出一份评估，而不是一张产品清单：点这里预约。