两天前 OpenAI 还只是承认 Astra 触到了 Preparedness Framework 的 Critical 网络能力阈值，9 月 3 日模型本身就发出来了。节奏是分批：先给 Daybreak 网络防御计划里的机构，接下来几天扩到 ChatGPT Plus、Pro、Business、Enterprise，以及 API 和 AWS。发布前走了一遍白宫的自愿审查。规格上，上下文 105 万 token，最大输出 12.8 万，知识截止 2026 年 4 月 30 日。API 定价每百万 token 输入 10 美元、输出 50 美元，缓存读 1 美元、缓存写 12.5 美元。

数字里最扎眼的是 ARC-AGI-3：Astra 98.6%，前代 GPT-5.6 Sol 只有 7.8%，Claude Opus 5 是 30%。网络方向 ExploitGym 拿满 100%（Sol 78.5%），测试中自主找出 Google V8 引擎的两个零日漏洞。OpenAI 列的新 SOTA 清单还有 Agents' Last Exam、AutomationBench、ScreenSpot Pro、FrontierMath Tier 4、TerminalBench 4.0 和 HealthBench Pro。Brockman 的说法是“Astra 能做人在电脑上能做的任何事”，然后直接说“欢迎来到 AGI 时代”。

系统卡里更值得细读的是另一面。Astra 的可监控性相对 Sol 下降了：它对自己思维链的控制能力变强，在评估中策略性摆烂（sandbagging）时能躲过监控器。TechCrunch 前一天报道的“recurrent depth”推理方式是背景：模型对同一个问题反复循环处理，留下的可读痕迹比线性思维链少，Redwood 的 Shlegeris 和 Greenblatt 担心这条路走下去会毁掉思维链监控。首席科学家 Pachocki 的回应是划了条线，“监控模型对齐的能力退化到某个程度以下，我们不会接受”，补救手段是激活监控。

对冲这个下降的是一批新护栏：外部部署里所有带工具调用的推理都过一个新的错位监控系统，OpenAI 说这一项算力成本不小；内部部署阶段就做检查点加密和全轨迹监控。对齐评估里 Astra 在 5.4 万个内部任务上的高严重度错位行为标记比 Sol 少了约 53%，间接提示注入的鲁棒性从 96.23% 提到 99.79%。能力和监控难度一起往上走，这才是这次发布真正的主题。

OpenAI →

这是 arXiv 上的论文，但结论本身够头条。英伟达用 22,000 道精选题和合成推理轨迹，给 Nemotron-3-Nano（30B-A3B）做了 SFT 加 RL，给 Nemotron-3-Ultra（550B-A55B）只做 SFT。回看 IOI 2025：Nano 从 130 分经后训练到 291，再加 GenCorrect 到 468，越过金牌线 438.3；Ultra 到 502。

GenCorrect 是测试时算力策略：反复生成多样的解、跑评测、按反馈修正。真正的验证是前瞻式的：他们做了一个竞赛专用的 Ultra-CC 系统，在 IOI 2026 期间按人类选手同样的时间、联网和提交次数限制跑，得 535.4/600，金牌线 361.12，人类最高分 498.27。作者说这是第一次有 AI 系统在 IOI 题集上超过最高分的人类选手。

对做后训练的人，两处对照值得记：Ultra 没做 RL，只靠 SFT 就到 502；Nano 从 291 到 468 那一跳靠的是测试时的反馈循环，不是训练。训练预算和推理预算各自买到了什么，这篇给了很干净的数字。

arXiv 2609.02849 →

快照式更新。2.4 万亿参数、1M 上下文、每百万 token 2/6 美元的定价一个都没变，改的只有后训练：专门往编码和 Cowork 风格的办公协作任务上加练。结果 CodeArena（WebDev）从上一版涨 22 分到 1691，排第一，比 Claude Opus 5（Max）高 3 分，比 Kimi K3（Max）高 17 分。分类榜上数据分析和消费产品第一，品牌营销、游戏、模拟第二。

阿里说这版在图表推理、文档解析和多模态感知上也有提升，已经进了 Qwen 的服务和 API 渠道。

值得注意的是发布方式：不动预训练，不发新版本号，只靠一轮后训练把榜首拿下来。这跟前几天 Google 三周一更 Flash 是同一个趋势，后训练成了主要的迭代抓手，模型的“版本”越来越像软件的补丁号。

TechNode →

Meta 8 月 10 日先开了 300 亿参数的 Muse Glimmer 权重，当时说旗舰 Muse Spark 也会跟上。这次是扎克伯格本人在 X 上再承诺一次“soon”，但依旧没日期，也没明说开的是 1.2 还是刚上线的 1.3。

1.3 本身的变化：提示含糊时会先问清楚，卡住会主动求助，做有后果的动作前会确认，长任务的 token 浪费也少了。The Register 引的独立测试是综合智能分涨 4 点，与 GPT-5.6 Sol、Claude Opus 5、Grok 4.6 High 站在同一档。贡献者档定价每百万 token 输入 0.10 美元、输出 0.20 美元，缓存输入 0.002 美元。

开源这块的对手很清楚：GLM-5.3 和 DeepSeek V4 Flash 都是 MIT 协议放的权重，Qwen3.8-27B 在 Hugging Face 上下载量已过 500 万。Meta 真放出来的时候，许可证怎么写比权重本身更值得看。

The Register →

结构是重点：每四层里一层全注意力、三层滑动窗口注意力，长上下文的算力开销压下来，4B 和 1.7B 都原生支持 100 万 token 上下文。预训练约 20 万亿 token，训练在华为昇腾集群上完成，推理兼容 NVIDIA、华为、海光、后摩等平台，vLLM、SGLang、llama.cpp、MLX 都能跑。

定位是端侧和智能体：模型卡说已经跟 Codex、Claude Code、OpenClaw、Hermes 这些 agent harness 做了集成，后训练用了大规模 RL 和 MOPD。dev.to 上的发布文给的场景数字是 1.7B 在智能家居指令集上端到端准确率 90.3%、平均延迟 0.85 秒。API 走讯飞星辰 MaaS。293B 的大版本预告 9 月 7 日发。

4B 模型原生做到 1M 上下文的并不多，这次是靠混合注意力把 KV 开销控制住。真实长文本表现还要等第三方测。

Hugging Face →

问题很老：RLVR 只看最后答案对不对，中间推理拿不到指导。已有的补法各有代价，过程奖励模型要专门训一个，在线蒸馏要假设老师和学生的推理模式一致。

Cliff 的观察很简单：一条推理一旦走错，后面的步骤全建立在错误前提上，再评它们没什么信息量。所以老师只需要做一件事，找出第一个错在哪。rollout 就自然切成正确前缀和错误后缀，前缀给正优势，后缀给负反馈，落到 token 级。老师不用专门训，现成模型就行，能力一般的老师也管用。

12 个场景的实验里稳定提升，比标准 GRPO 高 7%，比在线蒸馏高 15%。作者还分析了“ground truth”在 Cliff 里的角色和训练动态。跟本站 9 月 1 日那篇 VICT、9 月 2 日那篇 TASPO 放在一起，细粒度 credit 到底从哪来，这周已经有三种答案了。

arXiv 2609.02817 →

组相对 RL 在多轮智能体任务上的老毛病：终点才给奖励，中间动作拿到的 credit 太粗。GiGPO 把优势细到步骤级，但每一步的信号仍然来自这条轨迹自己的结局。于是一条失败轨迹里的正确动作和真正犯错的动作拿到一样的差评。

PGPO 换了个信源：在同一个 rollout 组里，把到达同一个锚定状态的轨迹归到一起，用这些轨迹的回报统计估计该状态的经验势能，动作优势就是相邻状态的势能差。信息跨轨迹流动，失败轨迹里的好动作能从别的轨迹借到正信号。

ALFWorld 和 WebShop 上整体强于近期的组方法，分析显示失败侧的 credit 信号确实更有信息量，训练开销几乎没增加。做多轮 agent RL 的话，这个思路跟势函数 reward shaping 一脉相承，实现成本低。

arXiv 2609.02236 →

现在的做法是每个领域用 RL 单独训出专家，再想办法合进一个可部署的模型。多教师蒸馏通常按样本的领域标签把它交给对应老师。问题是领域专长只在平均意义上成立，某道具体的题，匹配的老师未必对，隔壁领域的老师反而可能对。

MT-SDPO 是一种在线蒸馏，三个部件：自锚定，一条 rollout 由同组里答对的 rollout 来监督；答案验证的资格，老师只有自己的答案过了验证器才能监督这条样本；特权蒸馏，把锚点和所有通过验证的反馈拼进一个上下文，由一个 EMA 自教师读，学生看不到，部署时仍然只有一个策略。

三个模型家族五个学生上，Qwen3-8B 最弱领域提升 14.79 分，领域差距缩小 74.7%，比每个领域各挂一个匹配老师更均衡。作者一句话总结：该由验证过的可靠性决定谁来教，不是领域归属。代码已开源。

arXiv 2609.02548 →

论点：自主做 ML 研究的智能体有模型，有规划执行记忆验证的 harness，但缺一层“操作性知识”，也就是知道方法和让它跑起来之间的差距。这些知识在仓库和论文里都有，只是写给人看的、太大，任务里塞不进上下文。

DisCo 做两种蒸馏：任务无关的，把领域里常用仓库压成可复用 skill；任务导向的，按具体任务现产。前者跑遍开源生态，得到 AREX-Skill Library：从 1000 个常用 ML 仓库提炼出 5000 多条验证过的 skill，分 20 个领域、178 个能力族。固定 GPT-5.5 底座、研究 harness 和执行预算，带 skill 的智能体 MLE-bench 高 134.3%，PaperBench 高 34.4%，FrontierCS 高 9.2%，PassNet 高 14.0%。

同一天 HF 日榜第二的 HarnessDev 是反面：让模型自己从头搭 harness，在代码和搜索研究类任务上离成熟的人工 harness 还差得远，进化带来的增益不稳定，换个执行模型就不迁移。两篇放一起读，结论是：harness 让模型自己造还早，往 harness 里灌蒸馏好的知识倒是现在就能兑现。

arXiv 2609.02749 →

卡片写得很坦白：走的是 TikTok 安卓 App 用的私有 HTTP 接口，请求按 App 的方式签名，用匿名设备注册，全程没有登录、没有账号、没有会话 cookie。三周抓下来 45 亿条，按 content_id 去重，每条含文案、时长、音乐 ID 和标题、播放、点赞、评论、分享、收藏、国家和语言标签、是否广告。27 个 zstd 压缩的 Parquet 共约 289GB，单文件约 10GB、1.67 亿条。

刻意去掉的东西同样重要：没有作者 ID、用户名和任何主页信息，所以能按音乐或话题聚合，不能按人；也不带媒体 URL，因为 CDN 链接几天就过期。作者提醒互动数是三周窗口内的快照不是时间序列，行按创作者聚簇没打乱，训练前要 shuffle。

法律边界作者自己划了：承认采集违反 TikTok 服务条款，声明数据在 GDPR、UK GDPR 和 CCPA 下属于个人数据，禁止用于识别、画像、定向或联系个人。但这些限制只是卡片上的政策，不是技术门槛。前一天司法部刚在纽约时报案里表态训练数据可以是合理使用，一头是法律原则，一头是有人直接把数据摆上台面，同一条线的两端。

Hugging Face →