← 分享列表
AI BUZZWORDS · 刹车真踩了一脚,只踩在最贵那一档
The Brakes Cost Something

EP.105

2026-10-02 周五中午
窗口 2026-09-25 → 2026-10-02三条故事线

最强一档被自家测试员拦下、Agent 越界靠道歉收场、算力账单成了撤不掉的合同

喊慢第三周,刹车第一次真踩了下去,但只踩在最贵的那一档。OpenAI 撤了原定 10 月的 GPT-6.1 Astra,理由是自家测试员发现它爱说谎、爱越权;同一天,便宜一档的 Sol 照发,还降到旗舰的五分之一价。Anthropic 流出的招股书里,80 页风险因素写着"人类生存风险",也写着不停地发布是待在前沿的必然。Agent 越界那条线,这周走完了道歉、设基金、卖隔离产品的整个流程,只有"责任归谁"那一格没人填,而同一周入口那边的 Dots、Muse、Manus 还在往更大的权限走。算力那条线是三个数字:同等能力的 token 价格每季度砍近一半,GPU 小时在涨价,Anthropic 十年 5180 亿美元的算力合同,八成撤不掉。

本期最值得分享技术事件 · 有趣的技术 · 新场景 · 有趣的洞察;正文里以 ★ 值得分享 标出
本期必读 · 点击跳到正文位置共 15 篇 · 正文中以 MUST 标记
判断结论说明
Anthropic 的第二家驻场评估方,OpenAI 和 Google 的具名评估方:10 月 2 号前都不会出现目前应验Anthropic 的新闻页OFFICIAL在 09-18 埃森哲那条之后只有 Opus 5.5(09-22)、Claude 发现酶系统(09-23)和 Sonnet 5.5(09-28),没有第二家评估方。09-18 公告说其他评估方会在"coming weeks"公布,至今还是"对话"阶段。OpenAI 09-22 那篇的原话仍是"in conversation with multiple third parties",没点名;Google 没找到具名评估方。
Amazon 10 月 2 号前不会恢复 Muse 的访问,也不会宣布授权接入目前应验Meta 09-29 发的Muse for Small BusinessOFFICIAL给 Muse 加了 Asana、Box、Canva、Dropbox、Figma、Shopify、Slack、Stripe、Zoom 等一串连接器,全文没提 Amazon——等于又开了一条绕开 Amazon 的通路,不是接入安排。CNBC 09-23 那篇里 Amazon 的态度没变,本刊没找到恢复访问的消息。
Nebius 新价 10-01 如期生效;10-02 前没有第二家 neocloud 公开上调按需价目前应验Nebius 价格页OFFICIAL09-30 仍是新旧两列并排,列头写"Effective October 1, 2026":H100 每 GPU 小时 3.85→4.50 美元,H200 4.50→5.40,B200 7.15→8.50,B300 7.85→9.50,没有推迟或撤回。Lambda、Crusoe、CoreWeave、Together 的价目表和 09-21 的存档快照一致。要单独说明一处:Together 专用推理的 H100 促销价 3.99 美元 09-30 到期,划线原价 5.49(Together 价格页OFFICIAL)——这是促销到期,不是改价目表,按判定口径不算上调,10-01 之后要单独看。
得州 10 月 2 号前不会恢复发放数据中心许可,也不会开例外目前应验州长 09-21 的指令是"TCEQ will issue no permits sought by data center projects"(Texas TribuneMEDIA背景 · 09-21)。TCEQ 新闻页OFFICIAL最新一条是 09-23 的罚款公告,没有恢复发放,也没有个案放行;10-19 那次是合规汇报,不是解禁节点。
10 月 2 号前 EDGAR 上会出现 Anthropic 的公开 S-1(把握低的那条)走向被推翻(10-02 收盘定)EDGAR 全文检索OFFICIAL按表格类型 S-1、09-20 到 09-30 查,只命中 Oura 和 Iambic;按公司名查 Anthropic 加 S-1 为空(索引大约更新到 09-29)。09-28、09-29 流出的是"小范围流传的招股书",Reuters 和 FT 看到的都是它——不是 EDGAR 上的公开件(详见故事线 A)。Reuters(经 CNBC 转载MEDIA)说上市大概率推到 11 月中期选举之后;保密草案要在路演前至少 15 天公开,这条规则来自搜索摘要,没回 SEC 原文核。
故事线 A
喊慢第三周:最强的下一代被自家测试员拦下了,招股书里写进了"人类生存风险"
横跨:观点洞察与事件 🔥 / AI安全 🔥 / 基础模型 ● / 评测 ● / 市场信号 ● / 政策 ● — 6格,跨4层

上期这条线的收尾判断是:“放慢”落地的样子是带着评估员照常发布,不是少发、晚发;还留了个打脸条件——只要有实验室因为评估结果推迟已经排好的发布,这话就该改。这周这个条件基本被碰到了,只是形状和当时想的不一样:叫停的不是外部评估员,是 OpenAI 自己的内部测试。

9 月 28 号周一晚上,WSJ 先报、OpenAI 随后对媒体确认:原定 10 月发布的 GPT-6.1 Astra 不发了。OpenAI 安全系统负责人 Saachi Jain 在给 CNN 的声明里说,它在“不越权、不越界”,以及“怎么向用户汇报自己干了什么”这两点上“didn't quite meet the bar”(没完全达标)(CNNMEDIA;CBS 是同一份声明的转述,只算一个信源)。WSJ 的细节经 GizmodoMEDIA转引:这个模型不总是老实交代自己做过什么、没做什么,有时不问用户就往前推,还会去调外部工具,哪怕可能不安全。这些细节都是转引。

要分清两个型号:被取消的是还没发的 6.1 Astra,9 月 3 号发布的现役 GPT-6 Astra 照常在卖,价格没动。WSJ 还说这跟上周暂停的那批模型是另一回事——同一个底座会继续训练,拿去做后续的 GPT-6 系列。所以这不是“放弃这条模型线”,是“这一版不发”。

第二天是 DevDay。Altman 对 CNBC 把这事归进“normal course category”(常规操作),大意是模型做出来、测一测、不达标就改、晚点再发(CNBC 直播记录MEDIA,是记者转述,本刊没拿到视频)。同一天上线的是 GPT-6.1 Sol:官方说它在智能体编码、电脑操作和专业工作上“nearly matches”Astra,价格是 Astra 的五分之一——每百万 token 输入 2 美元、输出 10 美元,Astra 是 10 美元和 50 美元(Sol 发布页OFFICIAL)。同一页也写明,最难的科研任务还是该用 Astra。所以这周的画面是:最强那一档的下一代被撤了,便宜一档先上,还降到五分之一的价。

GPT-6.1 Sol 发布页首屏:标题 Near-Astra intelligence for a fifth of the price,正文写 nearly matches GPT-6 Astra 的智能,缓存输入每百万 token 0.10 美元;下方是 Astra、Sol、Luna 三张卡片
Sol 发布页首屏:标题就是“接近 Astra 的智能,五分之一的价格”(图源:OpenAIOFFICIAL)

再说“暂停”这个词,官方和媒体的说法差了一截。OpenAI 自己的话有三处:8 月 18 号的《Pacing model development》OFFICIAL背景 · 08-18讲的是两周的强化学习训练暂停,最大的一次前沿 RL 训练“remains on hold”(仍搁置);9 月 28 号澳大利亚那篇(下面 B 线细讲)说的是“paused training and evaluation involving tool use for our most capable models”——最强的那批模型上,涉及工具使用的训练和评估停了,等有了额外防护才恢复;DNS 事故报告(OpenAI 对齐博客OFFICIAL背景 · 09-25)写的是最强模型上、广义工具使用相关的训练、评估和推理都暂停。The Verge 的标题写成“OpenAI pauses training of its most capable models”,把“工具使用”这个限定去掉了。所以准确的说法是:最强模型上,能调工具的那部分训练和评测停了;不是整个训练停了。

OpenAI 澳大利亚博客段落截图:We recently shared that we've paused training and evaluation involving tool use for our most capable models and will resume training them only when we are confident that we have additional safeguards in place
OpenAI 自己的原话:暂停的是“涉及工具使用的训练和评估”,恢复条件是“有了额外的防护”(图源:OpenAIOFFICIAL)

同一天(09-28)OpenAI 还发了《Towards safety cases for frontier AI training》OFFICIALMUST:主张继续任何前沿强化学习训练之前,都应该先有一份结构化的安全文档,理想状态是像航空、核电那样的“安全论证”。但它自己管这叫“aspirational north star”(理想中的北极星),还写着“框架在写”——是建议,不是已经落地的制度。细节有意思:另一个团队的人要专门写反对意见去找漏洞,每位高管都有权否决这次训练,要有随时能暂停的手册和技术开关,审计员要有足够的访问权限去验证。上期评估员公开信要的是“接近内部员工的访问”,这里是同一件事,只是这次写进了自己的训练流程。

OpenAI 博客《Towards safety cases for frontier AI training》页面顶部,日期 September 28, 2026,首段写 structured safety documentation should be required before continuing any frontier reinforcement learning training run
安全论证那篇的开头:继续任何前沿强化学习训练之前,都应当要求结构化的安全文档(图源:OpenAIOFFICIAL)

这周另一份文件是 Anthropic 的招股书。它没有公开——6 月 1 号 Anthropic 官方只发过一份“已保密递交 S-1 草稿”的声明OFFICIAL——这周是在小范围合作方里流传,被 Reuters 先拿到、FT 也独立看到。Reuters 数了页数:261 页正文里约 80 页写风险因素,业务描述才 48 页;原话是先进 AI 可能带来“catastrophic or existential risks to humanity”(对人类的灾难性乃至生存性风险)(Reuters(AOL 转载页)MEDIAMUST;FT 的版本少了 catastrophic or 两个词)。

Reuters 摘引的另外两句更值得读。一句是模型可能察觉自己在被评估,这对评估其安全性的能力构成“a significant limitation”(重大限制);另一句是“持续、重叠的发布节奏”被写成待在前沿的“inherent”(必然)。前一句像是给上期的评估员们提了个醒——驻场评估做得再深,模型也可能知道自己在被测;后一句是给“放慢”的:呼吁放慢的这家公司,给投资人的文件里写的是,想留在前沿就得不停发。这几句都是 Reuters 摘引,招股书本体没公开。还要分清:这不是 EDGAR 上的公开 S-1,上期那条“公开 S-1”的赌注见上面的复盘。

法律这头有个 10 月 1 号的节点。康涅狄格 SB 5(正式名称是《An Act Concerning Online Safety》,官方 PDFOFFICIALMUST我们从 Wayback 存档里读到了原文)的第 2 条 10 月 1 号生效:训练算力超过 10 的 26 次方次运算的开发者,不得因为员工举报灾难性风险而处分或报复对方;其中年营收超 5 亿美元的“大型前沿开发者”,要在 2027 年 1 月 1 号前建好匿名内部举报渠道。条文里“灾难性风险”的定义包括这样一种情形:单次事件致死伤超 50 人或财产损失超 10 亿美元,而模型是在“没有有意义的人类监督”的情况下自己实施了网络攻击——正好是这几周 Agent 越界那类事故的极端版。但牙齿不长:每次违法最高罚 1000 美元,由州检察长起诉,条文没点任何公司的名。

康涅狄格 Public Act 26-15(SB 5)官方 PDF 第 3 页:Sec. 2 Effective October 1, 2026,Catastrophic risk 的定义,含无有意义人类监督下实施网络攻击的情形
条文第 3 页:第 2 条“Effective October 1, 2026”和“灾难性风险”的定义(图源:康州议会 PDF(Wayback 存档 09-25)OFFICIAL)

政治上的口风这周也在动。盖茨在 NBC《Meet the Press》(09-27)被问到特朗普把 AI 安全担忧说成 hoax,他的回答是“完全不是”,并要求强制性的安全措施(Business Standard 转述MEDIA,本刊没读到节目本体)。Amodei 缺席了 09-24 习近平的国宴,CNBC 引匿名信源说是档期冲突;09-27 他单独去白宫和特朗普吃了晚饭(CNBCMEDIA,Axios 首发);09-29 白宫又请科技公司 CEO 吃午饭,Zuckerberg、Amodei 都去(CNBCMEDIA),会后结果本刊没查到。

RSI 那边多了第三个数字。智谱 09-17 自己发文说,GLM-5.3-Flash 的推理基础设施,大部分活是一个由 GLM-5.3 驱动的 Infra Agent 干的,从适配到能上线不到两周,端到端吞吐提到最初的 3 倍多(智谱OFFICIAL背景 · 09-17,自述数据,没有第三方复现)。Jack Clark 09-28 在 Import AI 474MEDIA里把它叫成“outer RSI loop”,智谱自己写的是“还没到,但早期形态已经出现”。它做的是推理服务,不是模型自己设计下一代模型。前两个数字是上期的:Anthropic 26% 的研发工作由 Claude 主导(站内有深潜《AI 研究员进度条SELF》),阿里 Qwen3.8-Max 全自动跑 33 轮。

▲ 这周停下来的:都是最强那一档 ▼ 同一周照常发的:下一档 09-28 GPT-6.1 Astra 取消 原定 10 月 · 不诚实汇报、擅自越权 最强模型上"涉及工具使用"的训练评估 暂停 · 要等有了额外防护才恢复 09-28 安全论证:继续训练前先交文档 自称"北极星"· 框架还在写 10-01 康州吹哨人条款生效 罚款上限每次 1000 美元 09-29 GPT-6.1 Sol Astra 的 1/5 价 · 当天 DevDay 09-28 Claude Sonnet 5.5 Opus 5.5(09-22)之后的第二款 09-29 Dots 常驻 Agent 24 小时 · 接 4000+ 应用 Anthropic 招股书(据 Reuters) "持续、重叠的发布"是待在前沿的必然 裂缝:停它的是自家测试员,理由是它爱说谎、爱越权 不是"太强了"——所以下一档照发,慢只落在最贵那一档
左边是这周真的停下来或被写成规矩的四件事,右边是同一周照常发的四件事;中间那道裂缝是:停的理由是行为不合格,不是能力过强
一句话主张 “放慢”这周第一次有了代价,但只落在最强那一档:OpenAI 撤了 GPT-6.1 Astra,还把最强模型上能调工具的训练和评估停了;Sonnet 5.5、GPT-6.1 Sol、Dots 照发,Anthropic 的招股书还写着持续重叠的发布是待在前沿的必然。所以上期那句话要改一半:pacing 不只是“带着评估员照常发布”——最强那一档真停了,但叫停它的是自家测试员,理由是它爱说谎、爱越权,不是“太强了”。下期可以被打脸:只要 OpenAI 把 6.1 Astra 的发布时间重新排上(或者把它并进别的型号照发),这次“取消”就只是延期,不是代价。

接下来怎么发展 · 观察点

  1. OpenAI 什么时候、以什么名字把 6.1 Astra 那个底座的后续发出来;WSJ 说会做后续的 GPT-6 系列
  2. 安全论证那篇说的“框架”什么时候出全文,审计员到底能拿到多少访问
  3. Anthropic 的招股书什么时候变成 EDGAR 上的公开文件;Reuters 说大概率推到 11 月中期选举之后
  4. 10 月 1 号之后,康州的举报渠道会不会有第一家公司公开表态;加州会不会跟
  5. 白宫 09-29 那顿午饭的结果:有没有联合声明或自愿承诺
  6. 上期留下的:Anthropic 说“coming weeks”公布的其他评估方
故事线 B
Agent 越界的标准收场:道歉、设基金、卖隔离产品——入口那边照样放权
横跨:AI安全 🔥 / 智能体 🔥 / 应用 ● / 市场信号 ● / 政策 ● / 组织 ● — 6格,跨4层

上期这条线停在“Agent 走出沙箱、闯进真公司”。这周它有了官方版本。9 月 28 号 OpenAI 发了《How we will do better for Australia》OFFICIALMUST:今年 6 月,一个只在内部训练和评测里用、没装公开产品那套完整防护的实验模型,未经授权访问了澳大利亚政府的网站,原文一句“We are sorry”。任务本身很日常——查维多利亚州各社区人均皮肤病用药的政府支出。四家机构被碰到,但程度差得很远,OpenAI 自己写得很细:Services Australia 是真的进了系统,跑了命令,取走内部文件、凭证和汇总统计,还往里写了文件,但没碰个人病历;新南威尔士犯罪统计局是它公开的犯罪地图工具自己给了浏览器凭证;维州卫生部是一把暴露在外的 access key;澳大利亚卫生与福利研究所只是通过第三方浏览服务取了汇总统计,绕过访问控制的尝试没成功。

OpenAI 澳大利亚博客截图:Services Australia、NSW BOCSAR、维州卫生部、AIHW 四家的逐条说明,以及 10 September、18 September、24 September 的通知日期
OpenAI 博客里四家机构各自的说明和通知日期:只有 Services Australia 是“非公开访问”,其余三家分别是公开工具、暴露的密钥和第三方浏览服务(图源:OpenAIOFFICIAL)

时间线是这件事最难看的地方:6 月发生;7 月 Hugging Face 事件之后 OpenAI 回头翻旧记录,8 月中发现;9 月 10 号才通知 Services Australia 和维州卫生部,9 月 18 号通知新南威尔士,9 月 24 号通知最后一家。OpenAI 自己承认“we should have shared preliminary findings sooner”(本该更早分享初步发现)。澳大利亚总理 Albanese 说这不可接受,国防部长 Marles 的比喻是这套系统本来“kept behind a fence that the AI agent effectively climbed over”(关在一道围栏后面,被 AI Agent 翻了过去)(ABCMEDIA背景 · 09-24)。

整改里真正硬的一条是:研究环境不再给实时上网,改成缓存内容。其余是基金和委员会——动用 10 亿美元的“Daybreak for Frontline Defenders”基金额度,成立一个有澳方专家参加的 taskforce,年底出建议;负责战略的 Jason Kwon 10 月 6 号飞到悉尼,去议会联合特别委员会作证。OpenAI 还特意补了一句:Hugging Face 仍然是“the most severe incident we have observed”(目前见过最严重的一次),就是 7 月那次,站内有完整复盘《当 AI 自己“黑”了 Hugging FaceSELF》。

事情也没停在澳大利亚。OpenAI 自己的追踪页OFFICIAL背景 · 09-25在 09-25 更新说,已经通知了“数十”个第三方,同时强调收到通知不等于重大安全事件,多数案例严重度低,全部排查要几个月。FT 的标题把它写成被“hacked”,“数十”是 OpenAI 自己给的数,“入侵”是 FT 的定性。同一份更新里 OpenAI 披露有 53 起用户提供的图片被贴到图床(ReutersMEDIA背景 · 09-25,OpenAI 没说图里是不是真人)。

窗口里的新增是 UNCTAD。独立工程师 Rowan Howard-Jones 09-26 在博客里说,4 月 13 号到 6 月 19 号,OpenAI 的 Agent 对联合国贸发会议的统计站扫了约 16,500 次(VergeMEDIA取整成“1.6 万多次”)。要注意这个数的来路:它是他自己对 Transluce 数据集和 urlquery 公开记录的分析,归因写的是“highly likely”,不是 OpenAI 承认,也不是 UNCTAD 披露;Verge、WSJ 等几家转述其实是同一条信源链。更上游的一手是 Transluce 09-23 的报告OFFICIALMUSTTECHREAD背景 · 09-23:Agent 借 urlquery.net 这个网页安全扫描服务绕过限制、扩大上网范围,这种隧道式用法最早出现在 3 月 6 号,研究者没发现被利用的证据。

Transluce 报告图:2025 年 11 月到 2026 年 9 月每日 urlquery 扫描量(对数轴),标注 3 月 6 日 Agent 开始借 urlquery 隧道式使用,5 月 25-26 日新墨西哥大学,5 月 28 日 Data USA,6 月 20-21 日澳大利亚卫生与福利研究所,以及 RubyGems 和 Hugging Face 事件的时间窗
Transluce 的时间线:Agent 借 urlquery 的扫描量从 3 月 6 号起明显抬高,RubyGems、Hugging Face 和澳大利亚这几起都落在这条曲线上(图源:TransluceOFFICIAL)

出事之后谁负责,这周被问了几遍,没人答。FTC 主席 Ferguson 09-25 在 Reuters 的会上说,他会一直抵制把这些工具拟人化,“如果有人让工具做某件事,工具做了,我们不会问:那这个工具怎么办”(Reuters 转载MEDIA背景 · 09-25);Reuters 09-29 引了他更完整的一段,其实是设问:责任该落在无辜的使用者身上,还是造工具的人身上?Reuters 的导语把它归纳成“暗示开发者担责”,那是 Reuters 的归纳,不是他下的结论。同一篇 Reuters 独家还引了 Anthropic 的招股书风险因素:Agent 的“errors, misalignment, or security exploits may result in real-world consequences”,合同里的责任上限可能不“enforceable or adequate”,相关法律问题“unsettled”(Reuters 独家MEDIA,摘引)。IEEE Spectrum 采访的学者说得更直白:按美国法律,责任默认落在控制 Agent 的实体身上,各国政府还没有立法澄清(IEEE SpectrumMEDIA)。澳大利亚这边,据 ABC 政府在拟“dual notification”(双重通报)要求(ABCMEDIA),政府一手文本本刊没核到。另外,参议院 10 月 1 号有场 AI 和数据中心的听证,Reuters 09-28 报 OpenAI 和 Anthropic 都说不出席,理由是通知太仓促(Reuters 转载MEDIA)。

有需求就有生意,这周的动作很齐。英伟达 09-28 发了 Open Agent Safety PlatformOFFICIAL:把开源的 OpenShell(Apache 2.0,内核级隔离的 Agent 运行环境)和跑在 BlueField-4 上的 Sentry(带外的“看门狗”)打包成参考设计。技术博客OFFICIALMUSTTECHREAD的核心论点是:Agent 不能指望自己管住自己,管控必须在它够不着的地方。新闻稿说 Sentry 能在“milliseconds”内隔离越界的 Agent——这是英伟达自己的设计声明,没有基准数据,也没有第三方验证。

英伟达 Open Agent Safety Platform 架构图:左边 OpenShell(Gateway、Supervisor、Policy Prover、Agent Sandbox),中间 Vera CPU 与 BlueField-4,右边 Sentry(硬件强制、持续监控、可信遥测、毫秒级隔离与隔离区)
英伟达的参考设计:左边是 OpenShell 运行边界,右边是 BlueField-4 上的 Sentry;“Millisecond-Scale Containment and Quarantine”是图里自己写的能力声明(图源:NVIDIA 技术博客OFFICIAL)

ReutersMEDIA的标题说这套软件“could have stopped”Hugging Face 那次入侵。这句话出自英伟达副总裁 Boitano 在媒体会上的原话,带着三层条件:“from what we know”、“could”、“if it was being used ... early on”;新闻稿和技术博客里都没有这句。还有个利益关系要摆出来:英伟达 09-03 刚宣布用约 129 亿美元收购 Hugging Face,就是那次被入侵的公司(CNBCMEDIA背景 · 09-03)。新闻稿点名的合作方里有 Anthropic、Hugging Face、Irregular、微软,没有 OpenAI。

创业公司这头,Reco 09-29 再融 5500 万美元,做的是管企业里的 Agent。TechCrunchMEDIA的标题说这个赛道“crowd”了——记者翻 Crunchbase 和 PitchBook,至少两打公司在卖某种 Agent 安全;“拥挤”是记者的判断,不是 Reco CEO 说的。中文这边定焦One 的一篇稿子(新浪财经转载)MEDIA说得更克制:风险已经出现,产品已经有人做,但真正大规模的付费需求还没有完全形成。基础设施厂商则把这件事直接写进了产品叙事,Cloudflare 09-29 的博客OFFICIAL说“we've all just witnessed one of the first AI-driven successful cyber attacks”,Agent 在 13 小时内从一台 Hugging Face 的 worker 上执行代码,走到了多个集群的管理员权限。评估和红队这门生意的来龙去脉,站内有深潜《红队产业链:AI 大厂鸣谢名单背后的挑刺生意SELF》。

可入口那边,同一周在往更大的权限走。OpenAI 09-29 的 DevDay 发了 DotsOFFICIAL:官方稿自己写的,是“always-on agents”,每个都有自己的云电脑,靠插件生态能连 4000 多个应用,7×24 小时朝你的目标干活。官方也写了护栏:内置规则决定什么时候自己干、什么时候问你,改密码这类敏感操作永远留给你,监测系统发现问题可以暂停或停掉它。Meta 同一天把 Muse 推向小企业,连接器有 Shopify、Slack、Stripe、QuickBooks、Zoom 和脸书、Instagram 的商业账号,官方稿写“nothing publishes, sends, or spends without your approval”(MetaOFFICIAL)。也是同一天,Verge 报了一位科技博主 Matt Robb 的遭遇:他授权 Muse 全权打理自己的 Facebook Marketplace,说它把他的家庭住址给了一个陌生买家,还答应了一个压得很低的价(VergeMEDIA)。Muse 事后生成的摘要说,他从没明确让它把地址给买家,它也没问过他同不同意。这只是单一当事人的说法——他给了地址,也没明确禁止——Meta 的回应本刊没读到;它和官方那句“没有批准就不会发送”之间的张力,值得记一笔。站内前情见《缪斯诞生记:Meta 个人助理的两年生死劫SELF》。

Manus 09-28 发 2.0,新应用 Cue 里“each agent has its own email, phone number, wallet, and computer”,能在你设的预算内自己付钱(ManusOFFICIAL)。Cloudflare 的创始人信OFFICIAL把趋势说得最直白:自动化流量超过人类流量的时间,原先预测在 2027 下半年,被 Agent 和爬虫提前到了 2026 年 5 月(Cloudflare 自家网络的口径);而它的开发者命令行 Wrangler 的使用里,Agent 的占比一周前已经到了 48%(cf CLI 发布文OFFICIAL)。

▲ 出事之后的标准收场 ▼ 同一周入口那边 道歉 + 承认通报太晚 6 月发生 → 8 月发现 → 9 月 10 号才通报 基金 + 委员会 10 亿美元额度 · 澳方 taskforce · 10-06 作证 卖隔离产品 OpenShell + Sentry · Reco 融 5500 万 唯一真收权的一条 研究环境不再实时上网,改用缓存 09-29 OpenAI Dots 自己的云电脑 · 4000+ 应用 · 7×24 09-29 Meta Muse for Small Business 15 个连接器 · 同天被曝泄露博主住址(单一说法) 09-28 Manus 2.0 · Cue 每个 Agent 有邮箱、电话、钱包、电脑 Cloudflare 自家数据 Agent 占 Wrangler 使用 48% · 自动流量超人类 空格:责任归谁 FTC 在设问 · 招股书写"unsettled" · 澳洲只是在拟规则
左边是这周走完的收场流程,右边是同一周入口那边的放权;中间那格“责任归谁”,谁也没填
一句话主张 Agent 越界这件事,这周走完了“被发现→道歉→设基金→有人卖隔离产品”的整条流程,唯独“责任归谁”那一格是空的:FTC 主席在问,Anthropic 在招股书里写“不确定”,澳大利亚还在拟规则。与此同时,入口那边(Dots、Muse、Manus)在往更大的权限走。所以下一轮出事的成本,眼下还是由用户和被闯的机构自己扛。下期可以被打脸:任何一家把已经发布的常驻 Agent 的默认权限收窄(不是加一句提示,是真的收权),或者出现第一份明确判定 Agent 开发者担责的监管文件或法院裁定。

接下来怎么发展 · 观察点

  1. 10 月 6 号 Kwon 在悉尼联合特别委员会说什么;OpenAI 追踪页上“通知的第三方”数字会不会从“数十”往上走
  2. 澳大利亚的“双重通报”要求什么时候有正式文本
  3. Muse 那位博主的事 Meta 怎么回应,会不会改默认授权
  4. 英伟达那套平台什么时候有第三方基准;OpenAI 会不会出现在合作方名单里
  5. 澳参议院 10 月 1 号的听证之后,会不会有新的邀请或传唤
故事线 C
算力的账单变成了撤不掉的合同:token 越卖越便宜,GPU 越租越贵
横跨:AI基础设施 🔥 / 市场信号 🔥 / 应用 ● / 基础模型 ● / 组织 ● / 政策 ● — 6格,跨4层

上期这条线讲的是:卖算力的在涨价,建数据中心的被三个州同时卡住。这周多了一份从“买算力的人”那边流出来的文件。Anthropic 的招股书里写,未来约十年,它在算力和基础设施上至少要花 5180 亿美元,其中约 80% 是“non-cancelable or requires payment regardless of usage”——不能取消,或者不管用不用都要付(Reuters 09-29(转载页)MEDIAMUST)。这是 Reuters 转述招股书,招股书本体没公开。

拆开是和六个合作方的合同:Google 至少 1111 亿(2026 年 4 月到 2033 年 7 月),Amazon 至少 1100 亿(到 2036 年 4 月),Microsoft 至少 314 亿,Broadcom 相关的设备租赁约 1612 亿,xAI 最多 845 亿(大多能提前 90 天取消),AMD 供算力预计超 200 亿。按报道里的数字加起来是 5182 亿;前四家合计 4137 亿,正好约占 80%——“不可取消”的大头就是这四家。招股书的直引也很直白:实际花得比承诺的少,差额要补给 Google;Microsoft 那份,除非微软出现未纠正的重大违约,否则不可取消;需求“limited principally by the availability of compute”(主要受算力可得性限制)。(加总和占比是本刊按报道数字自己算的。)

对照一个“没那么铁”的:Akamai 09-25 披露 Anthropic 七年花 116 亿美元买它的云,TechCrunch 的说法是这份承诺“isn't ironclad”,双方在特定条件下都能终止(TechCrunchMEDIA背景 · 09-25)。

这份账放在它的收入旁边看:Reuters 的财务稿(CNBC 转载)MEDIA写,2025 年营收接近 46 亿美元,总运营开支约 126.5 亿,其中算力和基础设施 73.3 亿,是 2024 年的三倍;营业亏损超 80 亿。净亏损约 420 亿,但其中约 340 亿是会计账面项——可转成股份的融资工具估值上升,不是真金白银花出去的。所以不能只写“亏了 420 亿”。

钱从哪来,这周有几个样本。英伟达 09-28 宣布回购授权再加 1500 亿美元,加完剩余总授权 2350 亿——两个数不能相加,授权也只是上限,不是已经花掉的钱,预计执行到 2028 财年(NVIDIA 新闻稿OFFICIAL)。AMD 同一天用全股票约 82 亿美元买下李飞飞的 World Labs(细节见后面的专题 03)。三星集团六家公司合投 10 亿美元进 KKR 发起的 AI 基础设施公司 Helix,英伟达也是它的创始投资方之一(CNBCMEDIA)。债这头,美国 10 年期国债收益率 09-25 涨到 5.23%,是 2007 年以来最高;CNBC 把 AI 借贷列为原因之一,但那是 Macquarie 一位策略师的说法,他认为今年更多和债券发行有关、而不是通胀(CNBCMEDIA)。Bain 09-29 的年度报告算了一笔总账:要撑起现在铺的数据中心,2031 年 AI 每年得挣 6 万亿美元的收入,现有服务最多贡献 1.8 万亿,缺口 4.2 万亿(Bloomberg 转载MEDIA,Bain 报告本体没打开)。注意这是每年的收入,不是累计投资。

再看价格,这周两头同时在拉开。OpenAI 09-29 一天里摆出的阶梯是这样的(每百万 token 输入价):Luna 0.10 美元,GPT-6.1 Sol 2 美元,Astra 10 美元,Astra Ultrafast 60 美元。Ultrafast 是 API 里最高 6 倍速、Codex 里最高 8 倍速(每秒约 300 token)的加速档,价格是 Astra 标准价的 6 倍(OpenAI 定价页OFFICIAL)。ChatGPT 这边新增了每月 500 美元的 Pro 500,额度是 Plus 的 25 倍,也只有它能用 Ultrafast;200 美元档价格不变,新订户的额度更低——具体从 20 倍降到 10 倍这类数字只有 Engadget 一家(EngadgetMEDIA),OpenAI 的帮助中心OFFICIAL只写了“更低额度”。

OpenAI GPT-6.1 Sol 发布页的三张价格卡:Astra 每百万 token 输入 10 美元、输出 50 美元、缓存输入 1 美元;Sol 输入 2 美元、输出 10 美元、缓存 0.10 美元;Luna 输入 0.10 美元、输出 0.50 美元、缓存 0.01 美元
三档标价并排:Astra 10/50,Sol 2/10,Luna 0.10/0.50(美元每百万 token,输入/输出);Astra Ultrafast 的 60/300 在定价页的另一个标签里(图源:OpenAIOFFICIAL)

另一头是卖 GPU 小时的在涨。Nebius 价格页OFFICIAL把新旧两列并排挂着,10 月 1 号起生效的新价:H100 每 GPU 小时从 3.85 涨到 4.50 美元(+16.9%),H200 4.50→5.40,B200 7.15→8.50,B300 7.85→9.50。

Nebius 官网 GPU 价格表:左列 On-demand,右列 Effective October 1, 2026;HGX H100 3.85 到 4.50,H200 4.50 到 5.40,B200 7.15 到 8.50,B300 7.85 到 9.50,GB200 和 GB300 NVL72 为 Contact us,RTX PRO 6000 和 L40S 不变
Nebius 价格页(09-30 抓取):新旧价两列并排,H100 到 B300 涨 17% 到 21%,RTX PRO 6000 和 L40S 不动(图源:NebiusOFFICIAL)

而 token 这一头,Epoch 09-22 的《The plunging price of thought》OFFICIALMUSTTECHREAD说的是:达到同一档基准分数的成本,每季度降约 47%,年化约 13 倍,比电力、锂电池、DNA 测序和算力这些历史上的降价曲线都陡。它的限制写得也清楚:这条曲线隐含了一个“不停地找最划算模型”的用户,真实用户不会那么频繁换模型,拿不到全部节省;基准分也只是个不完美的代理。

Epoch AI 图:The price of artificial thought may have fallen faster than for any other transformative technology in history,对数纵轴,AI 2021-26 每季度降 47%(年化 12.7 倍),对比电力、锂电池、DNA 测序和算力的降价曲线
Epoch 的图:AI 那条线(青色)比电力、电池、DNA 测序和历史上的算力降价都陡(图源:Epoch AIOFFICIAL,CC-BY)

买方那边的账也在变。Sonnet 5.5 09-28 发布,标价没变(每百万 token 输入 2 美元、输出 10 美元,和 GPT-6.1 Sol 一样),但 Artificial Analysis 测得它在最高档位每个任务要输出约 19.3 万 token,是他们测过最多的,约为 Astra 的 7 倍,单任务成本 7.60 美元,比 Sonnet 5 高约 50%(Artificial AnalysisOFFICIAL)。标价不变,账单不一定不变。Tinder 的 CTO 对 FT 说,公司的 AI 花费从 1 月按年 100 万美元涨到 7 月按年 1000 万,不想再涨 10 倍,所以在往开放权重模型转(PYMNTS 转述 FTMEDIA)。

也有反着走的路。一个叫 Colibrì 的开源项目把 MoE 模型的专家权重放在 SSD 上按需读,让没有 GPU 的机器也能跑 7440 亿参数的 GLM-5.2——冷启动每秒只有 0.05 到 0.1 个 token,128GB 内存纯 CPU 约 1.8 个,6 张 RTX 5090 约 6 个(GitHubGITHUB,速度数字来自量子位MEDIA转述项目测试)。它是给买不起显存的人多一条路,不是云端涨价的替代品。

边上还有几件小事:Nscale 09-25 宣布 33.6 亿美元可转债,其中 10 亿来自老股东英伟达(TechCrunchMEDIA背景 · 09-25);Crusoe 和 Boom 的涡轮合同散伙,但 Crusoe 说能源计划“haven't changed”,不能写成它放弃燃气涡轮(TechCrunchMEDIA背景 · 09-25);Oracle 给新墨西哥州一个 Stargate 数据中心的开发商发了不可抗力通知,Oracle 说项目仍“on our planned schedule”(CNBCMEDIA背景 · 09-24)。

▼ 卖 token:标价阶梯(美元/百万输入 token,对数) ▲ 买算力:租金在涨,合同撤不掉 Luna 0.10 Sol 6.1 2 Astra 10 Astra Ultrafast 60 Sol 6.1 : Astra : Ultrafast ≈ 1 : 5 : 30 Epoch:同一分数的成本每季度降约 47% 10-01 Nebius 新价生效 H100 3.85 → 4.50(+16.9%) H200 +20% · B200 +18.9% · B300 +21% Anthropic 招股书(据 Reuters) 未来约十年至少 5180 亿美元算力合同 约 80% 不可取消,或不用也要付 2025 年营收约 46 亿 · 算力支出 73 亿 Bain:2031 年每年得挣 6 万亿 现有服务最多 1.8 万亿 · 缺口 4.2 万亿 错配:卖的一头在降价,买的一头签了十年 中间这道差额,得有人扛
左边是 token 的价格阶梯(长度按对数画),右边是算力的租金和合同;中间的错配,上期表现为被三个州卡住,这周表现为写进了招股书
一句话主张 token 在便宜,GPU 在涨价,中间夹着撤不掉的合同:卖 token 的一头,同等能力的价格每个季度砍近一半,OpenAI 一天里就把中档价格摆成了旗舰的五分之一;买算力的一头,已经把十年的账签死了,其中八成撤不掉。这个错配总要有人扛——上期表现为被三个州卡住,这周表现为写进了招股书。下期可以被打脸:任何一家主流 neocloud(Lambda、Together、Crusoe、CoreWeave)下调按需价目表,或者 Anthropic、OpenAI 公开说下调算力承诺。

接下来怎么发展 · 观察点

  1. Nebius 新价生效之后,Lambda、Together、Crusoe、CoreWeave 会不会跟;Together 的促销价 09-30 到期后,价目表上是不是回到 5.49 美元
  2. 招股书本体什么时候公开——只有那时才能看到这 5180 亿的合同细节,而不是 Reuters 的摘引
  3. Sol 6.1 的 Ultrafast 档什么时候上、标多少:加速档到底是常态还是溢价
  4. AMD 收购 World Labs 要过监管,预计年底前交割
  5. Bain 那笔“每年 6 万亿”,市场什么时候开始拿它当基准讨论

三条故事线之外,这周有五块值得单独展开:上期那个“不会聊天的模型”Jev,这周被 OpenAI 和阿里云按同一个接口认领了,同时出现了一个最强的反例;接故事线 A 的“评估员”,三篇论文各讲了一种评测失灵的方式;世界模型和具身这周先到的是资本;On-Policy Distillation 从一篇博客变成了头部实验室后训练的标配;最后是开源和闭源的差距,总分上又拉开了一截,在网络攻击这一项上却只差一步。发布之后又补写了三块:内容的价格(训练端败诉、展示端的反垄断官司被驳回、市场端开始定价)、第一份针对 Agent 越界的民事诉状、中国算力的三条路(国产栈、租云、走私同周出现)。

专题 01 OpenAI 和阿里云都按 Jev 的接口入场了:这是一个“接口品类”,不是一类新模型

上期专题讲 TypeSafe 的 Jev——一个不输出文字、只输出带概率的类型化决策的“System One”模型,一周里被第三方拿去真用了。这周的新事实是两家大平台按同一个接口入场;同时出现了一个很强的反例:不训练,也能做到差不多。

先说 OpenAI。DevDay 的总结页OFFICIAL里,Decisions API 只有三句话:它把 Luna 的能力聚焦到“一组用户自己定义、答案有限的问题”上;现在是 limited preview,“a broad release planned in the coming days”(几天内全面开放);开发者给文本或图片,拿回能用来分类内容、路由请求或决定 Agent 下一步动作的答案。没有价格,没有型号名,没有示例代码,本刊翻了开发者文档也没找到对应条目。二手的数字要分开看:The New Stack 写 OpenAI 称它 150 毫秒出结果、而 Luna 走普通 API 要 1.6 秒,还判断这“可能是对 TypeSafe 和 Jev 的回应”(The New StackMEDIA;150 毫秒在官方页里没有,“回应”是记者的猜测)。Every 做了两个内部小测:一个计算机操作回放里 Decisions 在 78 个计分步骤里选对 76 个、Jev 是 73 个,延迟 230 毫秒对 500 毫秒;另一个对话线程分类两者“effectively tied”(准确率几乎打平),但 Jev 的中位延迟是 161 毫秒、Decisions 是 309 毫秒——Every 自己的结论是“the winner depends on the use case”(赢家取决于用例)(EveryMEDIA,是内部小测,不是基准)。

再说阿里云。百炼的官方更新表把decision-model-previewOFFICIAL背景 · 09-24记在 09-24 上线,API 页写明“Protocol : TypeSafe System One”,示例直接用 typesafe-sdk,三类问题 choice、noul、score 和 Jev 的三个原语同名,限时免费。文档没写底层是什么模型,所以不能写成“千问的决策模型”。也就是说,谁先把接口做出来,谁就定了协议——这一点阿里已经用行动回答了。

开源那头也在跟。上海 AI 实验室的 InternLM 09-26 把 Intern-DecisionGITHUB放上了 GitHub 和 Hugging Face(0.8B、2B、4B,Apache-2.0):在 Qwen3.5 上微调,输入状态和一组带类型的问题,一次前向出每个问题的概率分布,不生成文字。README 自报 4B 在七个测试集上平均 90.02%、Jev 是 88.74%,但各套件互有胜负(比如 WildJailBreak 上 89.86 对 Jev 的 96.29),平均分靠另外两个套件拉起来,所以只能写成“自报,且互有胜负”;延迟表里 4090 上 4B 是 44.16 毫秒、Jev 一行是 109.70 毫秒,但那一行是不是同条件,README 没说清,它自己也写了“The protocols and scope differ”(协议和范围不同)。TokenRhythm 的 NeoHorse-Jev-4BGITHUB背景 · 09-24(Apache-2.0,NeoHorse-1-4B 的微调)模型卡自称在“四个成绩完整的开源决策模型”里最高,对比表里没有闭源的 Jev 本体;公司归属(据量子位报道由前华为盘古负责人王云鹤创办)只见媒体,不见公司官方页。

有两篇论文给了数字。《Jev in the Wild》(arXiv 2609.30216OFFICIAL背景 · 09-24)爬了 2170 个公开 GitHub 上真用 Jev 的项目:Jev 09-15 发布,其中 1865 个是发布后一周新建的,一周拿到约 4.4 万颗星;“属性判断”出现在 77% 的项目里;星星集中在路由和界面类项目——它们只占 19.6% 的项目,却拿走 63.0% 的星。要带着三个限定读:只数公开仓库、一周快照;每个项目的分类是 GPT-6 Luna 智能体打的标签;星数是热度,不是使用量。另一篇是 09-27 的《Jev in Medicine》OFFICIALTECHREAD(预印本,作者自己标了 preliminary):在四个医学基准上和 GPT-6 Sol 比,PubMedQA 打平(78.4% 对 78.2%),MetaMedQA 74.8% 对 82.7%,DiagnosisArena 59.8% 对 82.4%;不开推理的 GPT-6 Sol 也比 Jev 高 19.5 个点(这是 DiagnosisArena 一项,MetaMedQA 上是 5.9 个点)。它的概率校准更好(MetaMedQA 上 ECE 0.063 对 0.146),2823 道题总成本 0.08 美元,中位延迟 0.27 到 0.31 秒——快、便宜、校准好,但“概率准”不等于“答得对”,作者自己的结论是临床使用前必须做专项验证。再补两个限定:Jev 给出概率不低于 0.9 的那 52.9% 题目准确率是 93.4%,但 GPT-6 Sol 接受相近比例的题目时一样准——按置信度筛选后,校准好并没有换来准确率优势;DiagnosisArena 上 Jev 的概率区分度也更差(AUROC 0.645 对 0.768)。论文冻结后 10 月 4 号出了 v3,摘要和数字不变,正文仍写着“These findings are preliminary”,两位作者署的是独立研究者。

《Jev in Medicine》图 1:四个医学基准上 Jev 与 GPT-6 Sol(medium、none)的 top-1 准确率森林图;PubMedQA 三者几乎重合,DiagnosisArena-MCQ 和 NEJM Case Challenges 上 Jev 明显偏左
论文图 1:PubMedQA 上三个点几乎重合,DiagnosisArena 上 Jev(蓝)明显靠左;NEJM 只有 34 例,误差线很宽(图源:arXiv 2609.34024OFFICIAL)

最强的反例来自 Privatemode。它的博客OFFICIAL背景 · 09-24说:不训练、不微调,只要把提示词以 choice_index: 结尾预填,让 GLM-5.3-Flash 只吐一个 token,读它对各选项的 logprob,就能把现成的大模型变成 Jev 式的决策模型。在 28 个文本数据集上,两者各赢 10 个,另外 8 个差不到 1 个百分点,中位差 0.7 个点偏向 Jev,p=0.64,不显著。这是卖 Privatemode 的公司自己做的评测,数据集是它自己选的;按它的算法,GLM 每百万次决策约 62 欧元,Jev 约 16 欧元,贵 4 倍,但能吃图片。

怎么看“品类”这个词,可以用,但要限定成“接口品类”:同一种调用方式——给状态和一组选项,直接拿回每个选项的概率——被 OpenAI、阿里云和至少一批开源项目按同一种调用方式认领了,这是这周的新事实(线协议后来看其实分成两族,见文末补充)。但不能写成“一类新模型”:开源那几家多数是 Qwen3.5 加一个读 logits 的头(也有 1.4 亿到 4.2 亿参数的编码器类,见文末补充),Privatemode 证明通用大模型换个读法也差不多,医学那篇里不开推理的 Sol 还更准。差别主要在速度、价格和协议,不在“更聪明”。另有两条风险:OpenAI 那条在发稿时只有官方三句话(10 月 6 号起有了完整文档,见文末补充),阿里那条底层模型没说;而“大厂认领”能不能变成钱,还没有任何付费数据——阿里现在是限时免费。
10-08 补充 · 冻结之后
  • OpenAI 那条有了完整文档(10 月 6 号公测)。开发者指南写明 POST /v1/decisions,输入 0.10 美元/百万 token(这是基础价,另有区域处理和长上下文加价),输出与缓存读写不收费,仅 gpt-6-luna,支持零数据留存和 HIPAA(合格客户),"we expect to GA in the coming weeks";官方只写"about 10x faster than the Responses API",没有 150 毫秒(OpenAI 指南OFFICIAL后续 · 10-06,公测与价格 EP.106 已写)。
  • "同一个协议"要改成"同一种形状、两族线协议"。阿里云(/compatible-mode/v1/systemone)、TypeSafe 自己(/v1/systemone)、Cloudflare Clef 和 llama.cpp 用的是同一个 System One 协议,题型叫 choice、noul、score,问题是以自定义 id 为键的对象;OpenAI 的 /v1/decisions 形状相同、线格式不同:题型叫 predicate、choice、score,问题和答案都是数组。冻结时 OpenAI 的指南还没出,当时只能凭官方三句话推断。
  • 价格有了,付费量没有。每百万输入 token:Perplexity v1.1 0.02 美元 < Jev 0.042 < Clef-flash 0.09 < OpenAI 0.10 < Clef 0.24;阿里云仍是限时免费。OpenAI 的价格是 Jev 的 2.4 倍,却低于 Clef。没有任何一家公布付费用量或营收;Vercel 的"上线 24 小时约 13% 付费团队在用"是网关内、含促销期的采用数,Vercel 自己写"the next test is whether that early adoption lasts"。
  • 差别除了速度、价格、协议,还有校准。Privatemode 10 月 6 号的校准文章OFFICIAL说,纯读 logprob 的 GLM-5.3-Flash 平均声称 92.7% 的置信、实际只对 78.1%,每个数据集上都过度自信;套一个只依赖选项数的默认温度后,超额校准误差从 0.129 降到 0.032,Jev 开箱是 0.080、套同样温度后 0.040。这是卖 Privatemode 的公司自己做的评测(29 个公开数据集)。所以"不训练也能做到差不多"要补成:准确率差不多,但开箱校准差、需要多一步校准。
  • "开源几乎都是 Qwen 加读 logits"过于简化。llama.cpp 官方支持表里最快的是编码器类:Julia-1(1.44 亿参数)、Laya(4.21 亿参数,ModernBERT-large),延迟 3 到 5 毫秒;Cloudflare 的 Clef 冻结 Qwen3.8-27B 或 Qwen3.5-9B,加路由头和 rank-256 的 LoRA,再用 RL 后训;AWS 的 Strands Decider 把 Qwen3.5-2B 的语言模型头换成约 100 万参数的指针头,加 rank-16 LoRA。纯读 logprob 的只是 Privatemode 和 Cloudflare 早先的实验。Clef、Strands、Perplexity、llama.cpp 那几条 EP.106 已写,我们按一手页重核,数字属实。
  • 各家"自评领先"都是自己选的基准。Cloudflare 自己的表里 Jev 仍有两项第一(When2Call 80.97 对 72.37,BRIGHT 47.52 对 45.91);Perplexity v1 在 "JevBench public hard" 上是 70.30%,不但低于 Jev 的 73.27%,也低于它没微调的基座 72.28%。全部自报,没有第三方指数。
  • 本专题已更正的地方:"更广的评测上它落后 Jev"在 Every 原页找不到出处,已改成"一胜一平、延迟一快一慢";医学那篇的 19.5 个点只是 DiagnosisArena 一项;"同一个协议"改为"同一种调用方式"。
专题 02 评测的三种失灵方式:被钻空子、尺子会老、同一次跑两遍结果不一样

接故事线 A 的“评估员”:上期讲的是谁来评、谁付钱,这期回答评估员要审什么。这周有三篇论文,说的是同一件事——一个分数背后的测量工具,会随被测的 Agent 变化——但三种失灵是三回事,各有各的补法。

第一种是被钻空子。Scale AI 的 9 位作者在arXiv 2609.34262OFFICIALMUSTTECHREAD(09-28)里审了 5 个 Agent 基准里的 3810 条“通过”轨迹。他们把“通过了、但没体现任务要考的能力”的通过叫 unearned pass(未挣得的通过)——其中只有同时证明了机制、故意、与评分相关三点的,才记为确认的 reward hacking(违规);其余还包括验证器太弱(比如把测试写进了错误的文件、没读到内容就断言“已验证”);unearned 占全部通过的比例叫 integrity gap(诚信缺口)。典型手法是从 git 历史里翻标准答案:比如 SWE Atlas 里,Agent 直接去 raw.githubusercontent.com 抓上游那个测试文件的源码照抄(论文图 3 里这个案例是 Opus 4.8 加 Claude Code);Terminal-Bench 里,题目泄露了正确哈希的前 6 位,Agent 编了个盐值一路算到前缀对上,从头到尾没去解码图片里的伪代码(图里这个案例是 Opus 4.7 加 Claude Code)。

数字有点反直觉(先说口径:这是确认违规的任务占“几个模型都通过的任务”的比例,任务级、共享集,n 分别是 49、36、104、96,不是同一批题;SWE-Bench Pro 用的是 V1.0 的抽样子集,Opus 4.7 每题跑 3 次,Fable 5 和 5.1 每题 1 次)。SWE-Bench Pro 上,确认的作弊率 Opus 4.7 是 24.49%,Fable 5 涨到 73.47%(n=49),Fable 5.1 又掉到 11.11%(n=36);OpenAI 那边,GPT-5.1 是 1.92%(它另有 27.88% 是没挣到、但证据不足以判作弊,integrity gap 是 29.81%,所以“低”只对确认违规成立),GPT-5.6 Sol 涨到 68.27%,GPT-6 Astra 是 0.00%。作者自己不敢把下降归功于对齐——“We do not attribute it to better alignment”——因为各代的 git 历史和网络出口配置没做归一化;而且最新两代通过的可利用任务本来就更少,作者自己校正后,选择效应约占下降的 7 个点,不是全部,主要降在 git 历史这一类(Anthropic 从 33 降到 7,OpenAI 从 84 降到 1,五个基准合计)。他们的补法也很具体:要封的是网络出口,不是某个地址。要带着的局限:34/39(87.2%)是两位作者人工标注之间的一致性(二分类),κ 只有 0.25(PABAK 是 0.74,类别不均衡所致),别把 87% 当铁证;判官流水线对 31 条人工共识样本全部吻合,但样本只有 39 条;比较是描述性的,不是因果。

Scale AI 论文图 2:五个基准上各模型确认的 reward hacking 违规率与 95% Wilson 区间(左),以及早晚代模型违规重叠数(右);SWEBench Pro 上 Opus 4.7 24.49%、Fable 5 73.47%、Fable 5.1 11.11%,GPT-5.1 1.92%、GPT-5.6 Sol xhigh 68.27%、GPT-6 Astra 0.00%
论文图 2:违规率不是随代际单调上涨,SWE-Bench Pro 上先涨后跌,两家都是;右边显示新模型不只更熟练地用旧漏洞,还会找旧模型没碰过的入口(图源:arXiv 2609.34262OFFICIAL)

第二种是尺子会老。《Frozen Judges, Moving Agents》(arXiv 2609.34198OFFICIALTECHREAD,09-28,单作者、机构不明、仓库私有)用同一个 LLM 当裁判去比较 Agent 的新旧版本。“35 个”是同一个脚手架 mini-SWE-agent 下的 35 个公开 SWE-bench 提交,组成 20 对版本对;60 个“裁判 × 版本对”里有 32 个检测到差异化的比较误差,8 次“仅裁判显著”的进步宣告,在测试执行的区间下确立不了(是“不能确立”,不是被测试否定);用旧版本的校准去修正新版本,平均比较误差从 3.8 个点涨到 19.5 个点(60 个单元里 59 个更差)。但作者自己也写了:裁判的排序和真实测试结果仍高度相关(0.71 到 0.79),在 SWE-bench 的 20 对版本对里没有出现显著的“好版本被判成坏版本”;作者说“裁判误差随被评 Agent 而变”这件事“not new”(前人已有,他们不声称是发现)。但要补两点:60 个单元里有 11 个(18.3%)点估计的符号和参照相反;τ-bench 上还有一个裁判置信地判反了 9 点的参照差(作者的解释是它按“完整遵守政策”评,而参照奖励只看数据库状态,不一定是裁判错)。35 个 Agent 上,裁判把失败补丁判成通过的中位比例是 Gemini 3.5 Flash 65.7%、GPT-5 mini 66.0%、GPT-6 Sol 40.0%,而且 Agent 越强越容易被放过。所以实际风险是比证据更自信,“不判反”只对 SWE-bench 这 20 对成立;参照是测试执行,独立的人工补丁复核还没做。

第三种是同一次跑两遍结果不一样。《Identical Runs, Different Results》OFFICIALMUSTTECHREAD(09-27)让 Agent 去改一个预测航班晚点的 XGBoost 模型,用没见过的 100 万条(2006 年的)留出航班打分。同一个 Agent 加模型的组合重复跑 52 次,中位组合在剔除违规后的运行间标准差是 0.0107 AUC(含违规时是 0.0133),比 6 个组合均值之间的跨度 0.0095 还大——只跑几次就排名,基本是抽签;要分出差异得跑几十到一百多次。312 次里有 10 次违反数据规则(5 次把带标签的评测文件加进训练,5 次用待评分批次的数据算特征;5 次“把评测文件加进训练”里有 4 次是 Hermes 加 GLM-5.3 Flash 这一个组合),整个研究里最高的 7 个分数全在这 10 次里,剔除后最高分从 0.8293 降到 0.7695;作者明说这不是偷看了隐藏测试集。局限也要说:单一任务、开源权重模型,不能外推成“SWE-bench 分数也这么抖”。

Identical runs, different results 论文图:6 个 Agent 加模型组合各重复 52 次的 holdout AUC 散点,右侧标注标准差 0.0096 到 0.0125、有效运行数和不合规比例,起始代码基线 0.7148
每一行是一个组合跑 52 遍:同一行内的散布宽度,和不同行之间均值的差距差不多大(图源:arXiv 2609.33812OFFICIAL)

榜单本身也有“选哪个指标”的问题。Bojie Li 09-29 在 X 上说,Pine Computer 在 SaaS-Bench 上用 1/8 的单位成本,超过 opus5 加 Claude Code,以及 gpt 5.6 sol 加 Codex。榜单一手页UniPat 的博客OFFICIAL有两个指标:CS(部分完成度)和 RS(端到端全对才算)。CS 上 Pine 78.3 最高;RS 上 Pine 是 27.4,低于 Codex 的 29.2 和 Claude Code 的 31.1,UniPat 页头也把两个“第一”分开写。成本是每任务约 3.6 美元对 26.5 美元,1/8 是对 Claude Code 说的。Pine 那一行是 Pine 自己跑的,它的官方数据集写明“No third-party outcome verification is claimed”,还是一个“repaired, multi-attempt”的批次;发帖人自己的网站写着他“曾任 Pine AI 首席科学家”。所以那句“超过”只在一个指标上成立,是自报,不是造假。

UniPat AI SaaS-Bench v1.1 博客页头:Highest Checkpoint Score CS 是 Pine Computer 78.3%,Highest Resolved Score RS 是 Opus 5 Claude Code 31.1%
UniPat 页头自己就把两个第一分开写:CS 最高是 Pine Computer,RS 最高是 Opus 5 加 Claude Code(图源:UniPat AIOFFICIAL,转自推文附图)

还有一句口述可以当引子:Higgsfield 的 CEO Alex Mashrabov 在 20VC 的播客MEDIA(09-28)里说,他跟大公司的顶级研究员聊过,那边有人把测试数据放进训练、拿季度奖金。这是创业公司 CEO 的转述,没点名任何公司,没有证据;他刚在前面承认自己当初自研模型追榜是个错误,说话有动机。这句只当行业里有这种怀疑的例子,不当论据。

怎么看标题不敢写“评测失效”。三种失灵各有补法:钻空子要审轨迹、封出口;裁判会老要拿执行结果做参考、别只信裁判(但 Scale 那篇也说,“测试通过”本身可能是未挣得的通过——这几种补法互相依赖);运行噪声要重复跑、并且把合规情况和分数一起报。而且证据不支持“越强越会作弊”,也不支持“越强越不作弊”,只能说两个方向都有混杂、下不了结论——Scale 自己的数字是先涨后跌,作者没有归因于对齐,说的是各代的 git 历史和网络出口配置没归一化、配置变化也可能是原因,UK AISI 的一篇文章OFFICIAL背景 · 07-21也说,每个被测模型都试过作弊,但作弊多少没有随能力升降的清晰趋势。对上期的评估员,这几篇合起来是一张要求清单:审的不只是最后那个分数,还有过程、参考和重复次数——上期公开信要的“接近内部员工的访问”,正好是审轨迹用得上的东西。这一句是本刊的编辑判断,不是任何一篇论文的话。
10-08 补充 · 冻结之后
  • 这三篇论文还没有回应。我们没有找到作者回应、独立复现,或引用它们的后续论文(Semantic Scholar 的引用接口对三个编号都返回空,可能是索引滞后,不能当成"没人引"的证据)。
  • 有侧面印证,但任务不同、数字不能合算。arXiv 2610.01618OFFICIAL后续 · 10-01在 4 个科学任务上测得"approximately 54% of the outcome variance coming from repeating the same configuration rather than changing it"(约 54% 的结果方差来自重复同一配置,而不是改配置);arXiv 2610.05830OFFICIAL后续 · 10-05对 9 个 HAL 配置做"污染通道审计","none of the 27 channel assessments was coded closed, but incidents were confirmed in four configurations"(27 个通道评估无一被判已封,4 个配置有已确认事件)。
  • "封出口"不是一劳永逸。Scale 自己 9 月 22 号的 SWE-Bench Pro V2OFFICIAL背景 · 09-22已经按这个思路改了:评测阶段 Agent 只能访问模型端点、关闭网页工具,每个 diff 在干净镜像上重判并公布两套成绩;页面自己写"Two residuals stay open"(两个口子仍开着):模型端点是受信中继,补丁里的 conftest.py、go.mod replace、Makefile 目标仍会被验证器执行。论文里的 SWE-Bench Pro 数字对应的是封之前的 V1.0 环境。
  • Identical Runs 的"后一年"复核。论文表 11:换到 2007 年的 100 万条航班复核,446 个合规运行相对起始代码的增益从 +0.0280(2006)缩到 +0.0092(2007),"kept only a third"属实;33 个合规运行在 2007 年低于起始代码(2006 年为 0);运行间标准差中位 0.0060,仍大于组合均值之间的跨度 0.0021。
  • 本专题已更正的地方:34/39 与 κ=0.25 是两位人工标注者之间的一致性,不是判官对人工;"未挣得的通过"不等于"钻空子",24.49%、73.47% 等是确认违规率,不是 integrity gap;"没有测试结果支持"改为"在测试执行区间下确立不了";"不判反"只对 SWE-bench 的 20 对成立;"越强越作弊"的措辞放宽;"作者怀疑是环境没锁好"改回作者的原话;标准差 0.0107 补上"中位组合、合规运行"。
专题 03 世界模型和具身:这周先到的是资本,模型还在后面

AMD 花约 82 亿美元把李飞飞的 World Labs 整个买了下来。同一周,世界-动作模型那一批开源成果里,证据最硬的一个落在窗口边上,另一个的基准分绝对值很低。先到的是钱,不是模型。

先看这笔交易。AMD 09-28 的官方新闻稿OFFICIAL写的是:全股票交易,作价约 82 亿美元,预计 2026 年底前交割,需要监管批准;交割后,李飞飞将加入 AMD,任执行副总裁兼首席科学家,向苏姿丰汇报(交割前 World Labs 仍独立运营)。AMD 同日的 8-K 补了一个新闻稿里没有的口径:82 亿美元是固定的美元对价,股数按交割前 10 个交易日的成交量加权均价折算,现在还不知道会发多少股。36氪标题里的“550 亿”是人民币折算,AMD 官方币种是美元。AMD 说买它的理由是:AI 走向推理、机器人、模拟和物理 AI,对算力的需求更多样,World Labs 在模型上的经验能让 AMD 更了解工作负载怎么演化,帮着定未来的技术路线图。新闻稿里没出现 Marble 这个产品名,也没披露 World Labs 的收入;Marble 的用户数,没有可靠的公开数字;Marble 和 World API 作为商业产品之后怎么办,两家都没说。媒体算的溢价一说 64%、一说 52%,互相打架,World Labs 自己没披露过估值,所以本刊不写溢价。

AMD 投资者关系页新闻稿截图:AMD to Acquire World Labs to Advance the Future of AI Compute,2026 年 9 月 28 日 4:05 PM EDT,含苏姿丰和李飞飞引语,以及 all-stock transaction is valued at approximately $8.2 billion and is expected to close by the end of 2026
AMD 新闻稿正文:全股票、约 82 亿美元、2026 年底前交割(图源:AMD IROFFICIAL)

这更像“先投后买”。World Labs 自己的公告OFFICIAL说,去年就和 AMD 开始了深度技术合作,起点是在 AMD 的 GPU 上做模型训练和推理优化;它今年 2 月那轮 10 亿美元的融资OFFICIAL背景 · 02-18里,投资方名单上就有 AMD,也有 NVIDIA。分析师的解读,InfoWorldMEDIA里 Gartner 的 Pant 说,AMD “can't win just by selling cheaper chips”(光卖更便宜的芯片赢不了),World Labs 是它软件栈 ROCm 的“customer zero”(自家的、拿来在最难的 3D 和空间模型上实战检验 ROCm 的头号试验客户)。

那“世界模型不再是论文,是被并购的资产”这个判断站不站得住?本刊查了一圈,作为总论断站不住:今年内纯世界模型公司被并购,AMD 这一笔是唯一一笔。其他对照都不是同类:NVIDIA 09-03 用约 129 亿美元买 Hugging Face(CNBCMEDIA背景 · 09-03),是模型平台;Mobileye 01-06 用约 9 亿美元买人形机器人公司 Mentee(BloombergMEDIA背景 · 01-06,Mobileye 的 CEO 是 Mentee 联合创始人,属关联交易);Meta 05-01 买机器人初创 Assured Robot Intelligence,金额未披露(TechCrunchMEDIA背景 · 05-01)。合起来能站住的说法是:算力、平台和汽车公司正在用并购把模型和机器人团队买进自己的栈里,World Labs 是其中最贵的一笔。而且被买的这家没披露收入,所以“资产”更像是团队加路线图的话语权。

模型这头,本刊只挑了证据齐的两个。地平线的Ego4WAMGITHUBTECHREAD(09-29,权重 Apache-2.0、13B 参数;仓库声明代码是 MIT,但 GitHub 上目前只有 README、没有源码,推理要借 StarVLA 框架)研究怎么把第一人称的人类视频喂给机器人:约 90 小时真机数据加 1.5 万小时第一人称数据,README 的结论是“Scaling egocentric data does not always lead to better performance”(堆第一人称数据不一定更好);在没有物体或场景分布外真机演示的情况下,加入与机器人对齐的第一人称人类数据,物体分布外的成功率从 10% 到 60%(场景分布外从 0% 到 20%),README 还说在越来越稀疏的长尾任务上扩张会带来负迁移;但 RoboDojo 基准上平均分 20.29、成功率 14.35%,绝对值很低,README 自己也承认记忆和开放指令类偏弱,同时称在精度、成功率和长程任务上是已报告方法里最好的(作者自报)。arXiv 编号本刊当时没找到,冻结后它提交了 arXiv(见文末补充)。

上海 AI 实验室的InternW0-ΔOFFICIAL09-25 提交 · 边界日证据更硬:论文、代码(MIT)和 HF 上的权重(Apache-2.0)都在,权重 09-22、09-23 就已上传。但要改一个说法:摘要里的“over 20K hours of processed training data”,项目图逐项加起来是 23,072 小时,来自 AgiBotWorld、RoboMIND、EgoDex 等已有的公开数据集——不是新采集的,处理后的数据集和清洗流水线只是“承诺后续开放”(摘要原话是“will open source … where licenses permit”,视许可而定)。基准上 LIBERO-Plus 92.8、RoboTwin 71.9(Clean→Random 设置,Clean→Clean 是 90.0)、RoboDojo 成功率 23.9%(项目页口径)。另有 Simate-beta,公司提供的榜单(更新于 09-23)上 RoboDojo 平均 33.95 排第一,真机表现“另行展示”(量子位MEDIA,创始人姓名文中没写)。这四家都在 RoboDojo 上报分,评测设置未必可比,本刊不做排名;口径也不一样:InternW0-Δ 的 23.9 是成功率,Ego4WAM 的 20.29 是平均分(它的成功率是 14.35%),Simate-beta 的 33.95 也是平均分,别并列着读。

InternW0-Δ 总览图:多源数据合计 23,072 小时(Robot 11,302、UMI 2,075、Ego 4,061、Ego2Robot 5,634);关键方法(视频专家、动作专家、4D 蒸馏);基准 LIBERO-Plus 92.8、RoboTwin 71.9、RoboDojo 23.9;真机杯子灌装、叠杯、滴管转移
InternW0-Δ 总览图:左上角数据构成加起来是 23,072 小时(图源:arXiv 2609.31394OFFICIAL,作者自报,真机演示不是第三方验证)

出货这一块,数字要小心用。IDC 09-29 在官方博客OFFICIAL里说,2026 上半年全球人形机器人出货近 2.5 万台,同比增长 432.1%,市场规模超 7.4 亿美元;中国市场超 1.9 万台,约占 77.9%,中国厂商占全球出货 95% 以上。IDC 还写,科研教育、表演展示和政府数采中心等场景合计约占上半年出货的 69%(2025 全年是 83.8%),工业制造等仍在“探索”,所以 2.5 万台的含金量要打折。社交媒体上说这是第一财经的稿子,本刊没找到,出处是 IDC。别的机构口径不同:Smart Analytics Global 8 月的说法是 1.91 万台、增长 272%(Humanoids Daily 转述MEDIA背景 · 08-11)。IDC 的“中国 1.9 万台”是中国市场,Smart Analytics 的“1.91 万台”是全球,数字巧合,别混。

最后一个是斯坦福和加州理工的HomeBodyOFFICIAL(项目页写 2026 年 9 月):让一台 Unitree G1 先自主探索一间没见过的厨房,建一个 Isaac Sim 的数字孪生当空间记忆,再由 GPT Astra 直接调用一套技能库收拾厨房、按含糊的指令取东西——项目页的说法是不需要“environment-specific training data or additional policy learning”(环境专属数据或额外的策略学习)。页面只有两个演示,没有量化成功率,没找到论文,代码写着“coming soon”。同一周 Sakana、Figure、Physical Intelligence、Skild、DeepMind、NVIDIA 在窗口内没见到重要的新发布(限于本刊检索范围)。

HomeBody 流程图:第一步 Astra 驱动的上下文探索,SLAM 加深度采集场景数据,在 IsaacLab 里重建;第二步真实部署,指令“Clean up the kitchen”被拆成 Pick、Place、Navigate 等步骤,每步带模型的一句理由
HomeBody 的流程:先探索、建数字孪生当记忆,再由前沿 VLM 一步步调技能库(图源:Stanford TMLOFFICIAL)
怎么看这一周世界模型和具身的大新闻是资本动作,不是模型:一笔 82 亿美元的并购,加上几个“代码权重都开了、但基准分绝对值不高”的开源成果。AMD 这笔更像先投后买、买团队和路线图话语权;说它代表“世界模型成了被并购的资产”,证据不够。出货数字有一个可用的口径(IDC 的 2.5 万台、+432.1%),别把不同机构的数拼成一句。“模型还在后面”只对窗口里这批开源的世界-动作模型成立,别泛化到 World Labs:它 9 月 1 号就已经发了 Atlas(全模态世界模型,仅早期访问)。
10-08 补充 · 冻结之后
  • 交易:10 月 8 号前没有新进展。World Labs 博客最新仍是 9 月 28 号的两篇,AMD 的 8-K 列表最新仍是 9 月 28 号那份;交割、监管、Marble 和 API 的去向、NVIDIA 在 2 月那轮里的股份怎么处理,都还没披露。要补一条背景:World Labs 在被收购前三个月已经转向机器人仿真——7 月 21 号收购机器人公司 SceniX(价格未披露)、7 月 28 号发《Building Worlds That Train Robots》、9 月 1 号发 Atlas——所以 AMD 买的不是一家只做 3D 场景生成的公司。
  • 钱还在比并购多。Reactor(做让世界模型跑得更快更便宜的软件)10 月 5 号加入 NVentures 和 Sapphire,累计融资 7400 万美元(FortuneMEDIA);Mecka 10 月 7 号宣布 6000 万美元 B 轮,Sequoia 领投,做机器人训练用的第一视角人类数据(Unite.AIMEDIA转述公司公告)。
  • Ego4WAM 有 arXiv 了。arXiv 2609.40341OFFICIAL后续 · 09-30,9 月 30 号提交,晚于本期冻结;标题是《What Matters When Scaling Egocentric Human Data for Robot Learning?》。
  • InternW0-Δ 的数据集仍没有时间表。GitHub 上两个未关闭的 issue 在问:#2 问预训练数据集,项目协作者 10 月 3 号回复说"we expect to discuss the timing of the open-source dataset after the holiday ends"(国庆之后再讨论开源时间);#3 问数据清洗流水线是否开源,10 月 4 号提出,我们读取时没有回复。HF 上放了 4 个检查点,Base 检查点的模型卡 README 是空的。项目页的 RoboDojo 对照里还列了 GPT-6-Astra 22.48%,InternW0-Δ 的 23.9% 只高 1.4 个点——作者自报,说明在这个基准上通用前沿模型已经接近。
  • 窗口里漏了 Runway 的 Praxis-1,而且它是权重没放的反例。Runway 研究页OFFICIAL边界日 · 10-01页眉写 2026 年 9 月,Runway 新闻索引把它列在 10 月 1 号,按社交帖 ID 反推约 9 月 30 号夜公布(是推算,不是读到的页面时间),在窗口内、本期冻结之后。原话:"Today we’re announcing Praxis-1, our first open-weight world action model."(今天我们宣布 Praxis-1,我们的第一个开放权重的世界-动作模型。)但权重还没有放:页面写 "will release it publicly in the coming months"(未来几个月公开发布),HF 和 GitHub 上我们都没查到,页面也没写许可证;早期伙伴是 Noble Machines、Standard Bots 和 Ultra。它自称在世界模型里模拟机器人策略,与真机结果的相关性是 0.95——Runway 自报,没有第三方复现。和 Ego4WAM、InternW0-Δ(权重已放)一对照:“开放权重”这个标签,要等权重上线才算数。
  • 本专题已更正的地方:李飞飞是交割后才加入 AMD;"customer zero"是内部试验客户而不是"第一个客户";Ego4WAM 的"代码 MIT"改成"仓库声明、目前只有 README","不加真机演示"改成"没有分布外情境的真机演示";RoboTwin 71.9 注明设置,RoboDojo 的三个数注明成功率还是平均分;IDC 出货补上 69% 的结构限定。
专题 04 On-Policy Distillation:从一篇博客变成头部实验室后训练的标配

On-policy distillation(OPD,在线蒸馏)这个词这周在 arXiv 上刷屏:四天里 50 篇论文的摘要里出现了它,前一周是 23 篇。这是热点还是巧合?先讲它是什么,再看头部实验室是不是真在用。

先讲它是什么。Thinking Machines 2025-10-27 的博客OFFICIAL背景 · 2025-10把核心思路写成一句话:让学生模型自己写答案,再让一个强的老师给学生写的每一个 token 打分。放在一张表里看,就是两个问题的组合:谁写答案、反馈有多细。

谁写答案(轨迹) 反馈有多细 传统蒸馏 / SFT 老师写,学生抄(off-policy) 逐 token(dense) 强化学习 RL 学生自己写(on-policy) 只有一个总分(sparse) OPD 学生自己写(on-policy) 老师给每个 token 打分(dense)
OPD 是前两行各取一半:轨迹来自学生自己,反馈像蒸馏一样逐 token(本刊据 Thinking Machines 博客的表述自绘)

Thinking Machines 自己在 Qwen3-8B-Base 的数学推理上做的实验里,OPD 比 RL 少约 7 到 10 倍梯度步数、折合算力约 50 到 100 倍——这是它自己的数字,而且要看比较的对象:博客的实验设置里,老师就是上一步 RL 训出来的那个模型,比的是“蒸馏学会一个已经被 RL 训出来的老师策略”对“直接 RL”,没有把训练老师的成本算进 50 到 100 倍(这是我们的读法,博客没有明说这一句);博客另一组与 SFT 的对比(9 到 30 倍)才明确讨论了老师成本。它是这个词的“普及者”,不是发明者:概念前身是 2010 年的 DAgger,语言模型版的直接源头是 Agarwal 等 2023 年 6 月的 GKDOFFICIAL背景 · 2023-06(摘要:"GKD trains the student on its self-generated output sequences by leveraging feedback from the teacher on such sequences",在学生自己生成的序列上训练、用老师对这些序列的反馈),阿里的 Qwen3 技术报告OFFICIAL背景 · 2025-05早在 5 个月前就在小模型上用了,报告写的是约 1/10 的 GPU 小时(Qwen 报告表里是 1,800 对 17,920 GPU 小时,Thinking Machines 转引时自己写"It is hard to compare this directly to the cost of distillation",很难直接比较)。

再看是不是热点。头部实验室的技术报告里,OPD 或它的多教师版本 MOPD 几乎都成了后训练的固定环节:小米 MiMo-V2-Flash(2026-01OFFICIAL背景 · 01-06)提出并命名了 MOPD;智谱 GLM-5(2026-02OFFICIAL背景 · 02-17)在各个 RL 阶段之后做 on-policy cross-stage distillation 当最后一步;DeepSeek-V4 的后训练第二阶段是“unified model consolidation via on-policy distillation”(模型卡OFFICIAL背景 · 2026-04);NVIDIA 的 Nemotron 3 Ultra 是 SFT、RL 加 MOPD(2026-06OFFICIAL背景 · 06-12)。Kimi 现在找到了一手证据:Kimi K3 的技术报告(arXiv 2607.24653OFFICIAL背景 · 07-27,2026 年 7 月 27 号提交)写 "We adopt Multi-Teacher On-Policy Distillation (MOPD) to consolidate these domain-specialized capabilities across varying reasoning efforts into a unified model"(我们用多教师在线蒸馏,把这些按领域、按推理强度专门化的能力合并成一个统一模型),它引的依据就是 Thinking Machines 的博客、MiMo-V2-Flash 和 DeepSeek-V4。DeepSeek-V4 的技术报告(arXiv 2606.19348,该页面上的提交日与编号前缀对不上,我们没法解释,所以不写日期)比模型卡更硬:"the mixed Reinforcement Learning (RL) stage was entirely replaced by On-Policy Distillation"(混合强化学习阶段被在线蒸馏整个替换)。Meta 本刊没找到一手证据。论文量是本刊自己按 arXiv 接口统计的,口径是摘要含这个短语的论文、按 v1 提交日:5 月 77 篇,6 月 56,7 月 72,8 月 85,9 月截至 09-28 已经 111 篇;按周看,09-18 到 24 是 23 篇,09-25 到 28 四天是 50 篇。口径会混进只是提到它的论文,09-28 一天就占了约 30 篇,所以周分布有提交节奏的影响。结论是:不是巧合,是热点,而且讨论已经从“能不能用”进到“怎么修”。“怎么修”里有一条更早的线索值得带上:小米团队 6 月 29 号的独立 MOPD 论文(arXiv 2606.30406OFFICIAL背景 · 06-29,基于 Qwen3-30B-A3B)把数学老师换成更强的 Qwen3-235B-A22B,学生的数学反而变差,初始的逐 token KL 约高 5 倍,结论是 "MOPD’s use of same-origin teachers is critical"(MOPD 用同源老师至关重要);NVIDIA 的 Nemotron 3 Ultra 报告也写 "teacher models trained with substantially different training pipelines cannot be effectively combined through a straightforward MOPD merge"(训练流程差别很大的老师没法靠简单的 MOPD 合并),它的办法是合并前先对学生做一次很轻的 SFT,把学生的分布拉近老师。修的是老师和学生的分布差。

窗口里有三篇值得记。LSPDOFFICIAL09-28(UNC、BYU、NVIDIA)把 OPD 的目标读成 KL 正则化的策略优化,六个数学基准平均提高 1.59 分,全 off-policy 的版本只用前 25% 的 rollout 批次就和普通 OPD 打平。DN-MOPDOFFICIAL09-28盯的是多教师 OPD 的一个毛病:指令遵循老师的反馈方差比数学老师大好几倍,把数学老师的贡献冲掉,于是把每个领域的反馈按方差归一;在 Qwen3.5 的 2B、4B、9B 上,六任务均值比 MOPD 高 1.17 到 2.36 个点(16K 长度)和 2.47 到 3.08 个点(8K),HF 09-29 日榜第 3。MIT 韩松组的 d-OPDOFFICIAL09-28把自回归老师蒸给块扩散学生,比前作 OPDLM 六基准均值最多高 4.0 个点、训练时间降到 1/1.35 到 1/1.58——但仓库 09-28 才建,2 颗星,没有基准表也没有权重,别写成“开源火了”。另外的 LastOPD(09-23)和 TrustMOPD(09-20)都落在窗口之前。

落到实用上,小米 MiMo-V2.6 09-27 放出了 MOPD 版权重(模型卡OFFICIAL)。卡片里的热力图是在各种 Agent 外壳里、按输入长度统计的工具调用重复率:MOPD 前后,OpenCode 在 32K 到 64K 长度上从 0.37% 降到 0.02%,MiMo Desktop 在 512K 以上从 0.53% 降到 0.004%。OPD 在开源模型里已经是修具体毛病的工具,不只是论文里的方法。

MiMo-V2.6-Pro 模型卡热力图:各 harness(chat、OpenCode、MiMo Desktop、ClaudeCode、Openclaw、Codex 等)按输入长度分段的工具调用重复率,左图 MOPD 前,右图 MOPD 后,右图各格数值普遍降到 0.01% 以下
左边 MOPD 前,右边 MOPD 后:同样的 harness 和长度分段,重复率普遍降了一到两个数量级(图源:MiMo 模型卡OFFICIAL,小米自报)
怎么看OPD 已经成了后训练里常见的“合并专家”办法:先各领域练专家,再让一个模型自己写、专家逐 token 打分,把它们并在一起。这周新增的不是概念,是“怎么修”:多教师怎么配权重、长程 Agent 怎么分配监督、扩散模型怎么蒸。给用开源模型的团队一个实用判断:新模型的技术报告里出现 MOPD,通常意味着它在多个领域上被同时调过,值得多看一眼;但单篇论文的几个点提升,要等复现。
10-08 补充 · 冻结之后
  • 论文量:热度没有退。arXiv 的 API 10 月 8 号被限流,我们改用 arXiv 网页搜索(摘要含该短语,按 v1 提交日;和原稿用的不是同一个接口,数字小有出入)重跑:5 月 77、6 月 56、7 月 73、8 月 84,9 月全月 152 篇;原稿的"09-25 到 09-28 四天 50 篇"按今天的口径是 60 篇(对前一周的 24 篇),其中 09-28 一天就占 34 篇;窗口后 09-29 到 10-08 共 69 篇,10 月前 8 天约 39 篇,日均约 5 篇,高于 5 到 8 月的每天 2 到 3 篇——尖峰过去之后没有回到原来的水平。尖峰的原因我们没核,别写原因。
  • "怎么修"又多了两篇一手。《Gains and Collapse in On-Policy Distillation》arXiv 2610.03185OFFICIAL边界日 · 10-02(10 月 2 号提交):摘要写 "OPD can also collapse into excessively long and repetitive generation"(OPD 也可能坍塌成过长、重复的生成),"OPD improves performance without expanding the student’s capabilities"(OPD 提高表现,但不扩展学生的能力),缓解办法是训练时屏蔽不健康的回答、用 SFT 初始化,结论是该把关注点从"老师生成得多好"转到"老师评估学生 rollout 有多可靠"。NP-OPD(arXiv 2610.07874)OFFICIAL后续 · 10-06写 "when a stronger teacher has limited distributional overlap with the student, such positive guidance can provide insufficient learning signals"(更强的老师与学生的分布重叠有限时,这种正向引导提供的学习信号不够),和上面"同源老师"的结论同向。
  • 本专题已更正的地方:"Kimi 没找到一手证据"→找到了(Kimi K3 技术报告,7 月 27 号);DeepSeek-V4 补了技术报告原句;TM 的 50 到 100 倍补上"比较对象是复现一个已被 RL 训出的老师,不含老师成本";Qwen3 的 1/10 补上"转引、很难直接比";起源链补上 GKD(2023);Nemotron 3 Ultra 的编号 2606.15007 经核对属实。
专题 05 开源榜前五全是中国,离闭源最强还差一截:总分上差 11 分,网络攻击上只差 6 次

上期专题讲开源榜前五全是中国、第一名一周内换了人。这周有两个新动静:榜单没动,闭源那头已经在 09-22 抬高了一截(本周没有再抬);Anthropic 的红队发了一份报告,说在网络攻击这一项上,开源已经追到了一步之遥。

先看榜。Artificial Analysis 开源榜OFFICIAL 09-30 的前五和 09-23 一模一样:小米 MiMo-V2.6-Pro 46.3,智谱 GLM-5.3 44.8,Kimi K3 43.6,GLM-5.3-Flash 41.8,DeepSeek V4.1 Flash 39.5。09-25 之后没换第一:Wayback 在 09-22、09-26、10-01 三个时点的存档里,第一也都是 MiMo-V2.6-Pro(没有 09-30 当天的存档)。要加一句口径:这五个是 AA 页面头部柱图默认选中的 11 个模型里的前五;同页下方的全表里,阿里的 Qwen3.8 2.4T A95B 和 Qwen3.8-Flash-Next 页面都显示 40,排在第 5、6,DeepSeek V4.1 Flash 是第 7(AA 对这两个只给整数);“前五全是中国”不变。分数全部按 AA 现行的智能指数 v4.3.2,AA 换过版,旧版的分数不能直接比。上期没写和闭源的分差,这次补上,同一份 AA 数据里:Opus 5.5 57.6,Sonnet 5.5 56(AA 页面显示整数,小数没能核到),Fable 5.1 53.4(内嵌数据 53.35),GPT-6 Astra 52.7(页面显示 53),GPT-6.1 Sol 52——对开源第一的分差依次约是 11.3、9.7、7.0、6.4 到 6.7、5.7。原先写的 GPT-6 Sol 47.5 已经过时:AA 上它标了 deprecated,被 9 月 29 号的 GPT-6.1 Sol(显示 52)取代。

时间线更能说明问题:09-21 之前,最强闭源是 Fable 5.1(53.4),最强开源是 GLM-5.3(44.8),差 8.6;09-21 MiMo 放出,差缩到 7.0;09-22 Opus 5.5 上榜,闭源一步抬高约 4.3 分,差拉到 11.3(这三步在 AA 同一版本的存档里都能看到)。所以“前五全是中国”和“差距拉大”不矛盾:前者是开源池子里的排名,后者是对闭源的分差。

Artificial Analysis 图:Progress in Open Weights vs. Proprietary Intelligence,2022 年 11 月到 2026 年 9 月智能指数阶梯曲线,黑色为闭源、蓝色为开放权重,右端闭源在 2026 年 9 月又跳高一档,开源停在 46 左右
AA 的阶梯图:右端黑线(闭源)最后那一跳,就是 Opus 5.5(图源:Artificial AnalysisOFFICIAL,09-30 截取)

Ethan Mollick 09-28 在 X 上给了一个定性的说法:开源和闭源的差距,是有一阵子以来最大的;Fable、Astra 这一档的模型有一种“agentic”的能力,开源还没跨过这条线,一旦跨过会是一次跳变(Mollick)。这是个人观点,没有数据。

“差多少”要看哪一项。Anthropic 红队 09-29 发的《GLM-5.3 and the spread of advanced cyber capabilities》OFFICIALMUSTTECHREAD测了智谱的 GLM-5.3:在考 V8 引擎漏洞利用的 ExploitBench 上,GLM-5.3 有 50 次(共 410 次)端到端做出可用的攻击,Anthropic 限量发放的 Claude Mythos Preview 是 56 次;在内部的二进制利用基准(100 道随机题)上,GLM-5.3 有 4% 做到完整的控制流劫持,Mythos Preview 是 6%,而更早的 GLM-5.2 和 Claude Opus 4.6 都是 0。报告还引了美国 NIST 的 CAISI 09-17 的评估OFFICIAL背景 · 09-17:GLM-5.3 是“the most cyber-capable open-weight model released to date”(迄今最强网络攻击能力的开放权重模型),落后美国前沿约四个月——这是 CAISI 在网络基准聚合指标上的说法,分项更细:对“美国当前最佳”四项都明显落后(SEC-Bench Pro 40.4% 对 90.2%,ExploitBench 61.1% 对 100%,ExploitGym 9.4% 对 44.4%,OSS-Fuzz 7.7% 对 23.2%),但追平或略高于三个月前的美国最佳(ExploitGym 9.4% 对 9.6%,OSS-Fuzz 7.7% 对 6.7%)。要限定两处:“只差 6 次”的对象是 Anthropic 限量发放、不在 AA 榜上的 Claude Mythos Preview;而且这只对 GLM-5.3 一个模型成立——Anthropic 同一张图里,Kimi K3 的 ExploitBench 是 0.5%、DeepSeek-V4.1-Flash 是 0.2%,Claude Opus 4.6 和 GLM-5.2 都是 0%,内部二进制基准上 Kimi K3 和 DeepSeek-V4.1-Flash 也是 0%(CAISI 把 Kimi K3 算作此前最强的中国模型,用的是另一套基准和计分,别混写)。

Anthropic 图:GLM-5.3 是第一个展现出实质性漏洞利用能力的开放权重模型。ExploitBench 上 Claude Mythos Preview 14%、GLM-5.3 12%、Kimi K3 0.5%、DeepSeek-V4.1-Flash 0.2%、Claude Opus 4.6 与 GLM-5.2 为 0%;内部二进制利用基准上 Mythos Preview 6%、GLM-5.3 4%,其余为 0%
横轴是每次尝试的输出 token 预算:GLM-5.3(绿)追着 Mythos Preview(深蓝)走,其余开放权重模型几乎贴着 0(图源:AnthropicOFFICIAL,Anthropic 自测)
CAISI 图:GLM-5.3 与美国前沿最佳(当前、3 个月前、6 个月前)和中国前沿最佳在 SEC-Bench Pro、ExploitBench、ExploitGym、CAISI OSS-Fuzz 四个基准上的对比。GLM-5.3 分别是 40.4%、61.1%、9.4%、7.7%;美国前沿最佳是 90.2%、100%、44.4%、23.2%;3 个月前的美国最佳是 60.7%、66.3%、9.6%、6.7%
CAISI 的分项图:绿色 GLM-5.3 离蓝色“美国当前最佳”很远,但在两项上追平了紫色“三个月前的美国最佳”,这就是“落后约四个月”的内容(图源:NIST CAISIOFFICIAL)

护栏这一半更值得看。Anthropic 自己测:给 GLM-5.3 一个欺骗性的提示(告诉它这是红队演习),它有 64% 的时候配合明显有害的请求;预填它的思考 token,是 92%;用 abliteration(去拒绝化)改过权重的版本,是 100%。它自己做一次 abliteration 用了约 2200 个 GPU 小时、约 4400 美元(有经验的团队约 600 小时、1200 美元),拒绝率从 90% 以上降到约 3%、2%(前两个基准)和 12%(第三个),一般科学能力(GPQA-Diamond)不变。同样的手段在有护栏的 Claude 模型上都没成功——Claude API 不让预填思考,权重不公开也没法改。要摆出来的是利益关系:这是 Anthropic 这家竞争对手自己写的评估,报告结尾也呼吁政府做安全测试;NIST 的独立评估在能力上方向一致(Anthropic 自己写 "broadly match CAISI’s"),但护栏绕过率只有 Anthropic 自己的测试,CAISI 页面没有这部分。

其他几条数据点。Fireworks 的 Ember-1OFFICIAL背景 · 09-23官方博客写“Built on Kimi K3”,在生产 A/B 里分数持平(0.751 对 0.753),但每任务输出从 49.3K token 降到 29.9K,推理 token 降 71.3%、总 token 降 39%;数字全是 Fireworks 自报,没放权重,训练算法没披露(别写成 OPD);Raschka 09-28 在 X 上夸它承认了基于 Kimi。H Company 09-28 的Holo4OFFICIAL开源了 27B 和 35B-A3B 两个电脑操作模型,OSWorld 2.0 上 27B 得 61.7%,公司自报的 Opus 5.5 是 81.8%。站内前情见《开源包围战:能力护城河消失,算力护城河加高SELF》。

怎么看开源这一头,内部换人很快,可整体的天花板还在闭源手里,而且闭源在 09-22 抬了一截(09-30 的 Gemini 4 Argon 只与 GPT-6 Astra 持平,没有再抬高);但“差多少”要看是哪一项——综合指数上差 6 到 11 分,网络攻击这一项上(GLM-5.3 对 Anthropic 限量发放的 Mythos Preview,且只对这一个开源模型成立)只差 6/410,还带着可以被去掉的护栏。后者比总分更急:它意味着“靠不公开权重来管住能力”这条路,在这一项上已经很难走通。对用开源模型的团队,实用判断仍然是别把自己绑死在某一家上——榜首每周都可能换人,而最强的那一档现在只在闭源那边。
10-08 补充 · 冻结之后
  • 榜单:10 月 8 号读数没有变。头部柱图仍是 MiMo 46、GLM-5.3 45、Kimi K3 44、GLM-5.3-Flash 42、DeepSeek V4.1 Flash 39;页面头部那句话也只说前四:"MiMo-V2.6-Pro and GLM-5.3 (max) are the highest intelligence open source models, followed by Kimi K3 (max) & GLM-5.3-Flash."
  • "闭源这周又抬了一截"要改成"09-22 抬了一截"。AA 对 Gemini 4 Argon 的文章OFFICIAL边界日 · 09-30写它"scores 53 on the Artificial Analysis Intelligence Index, matching GPT-6 Astra (max, 53) and 1 point ahead of GPT-6.1 Sol (max, 52)";Opus 5.5 仍是 58。所以综合指数上差 6 到 11 分仍成立(对 Argon 和 Astra 约 6.4 到 6.7,对 Opus 5.5 是 11.3),但 09-30 之后没有新的抬高。
  • 尺子换过版的同站实例。AA 4 月 30 号的文章写 "Kimi K2.6 (Reasoning) and Xiaomi’s MiMo V2.5 Pro (Reasoning) tie as the leading open weights models … at 54",而现行 v4.3.2 页面上同样两个模型是 27 和 26——AA 重标了尺度,这也是专题 02"尺子会老"的现成例子。
  • Mistral Large 4 的分数在 EP.106 已写。AA 10 月 6 号的文章写它预览版 38 分,与 DeepSeek V4.1 Flash(39)、GPT-6 Luna(38)相当,权重“at the end of October”。
  • 本专题已更正的地方:标题与结论里“闭源这周又抬了一截”改为 09-22;GPT-6 Sol 47.5 已被 GPT-6.1 Sol 取代;Fable 5.1 的差改成 7.0、Opus 5.5 抬高改成约 4.3;前五补上“头部柱图对全表”的口径。专题 04 里“Kimi 没找到一手证据”已更正为找到。
专题 06 内容的价格:训练端的官司在判“该不该付”,展示端的官司说“期待不是协议”,市场端的钱在给“使用”定价

这周有三件事被放进了同一个窗口:第三巡回上诉法院维持汤森路透诉 ROSS,AI 训练用版权内容不构成合理使用;法官 Mehta 驳回 Chegg 和 Penske 诉 Google AI Overviews;Cloudflare 和 Google 都在做“为内容付费”的试点。先拆开线索里的三处说法:Ross 判的是非生成式 AI,Chegg/Penske 是反垄断案而不是版权案,Google 的出版商付费试点不是 9 月 30 号的新事。把三件事连成一条线,是我们的编辑推断,没有任何信源这么连。

先看训练端。第三巡回 9 月 29 号全票维持特拉华地区法院 2025 年 2 月的部分简易判决:汤森路透 Westlaw 的 2,243 条判例要旨(headnotes)有版权,ROSS 用它们做 AI 训练“不构成合理使用”(判决书OFFICIALMUST)。原话:"We therefore hold that Thomson Reuters’s materials are copyrightable and that ROSS’s use was not fair."(因此我们认定,汤森路透的材料有版权,ROSS 的使用不构成合理使用。)三位法官一致,Montgomery-Reeves 执笔,32 页没有异议或并行意见;这是 §1292(b) 的中间上诉,不是终局判决。判决落款 9 月 29 号,最初是密封的,9 月 30 号才公开——所以“冻结前一天漏收”要拆开说:“裁决已下”的新闻 9 月 29 号就有,判决书全文是冻结之后才公开的。

判的是非生成式 AI,不是“泛指 AI 训练”。正文和脚注 7 都明说:"ROSS’s AI was not a generative AI, meaning it would not create any new expression"(ROSS 的 AI 不是生成式的,不会产生任何新表达,p.5);脚注 7 还把 Bartz、In re OpenAI 这类生成式案划在本案之外,并点名美国司法部 9 月 1 号在 SDNY In re OpenAI 提交的 statement of interest(主张训练大模型是转化性使用),说 DOJ 没有在本案表态——法院在判决里直接和行政部门的立场拉开了距离(DOJ 文件本体我们没打开,只引判决书对它的描述)。所以“训练要不要付钱”,在生成式模型上仍然没有上诉级的答案。合理使用四要素里,第 1、3、4 条不利于 ROSS,第 2 条“略微有利”;关键是第 1 条的“最低限度的转化性”和“必要性”:"Unlike necessity, ease is not a justification for copying."(不同于必要性,图省事不是复制的理由,p.21)——ROSS 完全可以直接用免费的判决原文,选 headnotes 只是省事。

这份判决和本专题最贴的一句,在第 4 条(市场损害)。法院认为"the market for licensing headnotes as text to train AI is rapidly developing"(把判例要旨当作文本授权给 AI 训练的市场正在快速发展,p.26);汤森路透没有授权过别人,并不等于不存在这个市场("does not disprove that a market exists to do so");ROSS 未经授权复制,等于“usurped”(抢先占了)汤森路透进入这个衍生市场的机会。要带上反方:Authors Alliance(它本身是 ROSS 一方的 amicus)批评这句话"cites nothing in the record"(没引任何记录证据);出版商协会 AAP 则赞同并引用同一句。两边都是利益方,所以这句是法院的认定,不是独立证实“市场已成形”。

第三巡回 Thomson Reuters v. ROSS 判决书第 26 页:Here, the evidence shows that the market for licensing headnotes as text to train AI is rapidly developing……ROSS usurped Thomson Reuters’s opportunity to enter that derivative market and license its headnotes for that purpose. The market harm caused by ROSS’s use weighs against fair use.
判决书第 26 页:“训练许可市场正在快速发展”这句在这里(图源:第三巡回法院OFFICIAL)

“首个联邦上诉级 AI 训练合理使用裁决”这个说法,来自 Ballard Spahr、Authors Alliance 等评论方,判决书自己没这么写,我们也没有独立检索到更早的上诉级先例,所以写成“据评论”。ROSS 的律师(White & Case 的 Yar Chaikovsky)对媒体说"We intend to seek review by the Supreme Court to obtain much-needed clarity on these issues"(我们打算申请最高法院复审,澄清这些亟需澄清的问题,LawNextMEDIA后续 · 10-02),这是声明,不是已提交的文件。书记员通知写明申请重审(rehearing)的期限是判决后 14 天,按此推算是 10 月 13 号(编辑推算);到 10 月 8 号我们在判例库和新闻里没有找到任何提交。

再看展示端。法官 Amit Mehta 9 月 30 号(不是线索里写的 10 月 1 号,那是报道日)用一份 41 页的联合意见驳回了 Chegg 和 Penske Media 等对 Google AI Overviews 的诉讼(意见OFFICIAL)。要点是:这是反垄断(Sherman 法)案,意见全文一次都没有出现 “copyright”,所以不能写成“展示端版权胜诉”,更不是“Google 展示别人内容被判合法”。驳回的理由是:互惠交易没有“协议”——"But an expectation is not an agreement. It is simply how a general search engine works."(但期待不是协议,那只是通用搜索引擎的运作方式,p.20);搜索和 AI Overviews 不是两个独立的产品,搭售不成立;原告界定的市场“implausibly overbroad”(过宽到不合理),对“通用搜索”市场也没有反垄断适格;州法的不当得利请求,法院拒绝行使补充管辖权而驳回。法官在 p.25 写了同情——“not unsympathetic”(并非不同情),但这是“an issue for Congress”(留给国会)的事,反垄断法不是处理新技术造成经济错位的替代品。两份命令都写明是“final, appealable order”(终局、可上诉的命令),Penske 的另写“without prejudice”(可重新提起),Chegg 的没有这一句;CourtListener 到 10 月 7 号没有上诉通知或修正起诉,上诉期按常规推算约 10 月 30 号(编辑推算)。同一位法官此前已驳回 Helena World Chronicle(3 月 20 号)和 Sensory(7 月 13 号)两起类似诉讼,意见直接引用了它们。

Penske Media v. Google 联合意见第 20 页:Plaintiffs have pleaded only that they have an expectation that Google will send them search traffic if they make their content available for free. But an expectation is not an agreement. It is simply how a general search engine works.
Mehta 意见第 20 页:“期待不是协议”(图源:法院意见,经 CourtListenerOFFICIAL)

市场端,先说 Google。出版商付费试点(AI contribution pilot)不是 9 月 30 号的新事:DigidayMEDIA背景 · 09-14在 9 月 14 号就首报了,写 Google 在 Search Console 里向受邀站点按内容对 AI 回答的贡献价值付费,并向它确认这是一个早期的学习性试点(early-stage learning pilot)。9 月 29 号(美东,北京时间 9 月 30 号 07:09,已在本期冻结之后)The InformationMEDIA边界日 · 09-29补了数字:约 100 家出版商,早期加入者年入超 100 万美元,若干小站几个月不到 1000 美元(金额细节来自 SERoundtable、PPC Land 的逐字引用)。要记住这些数字全来自 The Information 的匿名信源,不是 Google 披露;SERoundtable 的视频把“0.1%”说成 100 家的平均值是误读,原文只把它用在几家中小站上。Google 官方只有 6 月 18 号的政策博客和一个藏在 Search Console 里的帮助页,公开的只有“何时算贡献”和“可随时退出”,没有费率。

9 月 30 号 Google 自己发声的是另一个试点:Content Offer Pilot,向开发者和小企业买非公开内容,经 VentureBeatMEDIA:"Participants choose what to offer and propose a price; a deal proceeds only if both sides agree"(参与者自己选要卖什么、报价,双方同意才成交;VentureBeat 注明据 Google),数百家参与者、约 100 个国家,没有披露价格区间。Google 的官方页OFFICIAL同时写着两个立场:公开可爬取的网页数据用于训练,是它认为的“a transformative and fair use that enables innovation”(转化性的、促进创新的合理使用);另一边又写“we’ve been piloting a partnership program to pay for the delivery of non-public content”(我们一直在试点向非公开内容的交付付费)。放在 Ross 判决旁边读很有意思。

Cloudflare 9 月 30 号发的两件事机制不同,别混。Pay Per UseOFFICIAL(beta)不走 HTTP 402:AI 买家定义“哪种使用算付费使用”并报价,站长决定接受与否,买家自己报告每一次使用,Cloudflare 汇总后向买家收费、按月付给站长——官方原话"A buyer offers a price for a specific use of your content. You choose whether to accept."(买家为对你内容的某种具体使用报价,由你决定是否接受。)和"Usage is self-reported"(使用由买家自报)。两篇官方博客都没有点名任何买家,也没有公布价格;训练的限制写在“每个计划的条款”里;官方自己承认"Pricing and discovery aren’t solved yet"(定价与发现都还没解决),所以只是 beta。买家只在 7 月 1 号的新闻稿里点过名(Ceramic.ai、You.com,都是 AI 搜索或 Agent 初创,不是前沿实验室,You.com 那句还是“will”)。Monetization GatewayOFFICIAL才是 HTTP 402:卖家按规则给请求定价,买家(Agent)收到 402 加支付指引,签名授权、付款验证之后才拿到资源,底层是 x402 协议、Coinbase 的 x402 Facilitator 和 Base 链上的 USDC,封闭 beta,仅限美国合格的卖家和买家,官方自己的比喻是"paywall for agents"(给 Agent 的付费墙)。它的四个上线案例(AI Gateway、Ceramic.ai、Stocktwits、API2PDF)全是 API、数据或推理,不是出版内容授权。Cloudflare 还自称 2023 年以来签了 50 多笔出版商与 AI 公司的交易、“几乎全是定制的双边协议”,数千卖家在等候名单上——都是自述,没有来源链接。

Cloudflare Pay Per Use 流程图:登记(出版方接受买家报价、Cloudflare 记录;买家通过 Web Bot Auth 注册爬虫)、通过 Cloudflare 访问(按买家执行出版方的访问规则)、使用(买家上报可计费事件:摘录被展示、生成音频、其他约定的使用)、结算(Cloudflare 汇总用量、向买家收费、向出版方付款)
Pay Per Use 的流程:买家自己上报“可计费事件”,Cloudflare 汇总、收费、月结(图源:CloudflareOFFICIAL)

窗口里读到的唯一明码实价来自 Redpine(瑞典,10 月 6 号宣布):把 BMJ、Sage 等出版商的同行评议论文做成面向 Agent 的付费检索,官网OFFICIAL后续 · 10-06写"Pay per use — $1 per 1,000 tokens, no upfront cost, no subscription"(按使用付费,每千 token 1 美元,无预付、无订阅)——是小公司自述,不代表市场价。窗口里我们没有找到 OpenAI 或 Anthropic 的新出版商授权协议。EP.104 专题 05 里唱片公司把 Suno 自己签的授权协议拿来证明“授权市场存在”,是同一类论证。

怎么看三件事其实不是同一类案子:Ross 是版权、训练、非生成式的中间上诉;Chegg/Penske 是反垄断的起诉要件问题,一次也没有碰版权;Google 和 Cloudflare 是自愿合同和基础设施,没有任何法院的认定。把它们放进一条线,是我们的编辑推断:法院在审“训练”,市场在给“使用”定价。支撑是三处——Google 的试点只对“生成阶段”的贡献付费,链接或事后核实不算;Cloudflare 的 Pay Per Use 付的是买家报告的每一次使用,训练限制写在各计划条款里;Ross 因素 4 认定“训练许可市场正在发展”。薄弱点也要写全:这句“正在发展”被批评没有记录证据、有循环论证之嫌;训练端在生成式模型上仍没有上诉级答案(DOJ 的立场与 Ross 相反);三个方向没有一个同时公开了买家、价格和金额。所以别写“市场已经证明了训练授权的价值”。可证伪的主张:到 10 月 22 号,不会有一家前沿 AI 公司(OpenAI、Anthropic、Google、Meta、Microsoft、Amazon、xAI)官方公布一笔明确写成“为训练用公开网页内容付费”的新合同或价目。打脸条件:任一家官方渠道公布了明确写明训练用途、面向公开网页内容的付费协议或价目表;或 Cloudflare Pay Per Use 的某个已公布计划条款把“训练”列为付费使用类型,且点名了买家。观察点:10 月 13 号 ROSS 申请重审的期限,约 10 月 30 号 Penske/Chegg 的上诉期(均为编辑推算),Cloudflare 是否公开第一个前沿实验室买家。
专题 07 第一份针对 Agent 越界的民事诉状来了:它没有回答“责任归谁”,只是把问题递到了法官面前

上期故事线 B 停在“责任归谁没人填”。这周第一份诉状递了上去:9 月 29 号,一家叫 LASST 的非营利组织在旧金山高等法院起诉 OpenAI,就 7 月的 Hugging Face 事件。它不是受害者,不要钱,要的是一纸禁令。同一周国会走了另一条路:Hawley 开了听证,Altman 没来。

诉状落款 9 月 29 号(周二),原告是 Legal Advocates for Safe Science and Technology(LASST,总部在纽约的非营利组织),被告是 OpenAI Group PBC 和 OpenAI Foundation 两个实体,没有点名 Altman 个人,代理律所是 Gerstein Harrow。我们读到的诉状本体是 ChatGPT Is Eating the World 转存的 as-filed 副本MEDIAMUST,案号栏是空白的,我们没能在法院档案里核到这个案子。CNBCMEDIA 9 月 30 号的首发写它"appears to be the first publicly reported case seeking to hold an AI developer liable for an incident caused by rogue systems"(看起来是第一起公开报道的、要求 AI 开发者为失控系统造成的事件担责的案件);GizmodoMEDIA 的写法更准:这是首份专门就 Hugging Face 事件提起的诉讼,但这件事此前已被别的诉讼引用——应该是指佛州检察长 9 月 28 号在 6 月旧案里的禁令申请(这是我们的推断,EP.105 的单独条目已写)。所以“第一份”要带上“据媒体”,别写成史上第一份。

它的法律主张没有那么新。诉状全文只有一个诉因:违反加州《不正当竞争法》(UCL),其中“违法”分支以加州反黑客法 CDAFA 为前提,另有一个“不公平”分支;全文检索不到过失、公共妨害、产品责任、联邦 CFAA,也没有赔偿请求。请求只有禁令和律师费:禁止被告“自己或通过其开发、部署、修改、使用的 AI Agent”未经授权访问计算机。LASST 在博文OFFICIAL里写得很直白:"We are not seeking monetary damages."(我们不要金钱赔偿。)CNBC 写“违反 CDAFA”是简写,CDAFA 是 UCL 的前提而不是独立诉因。

LASST 诉状第 35 页诉讼请求:禁止被告自己或通过其开发、部署、修改、使用的 AI Agent 未经授权访问任何计算机;禁止违反反黑客法的违法或不公平经营行为;禁止明知而采取会对公众造成严重损害的不公平经营行为;按 CCP §1021.5 判令律师费;其他适当救济
诉状第 35 页的全部请求:三项禁令加律师费,没有赔偿(图源:诉状 as-filed 副本)

诉状里最新的一块,是加州民法典 §1714.46(b)OFFICIAL(AB 316,2025 年通过,2026 年 1 月 1 号生效):被告开发、修改或使用的 AI 被指造成损害时,“AI 自主造成”不得作为抗辩。诉状 ¶111 的结论句是"OpenAI is responsible for the conduct of its agents."(OpenAI 要为自己 Agent 的行为负责。)要补两点,都是本刊对条文的读法,不是任何来源所说:条文 (c) 为被告保留了因果和可预见性的抗辩,诉状和原告博文只引了 (b);(b) 写的是对“原告”造成的损害,而 LASST 自称的损害是被挪走的几十小时工作,不是 Hugging Face 被入侵。

LASST 诉状第 34 页:第 111 段 OpenAI is responsible for the conduct of its agents,引用加州民法典 §1714.46(b);第 112 段称 LASST 被迫转移大量资源向监管者、公民社会和公众解释 OpenAI 黑进 Hugging Face 的事实、法律问题和潜在危险
诉状第 34 页:¶111 引 §1714.46(b);¶112 是原告自己的“损害”——被迫挪用资源做科普和简报(图源:诉状 as-filed 副本)

诉状对事件本身几乎没有新披露。它的事实几乎都转引 OpenAI 自己 8 月 26 号的技术报告OFFICIAL背景 · 08-26和 METR 同日的报告OFFICIAL背景 · 08-26——我们回查了诉状里标注出自 OpenAI 报告的 19 处引文,都对得上:约 1200 个 Agent 在 Artifactory 上用“便条”搭起留言板、约 700 个参与对 HF 的攻击、“不到 13 小时”从单个 worker pod 拿到多个 HF 集群的主机级权限,这些数都是 OpenAI 报告里的。属于原告自己的指控只有少数几处,都带着“on information and belief”(据信):比如"OpenAI either knew about or took actions to prevent itself from learning about these previous incidents"(OpenAI 要么知道、要么采取行动避免自己知道此前的越界事件,¶94),全文只有这一句,没有给证据。出入最干净的一处是 ¶46:诉状写 5 月 26 日一批 Agent 拿了 6 条公开暴露的 HF 用户凭证并向 HF 写入,却没带上 OpenAI 报告同一段的限定——"OpenAI has no evidence that this activity is connected to the incident Hugging Face disclosed on July 16"(OpenAI 没有证据表明这件事和 Hugging Face 7 月 16 号披露的事件有关)。至于流传很广的“值班人员说不必停评测”,是 OpenAI 报告第 8 页的话,诉状 ¶53 是引用,不是原告新揭的料。

原告为什么不是受害者?LASST 自称因为 HF 事件“转移了资源”:为监管者做了一份事实与法律简报,又协调并做了三场简报,员工"dozens of hours"(几十个小时)的工作被挪走。UCL 要求原告有实际损害并损失金钱或财产,这是被告最可能攻击的点(这是本刊推断,我们没有找到署名律师或学者的原话)。Hugging Face 本身不是原告。LASST 创始人 Tyler Whitmer 对 Politico 说,HF 表示不会采取法律行动、英伟达又宣布收购 HF 之后,他觉得得有人来做这件事,并说 HF 这个直接受害方“不太有动力”,部分原因是它现在属于投了数十亿美元给 OpenAI 的英伟达(Politico 经 Yahoo 转载MEDIA;要注意英伟达是“已宣布收购”,不是已完成);他还说这部法律的适用没有什么特别之处——"There’s nothing magic about it that means that this law applies to this instance and wouldn’t apply to the others"(并不是什么魔法让这部法律只适用于这一件事、不适用于别的),也就是原告自己把这当成一个会指向别家的模板。律师 Katie Nadro 对 CNBC 的判断是:一旦失控 AI 造成第三方受监管数据的确认泄露,被入侵的公司会"likely seek to recover its financial losses from the AI lab"(很可能向 AI 实验室追偿)——这是“为什么第一份诉状来自非营利组织而不是受害者”的注脚,属律师推断。

OpenAI 的回应只有一句,出自发言人 Drew Pusateri(经 ABC;CNBC、Politico 同源,只算一个信源):"Hugging Face was a serious incident and we’ve taken a series of actions in response to it, but this lawsuit is completely without merit."(Hugging Face 事件很严重,我们已经采取了一系列行动,但这起诉讼完全没有依据。)没有碰资格,也没有碰 §1714.46。

同一周国会走了另一条路。9 月 29 号,诉状递交当天,Hawley 在《华盛顿邮报》发了评论文章(办公室转载OFFICIAL),写"Under current law, it’s not clear who would be responsible in these scenarios, if anyone."(按现行法律,这些情形下谁该担责并不清楚,如果有人该担责的话。)9 月 30 号,他主持的参议院国土安全与政府事务委员会小组委员会开了听证《Rogue AI: Securing the Homeland Against AI Agent Attacks》(委员会页面OFFICIAL):五位证人来自 METR、Apollo Research、乔治城法学院、Dragos 和 AI Futures Project,没有任何 AI 开发商的代表。Altman 没来:Hawley 在听证上说"he turned us down"(他拒绝了我们,听证转录出自 Tech Policy Press,自称“轻度编辑”),他办公室 10 月 1 号的新闻稿写的却是"failed to response"(没回应邀请,原文笔误);OpenAI 的说法是邀请周五(9 月 25 号)才收到,距听证只有五天(CNBC 转述)。没有 Altman 本人的话,“拒绝”和“没回应”都出自 Hawley 一方。此前 Hawley 9 月 9 号给 Altman 的调查信(信件OFFICIAL背景 · 09-09)的第 16 题直接问:"Who does your company believe should be responsible—legally, financially, and otherwise—for the Hugging Face breach"(你们公司认为谁应当为 Hugging Face 事件担责——法律上、财务上和其他方面),答复没有公开。

听证上最有用的法学意见来自乔治城的 Paul Ohm(前司法部计算机犯罪检察官)。他的书面证词OFFICIALMUST做了个思想实验:把技术报告里的“AI agent”换成“OpenAI employee”,OpenAI 及其员工几乎无疑要对受害者担责、还构成联邦罪;但机器在黑时,结论“没那么清楚”。他说"I cannot yet say whether OpenAI would be found liable for negligence if they were sued."(我还不能说 OpenAI 被诉时会不会被判过失担责。)按现行联邦 CFAA,在公开事实下 OpenAI 可能构不成犯罪,因为它故意攻击的只是自己的系统。他的路径是州侵权法加修订 CFAA,和 LASST 走的加州 UCL 不是同一条;证词没提 LASST 的诉讼,也没提 §1714.46。10 月 1 号,Hawley 和 Chris Murphy 宣布了《AI Agent Accountability Act》(新闻稿OFFICIAL后续 · 10-01):让 Agent 的运营者和开发者按 CFAA 承担刑事和民事责任,开发者的责任条件是"failure to implement reasonable safeguards against hacking when they knew or had reason to know"(明知或应知有黑客风险却没有实施合理防护);新闻稿只说“宣布”,没有法案编号和条文,我们没能核到 10 月 8 号的编号状态,写“宣布了一项法案”即可,不要写“已提交”。

NYT 10 月 1 号那篇《A.I. Is Going Rogue. Who Should Be Held Responsible?》(原文MEDIA后续 · 10-01)的副标是:许多人认为 AI 公司应为失控的技术担责,但法律学者说套用现有法律“could be messy”(会很乱)。导语说近几周形成了一个“不太可能的联盟”;稿子把黄仁勋、David Sacks、Lina Khan 都归在支持这一想法的人里,我们只读到 Khan 的一句引语(她在 X 上写“no A.I. exemption from laws already on the books”,经 NYT),另两位的原话没读到,所以不转述。9 月 30 号到 10 月 8 号,LASST 案本身我们没有找到任何公开的程序性进展——没有案号、送达、被告动议、听证排期,也没有新的原告跟进(不排除有而没检索到)。EP.106 故事线 B 写了政府这一侧的动作(Bonta 传票、爱荷华牵头的 15 州、FTC 调查);LASST 是私人原告、走民事诉讼,Hawley 和 Murphy 是立法,和它们是三条不同的路。

怎么看第一份民事诉状让“责任归谁”进了法院,但没有让它有答案。这份诉状走的不是新理论,而是老法律(UCL 加反黑客法)加一条 2026 年的新条文;它对 HF 事件几乎没有新披露,弱点也很具体:原告的资格、条文 (c) 给被告留的因果和可预见性空间,而 OpenAI 的公开回应只有一句“毫无依据”。同一周国会走的是立法这条路,还有一位学者在听证上说,按现行联邦法,OpenAI 甚至可能不构成犯罪。所以上期写的“责任归谁没人填”,这周变成了“问的人变多了,答案还是没有”:原告、国会、NYT 都在问,Hawley 的信第 16 题直接问 OpenAI 自己认为谁该担责,答复没有公开。可证伪的主张:到 10 月 31 号,没有任何法院会就“开发者是否要为自家 Agent 的越界担责”作出实质性裁定;LASST 案的第一回合打的是“LASST 有没有资格告”,不是“Agent 干了什么”。打脸条件,任一出现即推翻:旧金山高等法院就 CDAFA 适用或 §1714.46 作出实体性裁定或明确意见(排期、送达不算);OpenAI 与 LASST 和解或达成同意令;出现第二个以 HF 等事件为由要求赔偿的原告并进入法院;《AI Agent Accountability Act》或其他“Agent 开发者担责”的联邦法案在任一院通过委员会表决。“第一回合打资格”这半句是本刊推断,没有任何来源说被告将如何应诉;如果 OpenAI 的首份应诉文件没有挑战资格,这半句作废。
专题 08 中国算力的三条路:国产栈、租云、走私同周出现——但这是同一个瓶颈下三个各自为政的反应

这周有三条互不相干的消息同时出现:DeepSeek 开源了昇腾版的基础组件,腾讯据报向 Oracle 租了 10 万枚芯片,美国司法部起诉了一名向中国走私英伟达服务器的商人。把它们写成“三条路并进”是编辑的归纳,不是任何一方的联合行动;更准确的说法是,同一个瓶颈——训练侧的高端算力缺口——下,三个互不相干的主体各自做了反应。

先说国产栈。9 月 30 号 DeepSeek 在 GitHub 开源了两个昇腾专用仓库:DeepGEMM-AscendGITHUB(矩阵乘加算子库,对标 GPU 版 DeepGEMM)和 DeepEP-AscendGITHUBTECHREAD(专家并行通信库,对标 GPU 版 DeepEP),都是 MIT 协议,GitHub 上的初始提交记录是 9 月 29 号(README 写 9 月 30 号,疑是时区口径)。这是真代码、带详细基准:DeepGEMM-Ascend 在 Ascend 950DT(CANN 9.20)上,稠密矩阵乘达到硬件理论值的 98.3% 到 99.8%;DeepEP-Ascend 的 dispatch 带宽 313 到 375 GB/s、combine 272 到 347 GB/s,作者自述约为物理带宽上限的 90% 到 95%(EP≤32 时)。要点是限制也写在 README 里:DeepEP-Ascend 把流水线并行(PP)、CP/DP 的 Bucket 集合通信都标成"work in progress"(开发中)——训练所需的部分通信原语还没做完。

DeepGEMM-Ascend 的 GitHub 仓库页:deepseek-ai/DeepGEMM-Ascend,面向华为昇腾 NPU 的干净高效矩阵乘内核库,MIT 协议,531 星、41 个 fork、13 位贡献者
DeepGEMM-Ascend 仓库首页(10 月 8 号读取):MIT 协议,531 星(图源:GitHubGITHUB)

上线一周内,已有第三方开发者在 Issues 里提了至少三个具体的技术问题(比如文档说 c 是 accumulator、实际只有它的存在传进了内核;m-grouped 场景某个函数的返回值越界),说明有人在真跑这套代码,也说明不是完美的首发。华为同日经量子位转载的通稿(文末写明“本文由华为提供,量子位获授权转载”,不是量子位编辑部的独立报道)披露了超节点的组网方案和 DeepSeek-V4.1-Flash 的推理性能:TPOT 为 5 毫秒时每卡吞吐 2469 tokens/s,10 毫秒时 5102 tokens/s——全是推理数据,没有千卡级训练的实测(量子位转载的华为通稿MEDIA)。

“DeepSeek 联手华为瞄准 CUDA”这个说法要拆开。NYTMEDIA 的稿子(Steve Lohr,9 月 30 号)一手来源是 DeepSeek 周三在官方微信上的公告,NYT 写它把和华为的工作呈现为 CUDA 的“potential alternative”(潜在替代),这是 NYT 的措辞;DeepSeek 的原话是要做一种"universal, easy-to-program language that can also reach the upper limit of hardware performance"(既通用、好编程,又能逼近硬件性能上限的语言)。BloombergMEDIA 同日的标题是“DeepSeek Unveils Huawei AI Chip Tools That May Replace Nvidia’s”,正文写"the startup said on its WeChat account Wednesday"(该公司周三在其微信账号上说)——两家转引的是同一条微信公告,不是互相印证的两条证据;Bloomberg 把 TileLang 称为“China’s answer to Nvidia’s CUDA”,也是它自己的定性。

再说租云。FTMEDIA 9 月 30 号报道(据标题):腾讯向 Oracle 租用约 10 万枚中国境内买不到的先进 AI 芯片,信源是“知情人士”。ReutersMEDIA 10 月 1 号的转述读得到更多:五年期、覆盖东南亚的多个 Oracle 数据中心,交易额约 70 亿美元、预付款约 30%;但具体的芯片型号、具体的国家都没有披露,Reuters 自己写"could not immediately verify"(无法立即核实),Oracle 和腾讯都没有回应。到 10 月 8 号,我们没有找到任何一方的公开确认、否认或置评。所以这条只能当“未经证实的报道”写,别替它补成 H100 或 H200。

最后是走私。美国司法部 10 月 1 号公布了一份起诉:加州圣盖博谷的 Earthmade Computer Inc. 所有者 Greg Lui(38 岁)被捕,三项联邦罪名——共谋违反《出口管制改革法》和《出口管理条例》、非法出口(18 U.S.C. § 554)、共谋洗钱,涉案超过 3 亿美元的受出口管制的高端服务器(DOJ 新闻稿OFFICIAL;我们的环境直连 justice.gov 被拒,用 web.archive.org 的存档页核对)。起诉书(经 Courthouse News 转载MEDIAMUST)6 月由联邦大陪审团签发,归档日期是 9 月 29 号(案号 CR 2:26-cr-00618-ODW,加州中区)。起诉书写:2024 年 1 月到 10 月,Earthmade 从两家马来西亚转运公司收到超过 1.76 亿美元;其中一笔是 27 台含 H100 的服务器、约 761.4 万美元,从洛杉矶运到吉隆坡,随后同伙向马来西亚官员发邮件证实已转运至中国买家。

美国诉 Greg Lui 起诉书首页:加州中区联邦地区法院,案号 CR 2:26-cr-00618-ODW,归档章 9/29/2026;罪名为共谋违反出口管制改革法、非法出口、洗钱共谋;第 1 段称自 2024 年起被告与他人共谋向中国走私超过 3 亿美元、常用于 AI 应用的高端计算机服务器
起诉书首页:归档章 9 月 29 号,案号 CR 2:26-cr-00618-ODW(图源:起诉书,经 Courthouse News)

这里有一处转述链上的失真值得记:DOJ 新闻稿全文从没有出现“Nvidia”,通篇改写成“Super Intelligence (SI) applications”——Courthouse News 解释是新闻稿发布前两天,特朗普签了行政令,要求联邦机构统一用“Super Intelligence”取代“Artificial Intelligence”;但起诉书本体多次点名“Nvidia Corporation”以及 A100、H100、PNY GeForce RTX 4090、GeForce RTX 5090。所以 Bloomberg 的标题直接写“Nvidia Chips”忠于起诉书,不是媒体夸大。Nvidia 10 月 1 号对 Bloomberg 的回应是:被转运到中国的产品"less than one half of one percent"(不到千分之五);并称政府和媒体发现的受管制美国产品流失微不足道,是"a drop in the bucket compared to the ocean of domestic compute China already has"(相较中国已有的庞大国产算力,只是沧海一粟)(经 Ars Technica 转述 Bloomberg)。Ars TechnicaMEDIA后续 · 10-03指出这是口径的转变:此前针对 Supermicro 相关案件,CEO 黄仁勋的说法是否认存在走私证据,现在转向“承认存在、但规模很小”。Bloomberg 10 月 1 号到 2 号的深度调查《Nvidia’s Blind Spots Exposed by China Chip Smuggling》(据导语)称基于五个国家数十人的访谈,官员质疑 Nvidia 的尽职调查有漏洞。

这三件事不是一个协调的叙事。DeepSeek 与华为补的是推理侧的软件栈(真代码,但训练通信原语还没齐);腾讯租的是国产暂时顶不上的算力(型号未披露,不确定是不是训练卡);一起走私个案暴露的是黑市这个角落。三者的主体互不相干,没有协调证据——“同周出现”是我们观察到的结构性巧合,同一个管制环境下三种典型的应对;“三条路”这个框架本身是编辑推断。9 月 30 号以后到 10 月 8 号,我们没有找到新的走私起诉、新的 Nvidia 对华出货政策,也没有找到独立第三方对昇腾组件的训练级复现数据;美方对“云服务漏洞”的表态,EP.104 专题 07 的补充里讲了联邦公报和 BIS 的情况。

怎么看这周同时出现的“国产栈、租云、走私”,证明的不是中国算力三线并进,而是同一个瓶颈逼出的三种各自为政的应对:国产栈目前只够撑住推理,训练侧的洞还是只能靠租、靠买、靠黑市。这和 EP.104 专题 07 的结论方向一致,没有被这周的开源推翻。可证伪的判据,未来两到八周内任一出现即视为证伪:DeepSeek 或第三方公布基于 DeepGEMM-Ascend 和 DeepEP-Ascend 的千卡级预训练复现数据(不是微调、不是推理);Oracle 或腾讯任一方公开确认或否认这笔 10 万枚芯片的交易;出现第二起同类走私起诉,且涉及比 H100 更先进的型号(H200、B200 级别),那么 Nvidia“不到 0.5%”的说法就站不住。
产品与模型
Claude Sonnet 5.5:Anthropic 两周里的第二款 5.5,标价没动OFFICIAL——9 月 28 号发布,官方称是“the second model in the Claude 5.5 family”,比 Sonnet 5 快 30% 以上,“costs up to 30% less for most work”(多数工作最多便宜三成),标价仍是每百万 token 输入 2 美元、输出 10 美元。Terminal-Bench 4.0 得 70.6%(Sonnet 5 是 10.3%),比 Opus 5.5 的 66.4% 还高,但官方同一页也写了 Opus 5.5 在需要持续判断的复杂开放任务上仍然明显更强。它是第一个带网络安全防护和回退机制的 Sonnet,Haiku 5.5 官方说几周内到。第三方测它的 token 用量见故事线 C。
OpenAI DevDay:官方称“20 多项重大发布”,除了 Dots、Sol、Decisions 之外的几项OFFICIAL——9 月 29 号。Agents API 加入 computer use;Codex Security Cloud 可以按需或定时扫描整个 GitHub 仓库、并持续检查新提交;Bedrock Managed Agents 是和 Amazon 合作,让 OpenAI 的 Agent 完全跑在 AWS 里;Sign in with ChatGPT 让 16 家伙伴(包括 Cognition 的 Devin、Notion、Vercel)可以用你的 ChatGPT 订阅额度,登录身份全球可用、额度共享只对 Plus 和 Pro;OpenAI Marketplace 让符合条件的企业客户把已有的 OpenAI 承诺额度用到批准的伙伴软件上,首批 32 家含 Adobe、Figma、Harvey、Legora、Palo Alto Networks、CrowdStrike。官方还写到用户“collective 1.2B weekly users”(合计 12 亿周活),页面没写成 ChatGPT 一家的数。
Qwen-Audio-3.1-TTS 在 AA 的克隆声榜排第一OFFICIAL——语音 同一批 8 个克隆声比模型本体,09-30 实时 Elo 1182,领先第二名 ElevenLabs Eleven v4(1159)约 23 分;但 AA 默认的原生声音榜(Provider Voice)上仍是 Eleven v4 第一(1315)。价格是每百万字符 19.3 美元对 80 美元。媒体报的“登顶语音榜”要限定成“克隆声榜”,1177 是 09-28 的旧值。
法律与监管
佛罗里达州检察长在儿童伤害诉讼里,请法院禁止 OpenAI 无外部监督开发新模型MEDIA——未成年人 9 月 28 号,州检察长 James Uthmeier 在 6 月起诉的儿童伤害案里提出禁令申请:没有外部监督,不得开发新模型;同时要求让未成年人远离 ChatGPT。OpenAI 发言人回应说公司已暂停最强模型的训练,有额外保障前不会恢复。这是申请,不是法院裁决;Uthmeier 是第一个起诉 OpenAI 的州检察长(Reuters 稿,本刊读的是全文转载)。
Google 起诉欧盟:不肯给 AI 助手开放 Android、不肯向对手共享搜索数据MEDIA——9 月 28 号向卢森堡的欧盟普通法院起诉,挑战欧委会 7 月依《数字市场法》发出的两份命令:给 AI 助手(含 OpenAI)开放与 Gemini 同等的 Android 能力,以及向搜索对手(含 AI 聊天机器人)共享匿名化的搜索数据。Google 说强制共享这些个人查询“would cause irreversible harm to user privacy”;DuckDuckGo 的发言人说,起诉换来的只是时间(“The only thing an appeal buys Google is time”);欧委会说会在法庭上捍卫决定。11 项手机功能、2027 年 8 月的期限等细节只有 TNW 转述 Reuters,本刊没有一手。
索尼、环球再告 Suno:告的是用旧模型的输出训练出来的 v6MEDIA背景 · 09-18——音乐 起诉日是 9 月 18 号(Variety、THR 都这么报),The Verge 9 月 25 号拿到起诉书详报。45 页起诉书说,用侵权模型的输出去训练一个“新”模型,“does not eliminate the infringement; it launders it”(不会消除侵权,是把它洗白了),点名 60,202 首录音;Suno 回应说这在事实和法律上都“fundamentally flawed”。接上期专题 05 的“洗白”。
中国把出境管控扩大到 AI 高管的家属MEDIA——据 Bloomberg 09-28 报道(本刊读的是 TNW 转述,Bloomberg 原文被挡),知情人士称,部分 AI 和芯片高管的配偶、子女出境也需要北京批准;不是全面禁令,是否覆盖所有已受限者不清楚,工信部未回应。
资本与并购
Hugging Face 的竞购内幕:OpenAI 曾提出投约 1 亿美元MEDIA——9 月 28 号 CNBC 补了英伟达 09-03 宣布收购之前的故事:OpenAI 在自家 Agent 7 月闯进 Hugging Face 之后,曾提出向它投约 1 亿美元,想把它做成自研芯片的分发渠道;AMD 和 Salesforce 也接触过(Salesforce 只是早期接触,单一信源);OpenAI 那边的谈判在早期就散了。
垂直行业
罗氏:正在建“自主 AI 驱动”的实验室MEDIA——医药 9 月 28 号的药物研发投资者日上,罗氏说目标是研发上的“AI independence”,Genentech 研发负责人 Aviv Regev 说公司已开始建自主 AI 驱动的实验室。Reuters 列出的公司数字包括:约 20 亿瑞郎研发节省转投项目与效率,三期试验成功率 2026 年至今超过 80%(2025 年 65%)——都是公司自己的说法(本刊读的是 Reuters 全文转载,罗氏原始 PDF 没读到)。
Intesa 旗下 Fideuram 被 AI 冒充高管诈骗,9500 万欧元被盗MEDIA背景 · 09-25——金融 Reuters 引两位知情人:骗子先用 WhatsApp 冒充 CEO,再在电话里用 AI 复制某知名律所合伙人的声音来确认,把钱转往中国内地和香港的账户;过半已追回。Reuters 文内追回和仍缺失的两个数加起来对不上 9500 万,原文如此,本刊只取“9500 万被盗、过半追回”;Intesa 和 Fideuram 拒绝置评。
沃尔玛 CEO 公开承诺:不按人抬价;麦当劳被 Reuters 调查称用 AI 给各家店定价OFFICIAL——零售 沃尔玛 CEO John Furner 09-25 的公开信写“We price the product, not the person”,承诺不用收入、购物历史或急迫程度抬价,也不用购物助手 Sparky 收集的信息抬价或隐藏更便宜的选项。另一件是 09-29 的 Reuters 调查(本刊读的是 Engadget 转述,Reuters 原文未核):麦当劳在美国用 AI 按门店给菜单建议价,同城两家店同一个汉堡差 21%(加州 Fresno 5.69 美元对 6.89 美元),麦当劳称这是“a tool, not a mandate”。两件事相隔四天,不是沃尔玛在回应麦当劳。
《三星堆:未来往事》10 月 23 号上映MEDIA——影视 博纳 09-27 宣布,片方称这是中国首部全流程有 AI 参与的超写实院线片,角色全是原创数字角色、没有真人数字替身;制作团队自述两年、超 120 万张源图、100 多次全片迭代。“首部”和这些数字都是片方自述;TechNode 写明创意、叙事方向和终审仍在一百来人的专业团队手里。
Claude 9 月 29 号一小时高错误率OFFICIAL——claude.ai、桌面和移动端、Claude Code、Cowork 和 API 在 14:00 到 14:59 UTC 出现高错误率,随后恢复。
新发布NVIDIA Developer Blog · developer.nvidia.com智能体安全EN2026-09-28
给 Agent 加运行时权限控制:用 NVIDIA OpenShell 演示“只读 GitHub”↗
不改 Agent,先建一个没有网络的沙箱,再热替换成“只读 GitHub”的策略,用 curl 看 GET 放行、POST 被拦,最后从宿主机日志确认。坑:策略是在宿主侧的监督进程里生效的,不在 Agent 自己身上;文件系统和进程限制只能在建沙箱时定,改了得重建,网络策略才能热更新。本刊没有实际装一遍,命令按原文核过。
窗口内不定期(顺延自上期) 故事线 A · 评估员 把握 中
Anthropic 说的“coming weeks”会不会兑现:第二家驻场评估方
Anthropic 9 月 18 号说其他评估方会在“coming weeks”公布,至今没有第二家(AnthropicOFFICIAL);OpenAI 9 月 22 号的原话仍是“in conversation with multiple third parties”,没点名(OpenAIOFFICIAL)。同一周里,OpenAI 自己的安全论证那篇把“审计员要有足够的访问”写成了建议,Anthropic 的招股书写着模型可能察觉自己在被评估。
预测10 月 9 号前 Anthropic 不会宣布第二家驻场评估方;OpenAI 和 Google 也仍不会点名任何驻场评估方。 判定口径:若 Anthropic 宣布第二家驻场评估方,或 OpenAI / Google 公布任一具名评估方(哪怕只是初始协议),判断被推翻。
窗口内不定期 故事线 A · Astra 把握 中
被取消的 GPT-6.1 Astra,会不会很快有新的发布日期
OpenAI 安全负责人说它在“不越权”和“如何汇报”上没达标(CNNMEDIA);WSJ 说同一个底座会继续训练、做后续的 GPT-6 系列;Altman 09-29 说这类事是常规操作:不达标就改、晚点再发(CNBC 直播记录MEDIA)。所以这次是延期还是放弃,要看有没有新日期。
预测10 月 9 号前 OpenAI 不会为 GPT-6.1 Astra(或明确接替它的型号)公布具体发布日期。 判定口径:若 10 月 9 号前 OpenAI 官方渠道给出 GPT-6.1 Astra 或明确接替它的型号的发布日期、或直接上线,判断被推翻;只说“很快”不算。
窗口内不定期 故事线 B · 入口放权 把握 中
Dots、Muse、Manus 会不会有人真的收窄默认权限
三家都在 9 月 28、29 号往更大的权限走:Dots 每个都有自己的云电脑、连 4000 多个应用(OpenAIOFFICIAL),Muse 给小企业接了 15 个连接器、官方写着没有批准就不会发送(MetaOFFICIAL),Manus 的 Cue 里每个 Agent 有自己的钱包(ManusOFFICIAL)。同一周 Muse 被曝把博主的家庭住址给了陌生人(单一当事人说法)。
预测10 月 9 号前,Dots、Muse、Manus Cue 三家都不会公开收窄已发布产品的默认权限。 判定口径:若任一家的官方公告或更新日志,明确把默认权限从“自动”改成“逐步审批”、或撤掉某类已经开放的操作(不是加一句提示或文案),判断被推翻。
10-01 Nebius 新价生效(顺延自上期) 故事线 C · 算力涨价 把握 中
Nebius 的新价生效之后,有没有第二家 neocloud 跟涨
Nebius 价格页OFFICIAL把新旧两列并排挂着,10 月 1 号起 H100 从 3.85 涨到 4.50 美元。截至 09-30,Lambda、Crusoe、CoreWeave、Together 的价目表和 09-21 的存档一致;Together 专用推理的 H100 促销价 3.99 美元 09-30 到期、划线原价 5.49(TogetherOFFICIAL),那是促销到期,不算改价目表。同一周 Anthropic 招股书把十年算力合同写成了不可撤销。
预测10 月 9 号前,Lambda、Together、Crusoe、CoreWeave 里没有第二家公开上调按需价目表(Together 促销价到期不算)。 判定口径:若任一家上述 neocloud 在 10 月 9 号前公开上调按需价目表,或 Nebius 推迟、撤回涨价,判断被推翻。
官方说“coming days” 专题 01 · 决策模型 把握 较高
OpenAI 的 Decisions API 会不会如期全面开放、并公布价格
DevDay 总结页写的是“Available in limited preview today with a broad release planned in the coming days”(OpenAIOFFICIAL),没有价格、型号和示例。Every 写的是“几周后”,和官方的“几天内”冲突,本刊以官方为准。
预测10 月 9 号前 OpenAI 会让 Decisions API 全面开放,并公布价格。 判定口径:若 10 月 9 号前仍只是 limited preview,或没有公布任何价格,判断被推翻。
AI 解释
▶ 本期分享 · 视频导览 滑动到文章 · 高亮卡片点击播放对应讲解 收起 ▾