第 V 期 · 2026-09-01 周二
01 — 头条
OpenAI 和 xAI 的军用版本同时进驻 GenAI.mil 门户，三百万军方人员里已有一百七十万开通账号，用途限于非密工作。
真正值得看的是缺席的那一家。Anthropic 此前被特朗普政府定性为供应链风险，Claude 因此不在 GenAI.mil 的供应商名单上；上周有法官判定这份黑名单违法，但门户扩容时 Claude 仍然没有出现。判决改变了法律状态，没能改变采购结果。
GenAI.mil 此前只有谷歌的 Gemini，这次一次补进两家。给出的场景是行政事务、后勤、计划编制、非密政策工作，xAI 那边还提到采购人员的市场调研和供应链管理。分发渠道正在变成模型能力之外的第二条壁垒——谁拿到那 170 万个席位，谁就拿到了长期的使用习惯和路径依赖。五角大楼在密网一侧另有 AWS、微软、英伟达和 Reflection AI 的协议。
联发科借这笔投资拿到 NVLink Fusion 生态的接入权，可以替云厂商设计能插进英伟达机柜的定制 AI 芯片；其定制 ASIC 业务今年预计做到 20 亿美元。
这笔钱买的不是产能，是标准。亚马逊、谷歌、微软、OpenAI、Anthropic 全都在做自研芯片以摆脱对 GPU 的依赖，英伟达的应对方式不是去拦，而是让这些芯片想进数据中心就得走 NVLink——护城河从单卡算力挪到了互联层。英伟达高级总监 Dion Harris 的说法是，基本上每一朵云、每一个模型厂商都在以某种形式部署他们的平台。
上周跟 AWS 的协议是同一个模板：亚马逊一边承诺再上 200 万块英伟达 GPU，一边同样接入 NVLink Fusion。也就是说，自研芯片这条路越走越宽，反而在给 NVLink 装机量做贡献。对做大规模训练的人来说，短期看不到影响，长期意味着跨节点通信的原语会越来越绑定在一家的实现上。
02 — 模型与产品
8 月 21 日先上 API 只能调用的多模态实验模型，昨天补上完整权重：48 个 safetensors 分片，外加一份最小可跑的 PyTorch 推理实现。
这是 DeepSeek-V4 家族的第一个多模态模型，在 V4-Flash 架构上加视觉模块继续训练。模型卡给的对比里，涨的几乎全在多模态智能体一侧：ApexBench Pass@1 从 26.2 到 36.5，Agents' Last Exam 从 25.2 到 27.3——这两项旧模型是直接忽略输入里的图的。纯文本智能体能力基本持平，Terminal Bench 2.1 是 82.7 到 83.9，DeepSWE 54.4 到 59.3。
比权重更有用的是仓库里的 encoding/ 和 inference/ 两个目录，覆盖了视觉编码器、aligner、DFlash attention、MoE、Hyper-Connections 一直到 DSpark 的前向路径。想在这个模型上自己接后训练的人，不用再从推理框架里反推结构。从只有 API 到完整可复现的栈，中间隔了十天。
Daily 团队在英伟达 Nemotron 3 Nano 30B-A3B 上做全参数 SFT，30B 总参 3.5B 激活，BSD 协议无商用限制，同时放出 PhoneBench v1 基准。
这条讲的是垂类小模型的性价比曲线能陡到什么程度。官方数字是 PhoneBench 上与 GPT 5.6 Terra 打平，但便宜 94%，P95 首 token 时间快 1300 毫秒。电话场景对延迟的敏感度和别的场景不是一个量级，这 1.3 秒基本上决定了对面听起来是不是像个人。
配套的 NVFP4 量化版给了一组值得记住的数：十次完整 PhoneBench 取均值，NVFP4 权重配 BF16 的 KV cache 只掉 0.037 分，换成 FP8 的 KV cache 就掉 0.54 分。掉分主要发生在 KV cache 那一侧而不是权重上——这个结论对任何要压部署成本的人都能直接拿去用。
03 — 论文
作者从理论上指出 Dynamic Sampling 会不对称地放大优势：同一道难题里，错误回答被放大得比正确回答更多，训练效率因此打折。
先说卡在哪。DAPO 相对 GRPO 的准确率提升，贡献最大的一项就是 Dynamic Sampling——把一组采样全对或者全错的 prompt 直接过滤掉，避免零优势带来的零梯度，训练确实稳了。但作者的分析发现它有个副作用：在难 prompt 上，好不容易采样到的那几条正确回答本来最珍贵，拿到的优势放大量却比同组的错误回答小。梯度于是把模型推向回避这些已观测到的错法，而不是抓住那条难得采到的对法。
补丁叫 DAA（Direct Advantage Amplification），专门把难题上这些难采样到的正确回答的优势放大回来；接进 DAPO 就成了 DA3PO，论文说在 DAPO 代码基础上改动不到 30 行。对已经在跑 GRPO 或 DAPO 的人，这属于成本极低、值得先试一轮的那类改动——不加超参、不加模型、不改采样流程。
长程智能体 RL 通常把终局的 0/1 奖励平摊给整条轨迹。VICT 把终局验证器内部的可执行检查点拆出来，沿依赖关系回溯到具体动作上分配信用。
现有方法几乎都在 rollout 那一侧想办法要更细的信用——多采几条轨迹做对比、构造辅助信号去估动作重要性。VICT 换了个方向：很多可验证任务的终局验证器本身就是一串检查拼起来的（这个字段取到了没、这一步命令执行成功了没），这些原子级的判据一直存在，只是在训练时被压成一个分数扔掉了。
工程上它做得很克制：保留原来的终局奖励，只沿依赖有效的证据边重新分配组内相对优势，证据不完整或有歧义时直接弃权不分配，改动只落在训练时的 advantage 张量上——不需要学一个 critic，不需要过程标注，不需要分支 rollout，推理时也不用访问验证器。ALFWorld 和 WebShop 上明显好过纯结果奖励训练，消融实验把稠密原子奖励、只给最后一步、时间邻近性、稀疏性这几种替代解释都排除掉了。
腾讯放出的长程智能体框架，在搜索、删除、摘要之外补上全局规划、长期记忆和软性卸载工具，并用分支采样估计每一次上下文编辑的动作级优势。
长程任务里工作上下文只会越涨越大，让模型自己编辑是现成思路，但训练信号一直很糙：最后成没成这一个奖励平摊到中间每一次编辑，模型根本分不出哪一次删对了、哪一次把后面要用的东西删掉了。工具集也窄，只有搜索、删除、摘要三件套，没有规划和长期记忆。
它的做法是用上下文变化和熵的波动去定位关键编辑决策，只在这些点上做分支采样，再从所有经过该动作的分支轨迹里估计动作级优势。结果是用更小的工作上下文拿到更好的成绩。放在一起看，它和上面的 VICT 是同一道题的两种解法——都在跟长程 RL 的信用分配较劲，一个从验证器的内部结构里找边，一个从熵的波动里找关键点。代码在 github.com/Tencent/ContextPilot。
04 — 工具与生态
原来的“AI 创作者”标签改名为“AI 生成的账号”，只针对页面上出现的这个人本身是 AI 造的；主动挂标签不降权，不挂被发现会减少触达。
边界划得比想象中窄：它管的是这个人存不存在，不管这张图是不是 AI 修过的。用 AI 修图、做图、做创意微调一律不算。也就是说平台事实上放弃了给生成内容普遍打标这条路——那条路本来就执行不了——转而只标注身份真伪。
惩罚方式同样值得注意：不是封号，是限流。合规成本被折算成了流量成本，创作者可以自己算这笔账。报道里没说什么时候生效，也没说怎么检测未标注的账号，后面这一条大概才是真正的难点。
密码学教授 Matthew Green 的推论：模型找漏洞越来越快，0day 会重新变稀缺，情报机构失去入侵手段之后，会转回去要求厂商留后门。
支持这条推论的人不少。安全研究者 Luna Tong 说现在是漏洞的淘金期，但这是暂时现象，漏洞很快会重新变稀缺；Crowdfense 的 CTO Paolo Stagno 认为一旦漏洞变得难找，现在这套漏洞交易体系撑不住。Luta Security 的 Katie Moussouris 给了个时间尺度：至少要到下一届总统大选之后，情报圈才会被卡到有动力去推后门。
也有人不买账。DarkCell 创始人 Hamid Kashfi 的说法是，每有一个被 AI 找到并上报的漏洞，外面大概还有二十个没被报出来；另有多位 0day 研究者说，比起 AI 找漏洞，他们更担心的是新的系统防护机制。这条对做 AI 安全的人有个反直觉的落点：把找漏洞这件事做得太好，有可能反而把整个行业推向一个更差的均衡。