距离 3.7 Flash 才三周，Google 又把 Flash 线往前推了一格。官方的说法是“works harder”：遇到复杂任务会多跑几步推理、反复调工具，代价是高 effort 档位下 token 用得更多。定位没变，仍是便宜的主力模型，但对比表里已经出现它压过大模型的项目：Vals Finance Agent v2 上 61.4% 对 Claude Opus 5 的 58.6%，Harvey 法律智能体基准 10.0% 对 6.7%，HLE-Verified 54.9% 对 GPT-5.6 Sol 的 54.5%。

定价有个时间点要记：每百万 token 0.75/3.75 美元的介绍价只到 2026 年 12 月 31 日，2027 年 1 月 1 日起翻倍到 1.50/7.50。开发者侧已进 AI Studio、Gemini API、Antigravity 和 Android Studio，消费端在 Gemini 应用、AI Mode 和 Sheets 里对 Pro 和 Ultra 订阅者开放。

3.8 Flash Cyber 是更值得看的另一半。它替代 3.5 Flash Cyber，只通过 Fairwind 计划给政府机构、关键基础设施运营方和软件维护者使用。Google 给的数字是：Chrome 安全团队用它做出的正确补丁数是最强商用大模型的 2.6 倍，CWE-Bench 上 pass@1 为 47.2%，和领先前沿模型的 47.8% 基本持平。紧接着 OpenAI 承认 Astra 触到“Critical”网络能力阈值，三家在同一周把网络安全模型摆上台面，不是巧合。

Google →

这条解决的是一个此前一直卡着的矛盾。要抓跨会话、跨账号的高级滥用，比如攒着开发攻击性网络或生物能力，就得把流量存一段时间做关联分析；但受监管的企业，尤其是银行，不接受 Anthropic 那边保留自己的数据。之前的 30 天保留政策就是这么让一批客户僵住的。

EFS 的做法是把存储主体换掉：滚动窗口内的活动数据放在客户自己的 Amazon S3、Azure Blob Storage 或 Google Cloud Storage，走客户自己的加密密钥、访问策略和审计日志。Anthropic 的自动化系统在这上面跑滥用检测，检出的信号直接推给客户的安全团队，由他们决定谁来看、怎么处理，不经过 Anthropic 员工的人工审核。

覆盖 Claude Code、Claude Enterprise、Claude Platform、Bedrock、Google Agent Platform 和 Microsoft Foundry。Anthropic 说和一百多家客户一起设计，名单里有 Comcast、Mastercard、Salesforce、Visa、Wells Fargo、Stripe。EFS 本身不收费，客户只付云厂商的存储和读写。今年秋天开始分批上线，在那之前符合条件的客户先拿 Fable 5 和 5.1 的零数据保留。

跟前一天 Fable 5.1 的发布放在一起看：模型能力往网络安全方向放开，安全监控的存放位置往客户那边挪，两件事是一套动作。

Anthropic →

《纽约时报》2023 年起诉 OpenAI 和微软，指控其未经许可拿数百万篇报道训练 ChatGPT，且有时逐字复现。这是 AI 版权诉讼里分量最重的一桩，这类案子此前都是当事人之间打，法院手里也还没有可用的先例。

司法部的文件不是替 OpenAI 辩护具体事实，而是给法院一条法律原则：如果广泛认定未经授权就不能拿受版权内容训练模型，会“有问题，也在法律上不正确”。理由落在两处：一是训练大模型的“创造可能性和公共收益远超任何竞争损害”；二是国内有一个稳健的 AI 生态对国家安全至关重要。

《纽约时报》发言人的回应很硬：政府是在“站在少数几家万亿美元 AI 公司一边，牺牲无数作品被盗的美国创作者”。对做后训练的人来说，这件事的意义在于训练数据的法律边界正在由行政部门主动定调，而不只是等法院一案一判。

AP →

安全厂商自己训前沿模型，这是第一家把方案说得这么完整的。两个模型分工明确：Red Tempest 做进攻方，模拟 AI 对手；Blue Solano 做防守方，负责在真实企业环境里落地处置。底座是 Nvidia 的 Nemotron 开放模型，训练数据是 Falcon 传感器遥测、威胁情报、Falcon Complete 托管检测的事件标注，以及十五年的应急响应记录。

闭环是这样跑的：Red Tempest 在客户环境的数字孪生里找攻击路径，Blue Solano 修，再让红方接着找，直到找不出为止。CrowdStrike 给的数字是检出率比领先替代方案高 29%，端到端处置快 6 倍。训练和推理跑在 CoreWeave 上，新成立的实验室叫 Cyber Superintelligence Lab，独立模型访问走 Project QuiltWorks 计划。

放在本周的语境里会更清楚：Google 的 Flash Cyber、OpenAI 的 Astra 是通用实验室往安全方向伸手，CrowdStrike 是安全厂商往模型方向伸手，两边正在同一块地上相遇。

CrowdStrike →

问题很实际：手里一笔固定的标注预算，多少给 SFT 数据、多少给 RL 的奖励监督？以前的结论只有粗线条，比如数据少时 SFT 占优，既没有分配框架，也没人验证过最优比例会不会随模型大小变。

这篇换了个问法。与其找一个精确的最优点，不如刻画离峰值不超过某个容忍度的整个区间。实验里这个区间即便容忍度只放 2% 到 10% 也很宽，模型越大越宽，而且从小代理模型上量出来的区间可以直接迁移到大目标模型。这意味着大规模网格搜索可以省掉，先在小模型上跑一遍就够。

结论在多个任务、多个模型家族、离线的偏好方法和在线的奖励监督方法上都成立。作者来自 NUS、A*STAR 和 MIT。他们还分析了 SFT 和 RL 数据标注成本不对称时区间怎么移，这一点对真要花钱做数据的团队更有用。

arXiv 2609.01573 →

RLVR 提分是共识，但提的到底是什么一直有争议：是让模型学会了 Base 模型做不到的推理，还是只是把采样分布往它本来就能到达但很少采到的轨迹上推？这篇用行为层面的实验回答。

他们把 token 级采样、beam 式搜索、树搜索、序列级重采样统一成同一个预算空间里的可执行策略，再用 pass@k、自洽、best-of-N 和首次完成率打分。拿 SimpleRL-Zoo 的成对 Base/RL 检查点，在 Math500、AIME、GPQA、IFEval 上问：RL 模型的默认策略曲线，能不能用 Base 模型的一条搜索路径近似出来？答案是能，而且遵循一条简单规则 N_Base ≈ α·N_RL^β，指数随基准变化。在 Qwen2.5-7B 上迁移误差 3.41 个百分点，扩到四个家族十个模型仍在 3.28 到 4.87 之间，换到从没拟合过的基准也只有 5.03。

作者的表述很克制：这支持“内化搜索”的读法，即在他们测的配方下，RL 增益的大部分对应采样效率的变化，落在 Base 模型靠搜索本来就能到的操作点上。他们明确说这是行为诊断，不是参数层面的等价证明。对做 GRPO 的人，这篇给了一个便宜的自检：你的 RL 提升，用 Base 加更大的搜索预算能不能复现。

arXiv 2609.01274 →

RLVR 和榜单评测都靠一个自动验证器把自由文本答案变成 0/1 奖励。此前有工作报告过某评测框架只接受自己 94% 的标准答案，归咎于 LaTeX 解析，但那是个总数，没说错在哪类答案上。这篇把它拆开了。

方法是对验证器而不是模型做变形测试：按构造生成数学上等价的答案变体，这样任何拒绝都是可证明的假阴性，不需要人工裁决。四个验证器、30.7 万次判定，三个发现。一，同一批输入上自验证通过率从 53.8% 到 95.2%，差 41.3 个点，同一个库的两种配置在 49.9% 的样本对上意见相反。二，失误不是散在各种解析类别里，而是集中在空白和标点，默认 LaTeX 配置下占到 93.0%，一个末尾句号或换行就能吃掉大半预算。三，把拒绝和执行失败分开看，总错误率相近的验证器失败原因正好相反；有个参考数值级联在 10^4 以上会 100% 接受差一的错误答案，因为相对容差不随量级变。

对训练的影响是直接的：验证器的假阴性就是给正确 rollout 发零奖励，GRPO 的组内优势会被这种噪声系统性地污染。跑 RLVR 之前先拿自己的验证器过一遍这种测试，成本很低。

arXiv 2609.01354 →

背景是数据驻留要求逼着企业自托管模型，而新模型不断上线、旧模型不下线，GPU 池被切得越来越碎。他们的目标是用一个模型接住 200 多个内部应用，方法是从生产错误分析里找出三条质量差距：指令遵循、函数调用、内部任务分布。

关键选择是不把三个目标联合优化。原因是跨域奖励会互相干扰，于是每条轴单独训一个 GRPO 专家，再用两阶段 SLERP 合并。更有意思的是每个专家的奖励各自暴露出一种失败模式：语义坍缩、过度调用工具、冗长刷分，每种都需要领域专属的修法。评测用的是按生产流量分层的离线基准，由确定性验证器或校准过的 LLM 裁判打分。

结果是非推理模式下超过总参数大约 7 倍的基线：内部 Arena 69.6 对 65.8，指令遵循 0.85 对 0.83，函数调用 0.79 对 0.77，通用对话基准也有提升。最终这个模型吃掉了平台一半流量，每月 1.16 亿请求。这篇的价值不在数字，在于它把奖励干扰所以分开训再合并这条路线用生产数据走通了。

arXiv 2609.01572 →

两位创始人 Yair Saban 和 Niv Hoffman 都出自 8200 部队，公司成立才六个月。融资分两笔：Sequoia 领投的 1000 万，接着 Greenoaks 领投的 4000 万，跟投里有 Wiz 联合创始人和 Cognition 总裁。

产品做三件事：发现公司里正在跑哪些智能体、员工私自用了哪些工具；持续审核这些智能体用的 skill、插件、MCP 服务器和其他附加组件有没有恶意行为或变更；最后是执行，把未经批准的软件和外部来源挡在智能体之外，维护一份审核通过的白名单。他们自己的数据是，网上能找到的附加组件和 skill 里大约 27% 会被平台过滤掉。已有二十多家客户，四分之一是大企业，金融和制药需求最强。

这是 AI 安全赛道里一个新切口：以前的焦点是模型会不会被越狱，现在开始有人专门盯智能体装的那些东西可不可信。对每天在装 skill 和 MCP 的人，这个问题不算远。

TechCrunch →

燧原是国内“GPU 四小龙”之一，腾讯既是大股东也是最大客户。这次 IPO 的热度很直观：超过 700 万个账户参与网上申购，公司临时把 340 万股从网下调到网上，网上占比从 20% 提到 30%，中签率还是只有 0.025%。

公司仍在亏损，募资用途是第五代和第六代 AI 芯片的研发。市场押的是国产替代：在美国收紧出口管制之后，国内训练和推理算力对 Nvidia 之外的选项需求只会更强。

这条跟本站读者的关系在于算力供给侧。国产芯片公司能不能靠资本市场把研发周期撑下去，会直接影响未来两三年国内训练集群的构成。

Reuters →