第 VI 期 · 2026-09-02 周三
01 — 头条
OpenAI 公布准备度评估：Astra 能自主找出未知漏洞并串成利用链，最强的网络能力只对小范围测试者开放。
值得知道的不是 Astra 有多能打，而是这是第一次有厂商真的按自己写的防备框架，把某个能力档位标到最高级，并据此推迟和切割了发布范围。此前各家的分级条款都停在纸面上，谁也没触发过。OpenAI 八月就为此暂停过部分内部工作以补安全措施，现在的做法是先给一小撮测试者，再逐步向防御用途的用户放开。
另一半要看清楚：全部数据都来自 OpenAI 自己的评测，没有第三方复核。前员工 Yona Shavit 公开质疑，模型在测试里拒绝突破沙箱，未必是真安全，也可能是它知道自己在被测。一个模型能力被定级为最高危，却只能听发布方一面之词，本身就是这条新闻真正棘手的地方。
底座相同、护栏不同：Fable 5.1 公开可用，Mythos 5.1 只给可信访问计划；缓存读取降价 75%。
把同一个权重按护栏松紧拆成两条产品线正式发售，是安全策略第一次被做成可选的产品档位，而不是藏在系统提示里的一刀切。配套的松绑同样具体：网络安全类拦截每会话减少约 60%，模型现在允许用于发现漏洞、但仍不给写利用；基础生物和医学问题的误拦下降 85%。
官方给的数字里，Terminal-Bench-Science 0.1 从 Fable 5 的 24.7% 提到 52.6%，Terminal-Bench 4.0 上 Mythos 5.1 拿到 60.9%（Fable 5 为 42.0%）。价格这一侧更实在：缓存读取降到每百万 token 0.25 美元，典型负载便宜约 25%，重智能体任务最多省 45%，输入输出单价没动。对靠长上下文反复读同一份材料的智能体来说，这是直接的成本变化。
02 — 模型与产品
前两代只能单变量，3.0 原生支持多目标与协变量，非自回归解码，在三个公开榜单上均列第一。
时序基座模型此前的通病是把每条序列当孤立对象，可现实里销量、价格、天气、促销是纠缠在一起的，用户只能靠外挂特征工程硬凑。TimesFM 3.0 把交叉变量注意力和因果时间注意力交替堆叠，直接在预训练阶段学变量间的关系，预训练语料超过 1 万亿个时间点，输出还是九分位数的概率预测。
有个坑要先看清：权重走的是 timesfm-non-commercial-license-v1.0，只许非商业、非生产使用，源码才是 Apache。这跟前几代的开放程度不一样，打算拿它上业务的得先算许可这笔账。BigQuery 集成据称还要再等几周。
把一段第一人称示范视频当 prompt 塞进上下文，不微调不改权重就执行没见过的任务，最长约 10 分钟。
机器人策略长期卡在每换一个任务就要重新采数据、重新训一遍，而语言指令又撑不起十分钟量级的长程操作。S1 的做法是把上下文学习整个搬过来：示范视频进上下文窗口，权重全程不动，这在长程操作上是头一回跑通。Skild 演示的种花、煮咖啡、摊煎饼、装配套件四项都不在预训练数据里。
有个细节值得留意：机器人翻煎饼那一下，团队回查全部数据档案，一例翻的示范都没有，判断是模型从铲子的运动模式里自己推出来的。现阶段没有开放权重、没有公开 API，也没有定价，只跟少数工业伙伴部署，所以这些说法暂时都只能由厂商自己背书。
授权医生可只读导入就诊记录、化验与用药，也能在 Epic 工作流里直接调用，另配九个公共医疗库插件。
Epic 手里是三亿两千五百万以上患者的记录，这是通用聊天模型第一次大规模接进美国主流电子病历系统。设计上最关键的一条是只读、不回写病历，把模型限制在检索和整理这一侧，绕开了生成内容直接进入正式医疗档案的责任问题。UCSF Health 在做首批试点。
OpenAI 说医生在 4363 条评分里把 99.1% 的回答判为安全，覆盖 27 个临床场景——这是厂商自评，看看就好。真正要盯的是权限边界怎么划：谁算获授权、导出的上下文留存多久、跨机构调用怎么审计，这些才决定它能不能进真实的科室流程。
03 — 论文
教师越大噪声越多，学生却几乎不受影响；把教师换成一个固定的负 advantage，效果照样打平。
在线蒸馏（OPD）近来被当成 RLVR 的替代方案：RLVR 的 outcome 奖励太稀疏，OPD 给的是 token 级的密集监督。但有个一直没人算清的账——教师打分的对象是学生自己采出来的轨迹，那对教师来说是彻头彻尾的 off-policy 样本，它给的分到底可不可信、学生的提升到底来自哪里，都是糊的。
这篇把噪声量了出来，然后拆开增益来源：学习集中发生在低对数概率的 token 上，而且用一个固定负 advantage 替掉教师给的，性能不掉。也就是说 OPD 的机制主要是压低尾部 token，这件事根本不需要教师。顺着这个结论他们提出 OPSA，用熵自适应的负 advantage，高熵位置给更强信号，把概率质量在头部 token 之间重新摊平，全程无监督信号。Qwen3-1.7B 上 AIME24 的 Avg@32 涨了 35.41 分（相对提升 263%），比 OPD 本身还高 16.77 分。
对做后训练的人很直接：要不要为了蒸馏专门养一个更大的教师模型，这篇给的答案是不一定值。
高熵与大梯度只在同一条回答内相关，跨回答就失效；GMTS 改按梯度幅度排序挑前 20% 的 token。
只用熵最高的 20% token 训练能显著涨分，这是 RLVR 圈子里流传了一阵的经验做法，但为什么有效一直讲不透。这篇给出的解释是：熵本来就是梯度幅度的一个代理指标，而这个代理只在单条回答内部靠谱——不同回答拿到的奖励信号量级不一样，跨回答一比，熵的排序就跟真实的 token 贡献对不上了。
GMTS 顺着熵与梯度的联系，直接去逼近梯度幅度的排名来选 token。在三个推理领域、多种模型尺寸上都稳定优于按熵筛选。这类工作的价值在于把一条口口相传的 trick 还原成可解释的判据，选 token 这件事从此有了更细的度量，而不是继续靠一个碰巧好用的阈值。
轨迹级 advantage 平摊给每个决策，长程任务粒度太粗；TASPO 改按动作重分配，比 GRPO 高 10.6%。
这篇点破的落差很值得记：on-policy 自蒸馏能提供更细的监督，但特权信息带来的似然变化说的是“多知道一点会怎样改变策略偏好”，它并没有回答“某个可执行动作该分到多少已验证的任务结果”。前者是监督，后者是 credit，中间这道缝以前一直被含混过去——特权信号可能跟当前交互状态无关，粒度停在 token 而非动作，也不带结果语义。
TASPO 的做法是把两边接上：先从已验证的成功经验里构造出对决策可用的特权信息，把似然位移在可执行动作这一层做聚合，再折算成正的、有界的、保均值的权重乘到原始轨迹 advantage 上。这样更新方向和平均幅度仍由验证过的结果说了算，特权信息只负责在动作之间重新分配。分析显示动作级分配还顺带稳住了优化过程。做智能体 RL、被长程 credit assignment 卡住的可以细看。
04 — 工具与生态
任务仍从云端起步做规划，本地分类器认出姓名、账号或隐私文件时，提示把这一段留在机器上跑。
端云混合不算新概念，但过去的切分粒度是整个任务二选一——要么全上云，要么全本地，结果是隐私和能力只能挑一样。Perplexity 这次把切分放到单个任务内部，按数据敏感度决定哪一段落在哪里，本地那部分不消耗云端额度，等于同时优化了准确率、隐私和 token 成本三件事。
门槛也说得很明白：Apple Silicon、macOS 15 以上、24GB 统一内存起步、推荐 32GB，面向 Pro、Max 和企业订阅。值得留意的是本地模型清单里有一个 Perplexity 自己后训练的 Qwen 变体——把小模型专门训成端侧协处理器，可能比继续堆云端参数更接近落地形态。
OpenAI 周一答辩称苹果本就鼓励员工用个人账号办公，涉事硬件件只是面试常用的演示物。
这场七月开打的官司，正在把一个所有 AI 公司都绕不开的问题摆上台面：高强度互挖人的行业里，前雇主的知识和员工自身的经验，边界到底划在哪。苹果指控两名前员工带走未发布硬件的技术资料和供应链信息，还称硬件负责人 Tang Tan 在面试中引导苹果员工透露内部信息；OpenAI 的答辩里有一句“这是苹果自己搞出来的一团乱”，把责任推回对方的离职权限回收流程。
对旁观者的用处在于：诉讼文件往往是唯一能看到这些公司内部流程细节的窗口——账号权限怎么收回、面试里能带什么材料、离职后还能不能被原雇主叫回去找文件。判决之外，这些细节本身就在给整个行业划线。