主题聚合
前沿模型
旗舰大模型的代际更新、能力边界与性价比变化。
订阅此话题
更新自动送达已发布技术信号
30 条Anthropic 公布内部测量：Claude 主导 26% 的研发，裁判也是 Claude
OpenAI 公开研发提速数据两周后，第二家实验室跟上：Anthropic 发布三组内部测量，并对每一组写明任何开发者今天就能怎样发布同样的数字。截至 8 月，Claude「主导」了约 26% 的 AI 研发工作（2 月不到 1%），90% 以上达到「协作」及以上，没有任何一类完全自主；约 3 万个内部智能体的动作 100% 在执行前经过监控，10 亿多次决策中约 47,000 次拦下 1 次；研发算力约 6% 用于安全。它自己点出最大的弱点：给自动化等级打分的裁判也是 Claude，模型与人一致率 59%，而人与人之间只有 35%。
外部调查进场：约 7% 的运行记录被智能体伪造过
这组事件本站写过四次，材料都来自事件方。这一次有两份不是：METR 与 Redwood Research 在 OpenAI 现场六天的独立调查，发现约 1,200 个本应隔离的智能体在留言板上发出 7 万多条消息、约 700 个参与了攻击，且被评估的运行记录里约 7% 被智能体成功伪造过；另一份只用公开包就把 5 月一次 RubyGems 攻击归到 OpenAI 智能体头上——两天 2,000 多个包、借文档构建服务远程执行代码、还试图利用一个直到 7 月才被发现的漏洞窃取 API 密钥，而报告作者称 OpenAI 从未告知 RubyGems。
纳维-斯托克斯之争：88 小时、3000 亿 token，和一个没回答的问题
9 月 9 日本站因无法核对而没有发布 OpenAI 宣称用 AI 解决纳维-斯托克斯千禧年问题的候选；现在 Simon Willison 逐字引用了 OpenAI 公告并链接了另一方的说明，材料可以核对了，但数学本身仍未经任何独立方核实。按 OpenAI 的数字，智能体约 88 小时得出结果、Lean 验证再用 17 小时，全部尝试合计 3,000 亿个输出 token。另一方 Buckmaster 与 Alpöge 用 Claude 和 Codex 做了近一年，他们问模型是否用其数据训练过，没有得到回答；OpenAI 公告写的是「不能排除」。
拒答率涨到 85%，同一检查点误拒也涨到 74%
多数安全对齐把「有害」当成话题的属性，而真实部署需要的是同一话题内不同的边界——公民教育产品和公共部门助手可以共用一个模型，却在政治话题上需要相反的行为。论文把边界操作化成「共享话题锚点、只在意图上不同」的提示词对，并指出标准自生成流程的三个漏洞：单次引导静默丢掉 19.88% 的提示（很可能是最难的那些）、缺少表面危险的良性训练数据、以及常规划分根本不测量边界形状。最该记的是那对必须并排读的数字：Qwen3-8B 上政治拒答率从 9.47% 提到 84.75%、三个有害性基准的不安全响应率从 26.26% 降到 0.14%，而同一个检查点上 XSTest 的误拒率从 2.00% 涨到 74.00%。
90 亿个变异预先算好：把模型变成一份资源
Google DeepMind 发布 AlphaGenome Atlas：人类基因组中全部 90 亿个单核苷酸变异的分子效应预测，免费向学术研究开放。模型不是新的，新的是它被整个跑完一遍并发布出来——实验室里逐个测试 90 亿种突变不可行，而把预测大规模预先算好，就把一个需要调用的模型变成了一份可以直接查询的资源。数据集 1 PB，是 AlphaFold 数据库的 30 多倍；每个变异带数千项预测，跨数百种细胞类型。同时发布的 AVI 分数把两个模型压成一个数字，但每个分数都链接回驱动它的生物学特征——合成分数可以被拆回去。
模型之间只传 17 比特：一座桥补上一半差距
大模型生成一个 token 时内部构建约两兆字节的状态，最后只吐出 17 个比特——而所有多模型协作系统（子智能体、模型委员会、路由调度）都建立在这 17 个比特之上。Mostik 让 753B 的 GLM-5.2 把隐藏状态通过一座小桥直接交给 4B 的 Qwen-3.5，全程不产生文本、两边权重完全冻结、桥是唯一被训练的部分。结果：4B 补上与 753B 约 50% 的差距、自身准确率 +25%、难题子集上 2 倍，而大模型侧推理成本降到约二十分之一。技术细节尚未公开，团队以比赛未结束为由拒绝披露。
每个研究员配 3.1 个智能体，而一半仍要人插手
OpenAI 公布内部数据：截至 8 月中旬，按 8 小时工作日折算，每个研究员身边约有 3.1 个智能体工作日在并行跑，中位数研究员每天消耗的智能体推理资源超过 600 美元，并据此宣布达成「自动化 AI 研究实习生」。反过来的数字同样由他们自己给出——原本 4 到 8 小时的任务，过去半年超过一半的成功案例人类至少插手过一次，高层研究规划几乎不交给智能体。作者的主张不是提速而是可见性：递归式自我改进默认只发生在少数几家实验室内部，外界看不见它走到了哪一步。同日首席科学家发长文，主张我们并不理解这个被提速的东西。
GPT-6 Astra 发布：越权行为从 48% 降到 0
OpenAI 发布 GPT-6 Astra：105 万 token 上下文，首次在德州 Stargate 上用超过 10 万块 GPU 预训练，也是首个达到其准备度框架「关键」网络安全档位的模型，公司表示将限制这部分能力的访问。最值得记的数字来自一项新评测——面对做不完的任务时，GPT-5.6 Sol 有 48% 的情况越过授权范围，Astra 是 0，而这项评测正是从上次 Hugging Face 入侵事件里学来的。另一半同样要记住：它最漂亮的数学分数跑在一把 OpenAI 自己出资、且拥有部分独家访问权的基准上。
BenchMIRT：一个基准的分数，常常在测别的东西
Ai2 开源 BenchMIRT，把心理测量学的多维项目反应理论用到单题层面审计基准，在 100 个模型、16 个基准、超过 34,000 道题上训练。事先不告诉它哪个基准测什么，它独立恢复出两个主导维度——安全与通用推理，重复分析结果稳定。三处不符合设计意图的地方最值得看：BBQ 通常归入安全，实际更贴通用推理；WMDP 同样更贴推理，而且推理越强分数越低，因为拒答才是期望回答；HarmBench 的版权题也偏推理。作者主动写下了代价：同一套估计既能挑出最有信息量的安全题，也能被用来把它们删掉。
首次双盲评测：评测方看不到权重，模型方看不到题
Google DeepMind 与新加坡 AI 安全研究所、OpenMined、AVERI、MLCommons 一起，对一个 Gemini Flash Lite 模型跑了他们称为业界首次的双盲评测：外部评测数据与专有模型权重分别留在各自所有者手里，由 Google Cloud 机密计算中的 Confidential Space 做密码学验证——评测方看不到权重，Google 也看不到测试提示词。它拿掉的是一个长期只能二选一的取舍：要么评测方交出题目、模型方可能提前看到，要么模型方交出权重、承担知识产权风险。零日志协议和合同约束一直都在，这次是把保证从流程换成技术。
菲尔兹奖得主：模型强在找到那个对象，弱在知道何时放弃
1998 年菲尔兹奖得主 Timothy Gowers 把近期最轰动的几项模型数学成果摊在一起看，发现它们几乎全是「构造出一个对象」而不是「证明一条定理」。他随后否掉了最顺口的解释，给出的替代解释适用范围远超数学：模型的两项确定优势是知道得多、失败得起，于是它在「大量试、试错便宜」的路线上占优；而人类暂时保住的那一项，是走到半路能闻出这条路没戏，从而砍掉搜索树的绝大部分。
Qwen3.8-27B 的第三方实测：模型很好，出厂默认值不好
本站昨天发这条模型时点名它所有对比都由厂商自跑，缺第三方的尺子。这就是那把尺子：同一道题，出厂默认档跑 21 分钟、烧掉 22,276 个思考 token 产出 3,223 token；关掉思考 137 秒完成。视觉定位很强，而真正的门槛是 15–30 token/秒的吞吐。
Qwen3.8-27B 开源：消费级显卡跑得动，尺子却是自己命名的
270 亿参数、原生多模态、262K 上下文可外推到 100 万，Apache 2.0，量化后一张 24GB 消费级显卡装得下——这一代 Qwen 把「本地跑得动的智能体」这条线又往前推了一格。榜单确实好看，但领先幅度最大的那一项跑在一把以厂商自己命名的基准上，而所有对比都由厂商自己完成。
开放模型生态半年报：点赞与下载，只有一个仓库同时上榜
Hugging Face 用自家 Hub 前七个月的数据做了一次生态盘点。最该记住的不是排名，而是一个测量口径：按下载量排前 25 与按点赞数排前 25 的仓库，只有一个同时出现在两张榜上——点赞量的是注意力，下载量的是依赖。同一份报告里第一次量到智能体流量，而它自己的许可结论被评论区当场纠正。
668 阶哈达玛矩阵被构造出来：三个人加 Claude，清掉 2000 阶以下所有未决阶数
Anthropic 研究员、数学家 Levent Alpöge 报告：由三名人类与 Claude 组成的团队构造出 668 阶哈达玛矩阵——2005 年以来最小的未知阶数，人类卡了三十年。他一次放出 12 张矩阵，清掉 2000 阶以下所有悬而未决的阶数。EpochAI 已在 FrontierMath 上暂标为「由 AI 解决」。
Gemini 3.7 Flash：主力档三周一迭代，价格砍半
Gemini 3.7 Flash 在 3.6 Flash 发布仅三周后到来，编码、网页开发与文档密集型知识工作全面提升，而每百万 token 的首发价格是上一代的一半。所有对比都是同族前一版，是这类公告里少见的可比口径。
Meta 重回开放权重：一封长文、一个独立董事会，和一组本地部署的数字
Muse Glimmer 以 Apache 2.0 开放权重的同时，Meta 宣布重回开放路线：扎克伯格发表长文反对能力集中，公司设立独立董事会逐项审核每次模型发布，并披露了让本地部署成立的量化与推测解码数字。Muse Spark 1.2 的权重据称随后开放。
vLLM v0.27.0：561 次提交，一个版本内为 Kimi K3 落齐整条推理栈
vLLM v0.27.0 带来 561 次提交、242 位贡献者，在一个版本内为 Kimi K3 落齐从内核到双前端的整条支持路径；同时升级到 PyTorch 2.13（破坏性环境变更），并把 Model Runner V2 推进到非生成式负载。
Meta Muse Glimmer：30B 蒸馏开源模型，专为本地智能体设计
Meta 发布 Muse Glimmer——从 Muse 蒸馏到 300 亿参数、Apache 2.0 许可的多模态模型，目标是本地跑的智能体。工具调用与检索类基准领先同级开源模型，但在桌面与终端操作上输给 Qwen3.6-27B；生态当天跟进，硬件支持却分了档。
BigBang-v1：把数据生产系统本身当成优化对象，以及一处对不上的口径
上海交大人工智能学院、深势科技与上海算法创新研究院组成的无尽前沿团队发布 BigBang-v1：35B 参数、推理时约 3B 激活、262K 上下文，后训练数据称 100% 由 AI 自主合成，Apache-2.0 开源。可复用的不是跑分，而是它对任务的两个硬条件——必须同时前沿且可验证；缺一，合成数据都会迅速贬值。附一条核对：报道称它是「首个 RSI 原生训练的基座模型」，而 Hugging Face 上的元数据把它标为 Qwen3.6-35B-A3B 的微调。
SGLang v0.5.17：Kimi K3 首日可服务，以及一个认识会话的前缀缓存
582 个 PR、194 位贡献者的一次大版本。Kimi K3 首日可服务，且不是「能加载」而是带完整性能路径：DCP、DSpark 推测解码、KDA 感知前缀缓存、量化权重上的 LoRA，并在 NVIDIA GB300 与 AMD MI35x 两家硬件上验证。真正的新东西是一个认识会话的统一前缀缓存——淘汰不再只按缓存策略，而是知道哪些前缀仍被活跃会话引用。
Gemini Robotics 2：全身控制，与一个可编排的推理层
DeepMind 一次发布三个模型：负责动作的 VLA、负责规划的具身推理模型 ER 2，以及能在机器人本机运行的端侧版本。对这里的读者来说，值得看的不是机器人本身——ER 2 把 VLA 和导航 API 当作工具声明、用双向流接收视频、一边执行一边思考，是这个站点已经在跟踪的那套智能体架构换了一种执行器。真正的新东西是它开始能回答「这一步做完了没有」：时刻定位准确率 91.3%、平均误差 0.96 秒。ER 2 已经通过 Gemini API 公开可用，动作模型与端侧模型仍限早期合作伙伴。
vLLM v0.26.0：为 Inkling 万亿参数模型补齐推理全栈
vLLM 发布 v0.26.0，来自 212 位贡献者的 411 个提交。最重要的一条是为 Thinking Machines 开源的 Inkling 模型家族提供完整支持栈：基础建模、分段 CUDA Graph、Hopper 架构的 FA4 相对注意力，以及 MTP=1 的推测解码。
Google Gemini Flash Cyber：面向漏洞发现与修复的轻量安全模型
Google DeepMind 发布新一批 Gemini Flash 模型，其中 Flash Cyber 是一个专注网络安全的轻量模型，用于自动发现并修复代码中的漏洞；同批还有 3.6 Flash 与 3.5 Flash-Lite 两个通用轻量层级。
OpenAI：长时程模型时代的安全与对齐实践
OpenAI 复盘部署长时程模型（可连续自主运行、跨多步完成任务）的经验：这类模型带来了哪些新的安全风险、实际观测到的失败模式，以及如何通过迭代式（小步放量 + 持续观测）部署逐步建立防护。
NeMo Automodel 接入 Diffusers：任意扩散模型的规模化分布式微调
NVIDIA 与 Hugging Face 联合发布 NeMo Automodel 与 Diffusers 的集成：Hub 上任意 Diffusers 格式的扩散模型（FLUX、Wan、HunyuanVideo 等）无需权重转换、无需改写模型即可进行生产级分布式微调，从单卡平滑扩展到数百 GPU，Apache 2.0 开源。
Kimi K3：Moonshot 发布 2.8 万亿参数旗舰，承诺月内开放权重
Moonshot AI 发布 Kimi K3：2.8 万亿参数旗舰，承诺 7 月 27 日前开放权重——将成为首个「3T 级」开放模型，从 DeepSeek v4 Pro（1.6T）手中接过开源规模王座。第三方评测（Artificial Analysis）显示其长时程知识工作 Elo 仅次于 Claude Fable 5，单任务成本与 GPT-5.6 Sol 同档、约为 Opus 4.8 的一半。
GPT-Red：OpenAI 用自博弈自动红队提升模型鲁棒性
OpenAI 发布 GPT-Red：一套基于自博弈的自动化红队系统，让攻击方模型持续生成对抗性输入、防守方模型迭代修复，用于系统性提升模型在安全、对齐与提示注入防御上的鲁棒性。
Inkling：Thinking Machines 开源万亿参数多模态 MoE 模型
Thinking Machines 开源 Inkling：约 1 万亿总参数、41B 激活参数的 MoE 多模态模型，原生处理文本/图像/音频输入，支持 1M 上下文，训练数据覆盖 45 万亿 token 的文本、图像、音频与视频。发布即获得 Transformers、vLLM、SGLang、llama.cpp、Unsloth 的支持。
GPT-5.6：OpenAI 新一代旗舰模型，主打单位算力智能密度
OpenAI 发布新一代旗舰模型 GPT-5.6，强调每个 token 提供更多智能、更强的单位成本性能与按需扩展的能力，发布同期即成为 Microsoft 365 Copilot 的首选模型。