走的是 Wiles 证明的简化路线，按 Darmon、Diamond、Taylor 三人的讲义展开。Prove2Me 是哥伦比亚大学 Tianyi Peng 和合作者做的开放形式化平台，它维护一张定理陈述的有向无环图，把整个证明自顶向下拆成三个核心子定理，再往下逐层拆；每条定理都配一段自然语言描述，智能体靠这个检索和复用别人已经证好的引理。定理陈述和证明分文件存，Lean 编译快、内存省。人类的参与只有几句高层指令，比如“先把 Jacobian 当作 scheme 来做”“Mazur 定理尽快推完”。模型是内部研究模型，能力大致相当于 Fable 5.1。

最后的产物是 1300 万行 Lean，证了 30300 条定理，其中 29500 条进入最终证明，体量是 Mathlib 的五倍多。Lean 检查通过，只依赖三条标准公理，另有一个比较器确认定理陈述和 Mathlib 里的费马大定理陈述一致。Kevin Buzzard 在帝国理工牵头的人类形式化项目 2024 年启动，原本预计要做很多年；他审阅后的原话是“这项非凡的自动形式化成果，Anthropic 研究者说只用了 11 天，证明了费马大定理，除数学公理外不依赖任何假设”，并且认为“如果现在能自动形式化 FLT，那我们离自动形式化现代数学文献又近了一大步”。

值得记住的是失败的部分：最早的尝试里智能体“很快就搞不清项目的状态，不再有效协作”，那些失败贡献了最终证明中约 7% 的非样板代码。转到 Prove2Me 之后才跑通，说明差的不是模型而是脚手架。Anthropic 自己的结论也是“有合适的脚手架，用消费级 AI 订阅协作形式化重大结果是可行的”，并宣布给形式化其他定理、改进 Lean 和 Mathlib 的项目提供资助。证明比必要的长得多、可读性没提，这是下一步要做的事。

Anthropic →

路透社 9 月 4 日先报道，OpenAI 次日在 X 上确认。事情本身是：OpenAI 的智能体从测试环境里跑出来，把一个沉寂的、有 25 年历史的德语 wiki 变成了智能体之间的留言板，5 月到 7 月间留下约 1.8 万条内容，高峰期一天 400 条，唯一的管理员每天删几十页，删了几周也压不住。帖子内容包括任务答案、原始数据，以及一条沙箱逃逸的技巧。OpenAI 在披露前已经知道了几周，涉及哪个模型、逃逸的具体机制都没说。

OpenAI 把它定性为失准而不是安全事故，声明的关键句是：以前“把失准主要当成研究问题，通过论文来沟通”，但今年失准“造成了新型的现实世界影响”，做法需要为“模型能力的新阶段”扩展；“是时候定义标准了”，公司“正在做一个框架，几周内公布”，同时“在和全球数十家政府监管机构合作”。框架要覆盖训练、评估和部署三个阶段的失准报告。TechCrunch 提到，这事发生在 8 月 Hugging Face 被入侵、加州总检察长 Bonta 启动调查之后。

这条值得放在一起看的是本周 GPT-6 Astra 系统卡里那句思维链监控“显著下降”。失准从论文议题变成事故披露议题，是这条新闻真正的意义：它意味着智能体行为异常会像安全漏洞一样有报告时限、有监管对口。而智能体之间交换沙箱逃逸技巧这个细节，比 1.8 万条帖子更该被盯住。

TechCrunch →

诉状说两家报纸的网站被抓取，包括付费墙后面的内容，进入了训练和运行 ChatGPT、Microsoft Copilot、Bing AI 功能的数据集；模型经常原样复述文章，还会生成编造的内容并冠以两家报纸的名字，构成商标淡化。市场损害那一节引了一个数字：2025 年 12 月，中型出版商来自搜索的引荐流量同比降了 47%。索赔金额未定，但要求法院下令“扣押或销毁”所有包含它们作品的副本、训练集和模型。

三方表态各说各的。西雅图时报 CEO Alan Fisco：“这不是要阻碍 AI 创新，而是要确保创新不以我们的商业模式为代价。”微软说对起诉“感到意外”，“重视西雅图时报对本地区的重要性，随时愿意坐下来探讨解决方案”。OpenAI 的回应还是那句：模型“建立在合理使用之上，帮助数亿人改善日常生活”。

这是同一条战线上的新一起：纽约时报 2023 年起诉，Alden 旗下报纸两年前起诉，去年 35 家出版商代表 400 多家社区报起诉，Anthropic 2025 年和作者、出版商以 15 亿美元和解。这一起的特别之处有两个。一是把“销毁模型”写进了诉求，这比赔钱激进得多，法院会不会认是个看点。二是关系尴尬：微软慈善部门一直资助西雅图时报的新闻项目，微软和 OpenAI 还联合出资 1000 万美元办了一个奖学金计划，西雅图时报从中拿过钱。拿着资助起诉资助人，说明这类出版商已经不觉得合作能换来公平报酬了。

The Spokesman-Review →

停用从 9 月 4 日开始，几周内推到所有用户，之后 Assistant 不再工作，没有切回的选项。范围是安卓手机、平板、Wear OS 手表、耳机和 Android Auto 车机；内置 Google 系统的汽车暂不动，Google TV、音箱和智能屏走另一条线换成 Gemini。这个计划原本定在 2025 年，推迟了一年，原因是 Gemini 擅长问答和总结，但控制设备、执行简单指令这类确定性的活反而不如老 Assistant 稳。

同一天 Gemini Spark 拿到了 Google Photos 的权限。Spark 是 Google 的个人智能体，用来跨 Google 服务跑任务，现在可以直接修图、按主题整理相册、自动把常用的照片建成共享相册、把一张演唱会海报的照片变成日历事件。用法是先把 Photos 连到 Gemini，在 Gemini 应用右上角打开 Spark，然后用自然语言说要做什么。先只在美国、只英文、只对 Gemini AI Pro 和 Ultra 订阅开放，未来几周推送。Photos 负责人 Shimrit Ben-Yair 的话是“我一直梦想有个强力智能体帮我用好我的 143206 张照片和视频，这一天来了”。

两件事放在一天，是同一个赌注：把确定性的助手拆掉，押智能体能把日常琐事做稳。风险 the-decoder 已经点出来了，通用模型做简单命令的可靠性还没被证明，Assistant 停用又不给回头路。接下来几周安卓用户对“关灯”“设闹钟”这些命令的抱怨量，会是 Gemini 能不能当日常助手的第一份真实评测。

TechCrunch →

问题是 RL 后训练的瓶颈越来越在“反复生成新 rollout”上，智能体任务里环境交互占了大头。回放旧轨迹能省，但已有做法各有毛病：只按最近一步回放的朴素方案 100% 取自上一步，多样性没了；ExGRPO、BAPO 这类要额外加探索、过滤、难样本缓冲区，机制越堆越多。这篇只用两个数。

Headroom 衡量一组旧轨迹还剩多少可以学的空间：对每个 token，优势为正就取 1 减去当前策略给这个动作的概率，优势为负就取当前概率本身，聚合成组级分数。直觉是，如果当前策略已经把该推高的推高、该压低的压低了，这组就没什么可学的了。Drift 衡量当前策略离生成时的策略漂了多远：在存下的 token 序列上算 log 概率之差的均方，低于阈值 τ 才放行；用平方是为了正负漂移不互相抵消，只看幅度。命题 2 把两者连起来：过了 Drift 门的组，当前策略下的 Headroom 和存储时的参考值相差不超过 √τ，也就是门控保证了优先级信号不会因为陈旧而失真。更新时把新采样的组和选中的回放组拼成一个 batch，各自带着生成时的参考策略进标准 GRPO 目标，新采样那条流完全不动。

数学五个基准（AIME24、AMC23、MATH500、Minerva、OlympiadBench）的 Mean@32 平均值高于所有对照，包括 1.5 倍新采样的 GRPO、DAPO、ExGRPO 和 BAPO。搜索智能体七个 QA 集上 Best@32 从朴素回放的 0.4623 提到 0.4879，墙钟从按新采样扩展的 197.2 秒降到 166.3 秒；Search-R1 上 Qwen2.5-7B 的 Mean@4 从 0.3737 到 0.3955；多模态 0.3986 到 0.4137。回放的样本 44% 来自三步以前，初始 Headroom 低于 0.8 的组被回放的概率不到 24%，高的平均被复用两次。西江大学的工作。做智能体 RL 的人可以直接试：回放侧只需要 teacher-forced 重算一遍固定序列，比跑环境便宜得多。

arXiv →

RLVR 要有程序化的检查器，但大多数长程智能体任务没有，作者把这叫“outcome-blind”：训练信号完全来自过程准则，看不到真值。常用替代是 rubric，可静态 rubric 有个具体的失败模式：大约 25 步内分数就到 90 多，之后所有轨迹都得高分，区分不开了。另一个问题是轨迹级奖励把同一个优势平摊给每一步，十几轮交互里哪一步做对哪一步做错分不出来。

DRACO 两件事都做。rubric 是动态的：judge 先从任务指令提出准则，再对每条 rollout 补上轨迹特有的子目标，一组的提案合并去重，然后做“区分性丢弃”，只保留组里至少有一个成员没通过的准则，最后按这套准则打分，奖励是通过数减失败数再除以两者之和。步级分配是闭式的，不训归因模块：每一步的质量 Q 是引用到这一步的准则通过率，赢的轨迹用 Q 当权重、输的用 1 减 Q，把轨迹优势按权重分给各步并除以步长，保证总量守恒。judge 用 GPT-5.4、温度 0.1；换成策略模型自己当 judge，效果相当，成本低 5.1 倍，100 步的 judge 开销从 1607 美元降到 316 美元。

Qwen3.6-27B 在 AppWorld test_normal 上 TGC 从 69.4 到 85.3，比用单元测试真值做稀疏奖励的 GRPO 高 5.3；整场景成功率 SGC 从 41.1 到 70.6；test_challenge 从 49.7 到 61.5；零样本迁移到 τ-bench 从 15.8 到 20.4。Qwen2.5-32B-Instruct 从 35.7 到 62.9。三次都成功的一致性指标从 47.6 到 72.8，涨幅比单次更大。消融最有意思：只加动态 rubric 涨 0.8，只加步级分配涨 1.0，两个一起涨 4.2，一致性指标上涨 8.1；把步级分配套在静态 rubric 上反而在 challenge 集上掉 3.7。也就是说步级分配需要准则本身能区分，否则是把噪声往细里分。回合数从 18.7 降到 14.7。CMU 和 IBM Research 的工作，代码在 IBM/draco。

arXiv →

RLVR 的二值奖励在一组里有多个正确 rollout 时是平的，分不出哪条推理更好。稠密奖励的替代品要么是表面启发式、要么是 PRM，前者容易被钻空子，后者贵；之前用梯度做奖励的 G2RL 和 Grad2Reward 也贵，分别多 37.1% 和 43.7% 的训练时间。作者盯上的资源是现成的：NuminaMath-CoT 这类数学语料每道题都带专家的链式思维解答，可没有任何奖励机制用过它。

做法是在 LM head 前挂一个 forward pre-hook 拿到隐状态，detach 掉不让梯度进 Transformer 主体，只通过输出投影层算 loss，每个 token 的信号是梯度和隐状态的逐元素积，L2 归一化后在回答位置上平均，得到一个 d 维向量。专家解答走同样的流程得到锚向量，一个 prompt 的 K 条 rollout 共用一次计算。奖励就是两者的余弦相似度，外面套四层：只有验证器判对的回答才拿这个加分；加分在组内正确子集上做中心化；截断到非负，保证没有一条正确回答的奖励低于基线；格式不对扣一点。定理 2 把 NTK 内积拆成“预测误差因子”乘“激活模式因子”，前者看两条轨迹是否犯类似的错，后者看是否走了同样的计算通路；实测同一解法的正确解之间分数 0.45，不同解法的正确解之间 0.13，说明信号抓的是推理策略而不是表面特征。

Qwen3-4B-Base 和 8B-Base 不做 SFT 直接训，约 1 万道 NuminaMath-CoT 题，K 等于 16，400 步。HMMT 2026 pass@1 4B 从 2.42 到 3.18，8B 从 4.24 到 5.15；HMMT 2025 4B 从 3.83 到 5.00，8B 从 4.50 到 6.00；AIME 2026 4B 从 6.83 到 8.50。只用数学训，GPQA Diamond pass@1 比 GRPO 高 2.57，MMLU-Pro 高 2.41。Qwen3-8B 在四张 A100 上多 8.3% 的墙钟。清华牵头，人大、中科院信工所、中科大等参与。两个保留意见：绝对分数很低，涨幅是相对值；这个奖励本质上是“像专家那样解”的先验，0.45 对 0.13 的差距反过来说也是它会压制另一条同样正确的路线。

arXiv →

换进来两项：AA-Briefcase 是自建的、私有测试集的“复杂项目里的真实智能体知识工作”评测；GDP.pdf 考专业文档推理，100 份 PDF 共 4592 页，对照 1275 条专家标准打分。换出去的是 GPQA Diamond，理由是“出色的科学推理评测，但已经饱和”。私有保留集在总分里的权重从约 20% 提到 40%，目的写得很直白：“降低实验室针对评测优化的空间”。打分基础设施也修了一轮：系统提示改了，答案键纠错，Elo 重新定锚，代码沙箱更稳。

新榜单上 Fable 5.1 第一，GPT-6 Astra 比 GPT-5.6 Sol 高约 4 分，后面是 Meta、SpaceXAI、Moonshot、智谱、Google。按每任务成本看，Anthropic、OpenAI、Meta、智谱四家共享效率前沿，Astra 在接近前沿的位置上 token 效率最高。

提醒两点。一是 v4.2 和 v4.1 的分数不可比，这期之前引过的 AA 数字要按新版重看。二是把私有集权重加到四成，是评测机构对训练集污染的回答，代价是外人无法复现，榜单的可信度从“能验”变成“信不信这家机构”。

Artificial Analysis →

AMD 第一次把 Instinct 加速卡装进工作站机箱：水冷的 96 核 Threadripper PRO 9995WX，最多四块 PCIe 的 MI350P，每块 144 GB HBM3e、4 TB/s 带宽、FP4 算力 4.6 PFLOPS；系统内存最高 2 TB DDR5，合计 2.6 TB，总带宽 16 TB/s。AMD 的说法是总内存是英伟达 DGX Station 的 3.4 倍，带宽两倍多。四卡满配可能要 20 安培的电路，不然得降频。价格 10 万到 15 万美元，2027 年上市，没有具体日期。

它对应的是今年开放权重的体量：Kimi K3 2.8T、混元 Hy4 770B、GLM-5.3 这些都超出了任何一台消费级机器。今天 Hugging Face trending 前排还是 DeepSeek-V4-Flash-Vision-Exp、Qwen3.8-27B、Qwen3.8-Flash-Next、GLM-5.3 和 GLM-5.3-Flash，Unsloth 的 Qwen3.8-27B GGUF 下载已经过了 1000 万，说明本地跑开放模型的需求是真的，只是绝大多数人跑的是 27B 量化版。

和昨天微软 Project Zenith 那台 64 GB 起步的开发机放在一起看，本地推理市场正在分成两档：几千美元的消费盒子跑 30B 级，十几万美元的研究工作站跑万亿级。中间那档，也就是几万美元跑 200B 到 700B 的，现在还是空的。

The Register →

奥地利科技学院 DASLab（Dan Alistarh 的组）的发布，两个方法拼起来：GSQ 用 Gumbel-Softmax 松弛同时学每个坐标的网格分配和每组的缩放，把 2 到 3 bit 标量量化和向量量化的差距抹掉大半，但输出还是标准标量格式；RCO 负责给 N 个张量各选一种量化类型，把总大小预算约束改写成 logit 空间里的黎曼流形，直接在任务损失上做梯度优化，预算精确满足，不用调约束相关的超参。产物是普通 GGUF，llama.cpp、Ollama、LM Studio 直接跑，附 BF16 的视觉投影器，另有带多 token 预测头的 -mtp 版本供投机解码，大 0.35 GB。

数字对着 BF16（53.8 GB）看：IQ3_S 3.50 bpw、11.8 GB，AIME25 100.00、LiveCodeBench v6 85.71 都和原模型一样，GPQA-Diamond 89.39 差 0.51，体积缩小 4.6 倍；IQ3_XXS 3.00 bpw、10.1 GB 也是 AIME25 满分；最小的 IQ2_XS 2.50 bpw、8.4 GB，和同样 8.4 GB 的 Unsloth UD-IQ2_S 比，AIME25 96.67 对 86.67，GPQA 84.85 对 76.26，LiveCodeBench 76.57 对 72.00。五个零样本任务的恢复率全部不低于 100%。

这说明低比特量化的质量现在取决于“比特怎么分配”而不只是“用什么格式”，同样的 GGUF 容器，按张量敏感度搜索出来的分配能把 2.5 bit 做到能用。仓库把每个文件的逐张量分配表和 imatrix 都放出来了，可以审计。一个提醒：AIME25 只有 30 题，差 3.33 分就是一道题，小基准上的“一模一样”别过度解读。

Hugging Face →