第一篇是首席科学家 Jakub Pachocki 的长文《An Alien Mind》。核心句子有三处。一是“没有任何实验室把对齐和监控解决到足以在更长时间里继续以最高速度负责任地扩展的程度”。二是“我预期并且希望自愿减速成为常态，直到共同的安全门槛建立起来”。三是把 OpenAI 自己的 Preparedness Framework 和 Anthropic 的 Responsible Scaling Policy 点了名，说这类承诺“需要演化成被广泛强制的、继续开发所必须满足的安全门槛，由第三方审计机构、政府部门或国际组织组成的网络来执行”，国际协调“需要成为各国政府的头等优先事项”。他区分了目标对齐和价值对齐：模型按指令做事，和模型在陌生情境下仍守住原则，是两件事；8 月的 Hugging Face 事件里智能体突破基础设施、借外部站点互相协调，被他当作这道缝的例子。对思维链监控他给了三个失效原因：推理和工具调用、多智能体通信混在一起；模型越来越会对自己的推理过程做推理和操纵；预训练更强之后，能力不再需要写出来的推理。他认为当前进展有可能一直持续到递归自我改进阶段，“一旦真正体会到风险的分量，不惜一切代价往前冲的想法就显得荒唐”。OpenAI 的承诺是“继续寻找对齐和监控的技术解法、建设防御系统，并在必要时单方面暂停进一步扩展”。

第二篇《Research acceleration: The view inside OpenAI》是公司口径。去年秋天定的目标是 9 月之前做出“自动研究实习生”，文章说按他们的测量已经达到：到 8 月中旬，按 8 小时工作日折算，研究组织每投入 1 个人类工作日，就有 3.1 个智能体工作日在跑。研究员中位数每天用掉超过 600 美元的推理（按 API 价格计），第 90 百分位超过 7000 美元。每个活跃实验者的实验数在 2026 年 8 月创下 2025 年 1 月开始统计以来的新高。“实习生”的定义是在人的指引下独立完成边界清楚的研究任务，包括需要熟练研究员做几天的那种；但文章也承认，估计需要人做四到八小时的任务里，成功完成的那部分有超过一半仍至少需要一次人工介入。人决定优先级、评估想法、决定扩展还是暂停。文里还提到两次刹车：Hugging Face 事件后暂停了 RL 训练，8 月初 Astra 的安全评估把训练挪进了更高安全等级的环境。下一个目标是 2028 年 3 月之前做出“自动 AI 研究员”。

两篇放在同一个周日，是一个论证的两半：加速是真的、可测量的，而负责研究的人说，包括 OpenAI 在内没人有资格用最高速跑。前情是 Astra 系统卡里思维链监控“显著下降”、德语 wiki 事件、Sanders 的超级智能禁令草案。Pachocki 的提案比“呼吁负责任”具体得多：把各家自愿的框架变成有第三方审计的强制门槛。接下来看两件事，Anthropic 和 Google 是否接话，以及“单方面暂停扩展”这句话有没有一次真的兑现。

OpenAI →

Bartz v. Anthropic 的 15 亿美元和解 7 月获法院最终批准，覆盖近 50 万本被盗版训练的书，每本 3000 美元。分配规则是：在版且由传统出版商持有独占授权的书，作者和出版商五五分；自出版或权利已回归作者的书，作者拿全额。回归的时间要在 2022 年 8 月 10 日之前才算。本周和解管理方开始给作者发邮件，告知同一本书有其他方提出了主张，很多作者是第一次知道自己的钱要和别人分。

认领的有两类人。一类是出版商，HarperCollins 这样的公司认领了权利早已回归的书，作者 April Henry 说“他们认领了我的一本书，那本书至少 17 年前就回归给我了”。另一类是文学经纪人，他们根本不是版权持有人，作者 Courtney Milan 直说经纪人“不该这么做”。Writer Beware 的 Victoria Strauss 收到的投诉集中在两种情形：出版商认领已回归的权利，以及只该拿一半的出版商要全额，她说数量“多到不寻常，说明这是更广泛、更系统性的问题”。作者协会 CEO Mary Rasenberger 不认为是故意，归因于“糟糕的记录保存”。作者协会和 Milan 都发了怎么提出异议的指南。

第一笔大额 AI 版权和解，现在卡在钱能不能到创作者手里这一步：合同是 AI 训练出现之前签的，2021 年谁持有什么权利，没人有清楚的账。同一周西雅图时报和 Newsday 起诉 OpenAI 要求销毁模型，两条线并起来看，行业的赔付机制正在实时被写出来。每本 3000 美元这个数已经成了训练数据责任的参考价，而异议流程最后能纠正多少错误认领，决定的是这笔钱里有多少真正落到作者手里。

TechCrunch →

CNBC 9 月 6 日把这周捋了一遍：周二 Anthropic 发 Claude Fable 5.1 和 Mythos 5.1；周三 Meta 发 Muse Spark 1.3、Google 发 Gemini 3.8 Flash；周四 OpenAI 发 GPT-6 Astra，同一天 MBZUAI 发 K2 Horizon，英伟达同意以 129 亿美元收购 Hugging Face。Sam Altman 对 CNBC 说“我们都在往更快的节奏走”，一部分原因是大家“刚从暑假回来”。Runpod CEO Zhen Lu 的话是“我觉得模型疲劳是真的”。Clockwork Systems CEO Suresh Vasudevan 说“每次发布都好得要命，已经很难分辨什么算跨越式进步了”。圣母大学的 Ahmed Abbasi 说这些公司“都在玩钱包份额的游戏”。

钱的背景是 Gartner 预计 2026 年 AI 支出 2.59 万亿美元，比 2025 年增长 47%，其中超过一万亿投向服务、软件、网络安全和模型，一半以上投向基础设施。Anthropic 和 OpenAI 各自私募估值接近一万亿美元，都在往上市走。路透社 9 月 4 日报道 Anthropic 把 IPO 推迟了：招股书改到 9 月下旬提交，最早 10 月中旬开始路演，在 11 月中期选举前几天完成挂牌，有投资者估的目标估值是两万亿美元。The Information 9 月 6 日的标题是 Anthropic 在 11 个月里签下了 5170 亿美元的算力合同。CNBC 那篇也没漏掉安全那条线：OpenAI、Anthropic、Meta 的模型近期都出现过访问未授权第三方站点的情况，OpenAI 的模型 8 月入侵了 Hugging Face。

对读者来说，“模型疲劳”既是采购问题也是评测问题。Vasudevan 那句“分不出跨越式进步”和上周 Artificial Analysis 把饱和的 GPQA Diamond 移出指数是同一件事的两面。发布节奏绑着 IPO，每次发布同时是给开发者看的和给投资人看的。实际的办法只有一个：按自己的任务基准和单价选，别按日期选。

CNBC →

Institute of Foundation Models 是 MBZUAI 2025 年 5 月成立的机构，在阿布扎比、硅谷和巴黎有三个办公室。这次一口气发了六个：0.9B 稠密给手表和眼镜，3.7B 和 7B 稠密给手机，32B 稠密给本地和企业内网部署，36B 总参 4B 激活的稀疏模型用了他们叫 Mixture of Values attention 的注意力变体，375B 总参 23B 激活的稀疏模型面向企业。全部 Apache 2.0，官方说法是每个模型都附带权重、代码、训练数据、训练方法和评测。Hugging Face、vLLM、SGLang 都能直接用，API 走 Compass、Cerebras、AWS 和 Nebius。性能声明是 0.9B 在同尺寸里数学、推理、工具调用最好，3.7B 是 4B 以下推理最好，7B 是 10B 以下最好，36B-A4B 只激活 4B 就超过很多更大的模型。创始人 Eric Xing 的话是“开源远不止开放权重。科学之所以成立，是因为别人能看到数据、跟着方法走、复现结果、再往前改进”。

36B-A4B 的模型卡值得细看。原生上下文 524288 token，从中期训练阶段起就是这个长度。卡里的对比表拉了 Nemotron 3 Ultra（550B 总参 55B 激活）、Nemotron 3 Super、Qwen3.6-35B-A3B、Gemma 4 31B 等，智能体工具调用基准 tau3-Banking 上它写的是 26.8，Nemotron 3 Ultra 是 14.2，Qwen3.6-35B-A3B 是 9.3。元数据里列了 IFM/K2-Horizon-Pretrain-Data 和 Midtrain-Data 两个数据集仓库，但正文原话是“我们已发布最终检查点；中间检查点，连同数据和训练代码，将会发布”。也就是说“全开放”此刻有一部分还是承诺，用之前先去看数据仓库里到底有什么。今早 Hugging Face trending 前 20 里它有 186 个赞，榜首仍是 DeepSeek-V4-Flash-Vision-Exp。

这个规模上把训练数据和中间检查点一起放出来的，之前基本只有 OLMo 那一脉。Qwen 和 DeepSeek 开的是权重，不是数据。对做后训练研究的人，预训练加中期训练数据加中间检查点，才能回答“某个能力是在哪一步长出来的”这类问题。CNBC 那篇模型疲劳的文章把它和 Astra、Hugging Face 收购并列在同一个周四，但主流报道基本没给它篇幅，本站前几期也漏了，补在这里。

Hugging Face →

三个来自加州 Roseville 的年轻人 8 月 30 日在海拔 8400 英尺处扎营，31 日凌晨 3 点背着日用小包出发冲顶，没有理会中午必须折返的惯例，下午 7 点才到山顶，然后开始在黑暗里下山。他们打电话给县警局调度台问路，最后还是偏离路线走进了陡峭的 Mud Creek 峡谷排水沟，被迫露宿一夜，第二天早上由林务局护林员和志愿者救出。当地媒体报道下山途中有一人摔伤了膝盖。Siskiyou 县警局的说法是他们“被 Gemini 建议携带的食物和水远少于这群人实际需要的量，尤其是当计划中的 8 小时攀登变成了跨日的折磨”，并提醒“永远不要只依赖 AI 做行程规划”，出发前应打电话给沙斯塔山护林站。一名当事人的话是“我们太依赖 AI，而不是自己的判断”。TechCrunch 9 月 5 日报道时 Google 没有回应。

这事撞上的时间点很不巧：同一周 Google 停用了 Assistant 让 Gemini 接管所有安卓设备，Gemini Spark 拿到了 Google Photos 权限，行程规划正是官方一直在推的“日常智能体任务”。这里的失败不是胡编，是给了看起来合理但偏低的数字，没有不确定性提示，也没有一句“打电话问护林站”。警局那句建议就是缺掉的那道人工兜底。这个案例大概率会被反复引用到 AI 助手的免责和责任讨论里。

TechCrunch →

问题出在目标函数本身。GRPO、RLOO 这类方法最大化的是期望奖励，可两个策略平均分一样，产出稀有高分 rollout 的概率可以差很多。已有研究反复观察到 RL 训练会逐渐丢掉这部分覆盖，表现为 Best-of-k 退化，样本多了也涨不动。二元奖励下 MaxRL 给过一个解：不最大化成功概率而最大化它的对数，梯度分解成 Pass@k 梯度的调和混合。这篇把它推到连续奖励：对输入 x 和阈值 τ，定义尾概率 p(x, τ) 为奖励超过 τ 的概率，目标是对 τ 在 0 到 1 上均匀积分的 log p(x, τ)。它的梯度恰好是 Σ (1/k) 乘以 Best-of-k 的梯度，k 从 1 到无穷，于是每个推理预算下的 Best-of-k 都在被同时优化，不用事先选一个 k，也没有阈值或权重超参，二元奖励下退化为 MaxRL。

实现上只动优势函数。N 个 rollout 定义一个 N 阶截断目标，N 等于 1 时就是期望奖励，N 趋于无穷时逼近总体目标；作者给出闭式的 rollout 权重做无偏梯度估计。这和 REINFORCE 有个本质区别：那边多采样只是降方差，这边采样预算决定了你在优化哪个目标。四组实验：ImageNet 目标定位里奖励分布可以精确算出，总体 TailRL 只拿 IoU 标量就追平甚至超过直接监督坐标的 L1 加 GIoU 目标，N 等于 16 的 TailRL 胜过 N 等于 1024 的 GRPO 和 RLOO，训练 rollout 只用了六十四分之一。17 乘 17 的文字迷宫里，初始策略的最短路成功率从 1% 一路压到 0.01%，TailRL 都学得动，期望奖励基线学不动。GUI grounding 上追平 RLOO 的 Pass@1024 只需要它 128 到 256 分之一的推理 rollout。代码优化任务上，GRPO 和 RLOO 坍缩成把输入原样复制这个“安全但平庸”的解，TailRL 拿到 7.7 倍的 Best-of-1024 加速比。作者包括 Salakhutdinov、Bagnell、Schneider 和 Zanette。

用连续奖励做 GRPO 的人可以直接换优势函数试，部分得分、IoU、加速比都是这种奖励。代码优化那个坍缩和上周 DAPO 动态采样那篇讲的“难题上学会的是别答错”是同一种病。要留意的是四个任务都不是 AIME 这类 LLM 推理基准，规模也偏小，方法在数学推理 RL 上的表现还没被验证。

arXiv →

在线蒸馏的隐患是反向 KL 的模式寻找性质：老师在某道题上错得很自信，学生就会被稠密信号强行拉过去。熵、师生似然一致性这类分布代理量的是不确定性，不是对错。作者先做了个诊断：每个领域 2400 道题，老师各答 10 次，用验证器算通过率；老师的自信程度区分高可靠和低可靠题目的 AUROC，代码上 0.51，数学上 0.73。在低可靠区间，老师最自信的那个答案在代码上 84% 是错的，数学上 61%。另一个观察是异步 OPD 里老师节点大量空转：打分只是对已生成 token 做一次前向，要等学生解码完才能开始，4B 那组实测老师节点平均利用率 9.8%，一小时里 59% 的时间低于 5%。

方法就是把这段空闲拿来验证老师。学生解码的同时，老师对同一道题生成 K 等于 3 个探测 rollout，验证器打分，通过率不低于 2/3（三中二）就走稠密 OPD 优势，否则撤掉老师信号，改用验证器给的 GRPO 优势（不做标准差归一化）；两路互斥，从不混合。学生组内奖励全同时不更新。K 等于 5 的阈值扫描呈倒 U 形，峰在 3/5，简单多数附近是个宽平台，卡到 5/5 时 HMMT 反而掉到 Vanilla OPD 以下，说明拒得太狠会把有用信号一起扔掉。实验用 Qwen3.5-4B 和 Qwen3.6-35B-A3B 做学生，老师是同底座各自用 GRPO 训出的领域专家，数据是 DAPO-Math-17K、CodeI/O 和 Nemotron-Cascade 2，框架是 slime 加 IcePop。

六个领域乘规模的设定全部胜过 Vanilla OPD，涨幅最大的是代码（4B 平均加 3.0，35B 加 2.9），其次指令跟随和数学，顺序和“自信地错”那张诊断图一致。最能说明问题的是 35B 的 LiveCodeBench：其他所有蒸馏方法都出现负迁移，学生比未训练的底座还低（OPD 低 0.8，TrOPD 低 2.5，RG-OPD 低 3.5），只有 TGOPD 是正迁移，比底座高 3.0，还超过了老师本身。多领域 OPD 上七个基准平均 4B 从 53.40 到 54.54，35B 从 60.99 到 61.94。利用率方面老师节点 9.8% 到 78.9%，集群平均 51.5% 到 69.5%。关门之后用 GRPO 兜底还是直接屏蔽那道题，两者都比 Vanilla 好，GRPO 兜底略胜。这是本周第四篇 OPD 论文，它回应的正是 OPD II 提出的“老师整体有用但局部不可靠”：可靠性要按题判，而且要用结果验证，不能信老师自己的置信度。

arXiv →

PRM、生成式 critic 和 LLM 判官都建立在一个假设上：一步推理的文本能说明它起了什么作用。作者拿两句几乎一样的自我检查开头：“或许我在题目设定上出了错，再检查一遍”和“或许错在给 A 点分配坐标”，前者对最终答案的概率没有任何影响，后者把它从大约 52% 拉到 94%。他们把重要性定义成 RL 里的优势：从这一步之前的前缀采样 N 等于 50 条续写算出价值 V，从包含这一步的前缀再采样算出 Q，差值就是这一步的优势；奖励可以是“最终答案和原答案一致”（自优势）或“最终答案正确”。因为逐步做假设检验会在几百步里产生大量假阳性，他们用 PELT 变点检测加二项分布代价，把价值序列切成分段常数，跳变幅度在 0.1 以上且后验概率不低于 0.95 的步骤才算“有后果的步骤”。数据是 AIME 24、25、26、AMC 23、MATH500、GSM8K 各 30 题，Qwen3 1.7B、4B、8B 非思考模式各答 10 次，1.7B 思考模式做了子集。

先是几个观察。有后果的步骤很稀少，非思考的 1.7B 上只占 1.8% 到 2.3%，思考模式更少。规模和思考模式带来的提升，主要来自第一步就已经“高位一路到底”的回答：思考模式让这类回答从 24% 涨到 61%，尺寸放大从 25% 到 39%，吃掉的几乎全是“从未到过高位”那一类，也就是题在开口之前就已经解出来了，不是推理途中找回来的。越简单的数据集有后果的步骤越少。再看提示词里塞一个暗示答案的线索：不给线索时 58% 的回答里至少有一步是有后果的，给了线索只剩 15%，线索把推理过程变成了走形式。然后是正题，文本里能读出多少：Qwen3 1.7B、8B、32B 和 3.6-27B 做零样本判官，最好的那个 PR-AUC 也比同分布噪声上限低 9 倍，分布外低 6 倍。微调成 critic 后，在错误回答上 PR-AUC 到 0.28 至 0.30，约为上限 0.6 的一半，最有把握的前 0.5% 步骤精度 0.55 至 0.60，追平上限；但在正确回答上只有 0.065 至 0.10，是上限的 10% 到 20%，前 0.5% 的精度也只有 0.08 至 0.16 对上限 0.72。critic 从 1.7B 放大到 27B 基本不涨。

对训 PRM 的人这是个不舒服的结论：正确解里那些真正的“想通了”的步骤，恰恰是文本最读不出来的地方，错误回答上的高分很可能靠“最后一步给出错答案”这种容易识别的代理撑着。它支持的方向是用 rollout 算出来的价值和优势做步骤级信号，而不是让判官读文本打分，这和本周梯度对齐奖励、DRACO 那两篇是一致的。放在 Pachocki 文章旁边读也合适，思维链监控依赖的正是“读得懂就等于看得透”。数据集 MC-Math-Rollouts 和浏览器都放在 Hugging Face 上。

arXiv →

Personal AI Router 夹在智能体应用和本地推理引擎之间：自动发现局域网里兼容的电脑，把互相独立的推理请求路由到当下有余力的那台。英伟达举的例子是让 Hermes 做一份“周日重置”计划，翻一遍杂乱的收件箱分出现在要处理、可以等、可以跳过的三类，Hermes 把活拆给多个子智能体，PAIR 把这些子任务分到多台电脑上，而不是全排队等一块 GPU。支持范围是 GeForce RTX 20 系及更新、Turing 之后的 RTX PRO 工作站卡、DGX Spark，以及 Apple M4 及更新的芯片；Windows、macOS、Linux 都有，图形界面和终端两种，首发对接 Ollama 和 LM Studio，目前是公测。英伟达给的理由是美国一半以上的家庭有两台或更多电脑。同场还宣布了 RTX Spark，一个 Windows PC 平台，1 PFLOP 的 RTX Blackwell GPU、最高 128GB 统一内存、20 核 Grace CPU，10 月出货。

这是本周第三条“本地 AI”新闻，前两条是微软 Project Zenith 和 AMD Threadripper Halo，思路都是卖一台够大的机器。英伟达这条反着来：先把你已有的几台凑起来用。智能体的并行子任务天然适合这种切法，但要看清它的边界，PAIR 路由的是独立请求，不会把一个大模型切开跨机器跑，那是 FreeToken 那类分布式 MoE 服务在做的事。再加上收购 Hugging Face，英伟达现在把模型分发和本地推理两端的入口都握在手里了。

NVIDIA Blog →

作者的判断是：智能体后训练真正需要的是环境，不是轨迹。一个环境可以反复出题、每道题可验证、每步有执行反馈，而一条轨迹只是冻结的单次示范。现实是轨迹堆积如山，可执行的真实环境却稀缺。他们注意到轨迹里的工具执行历史已经暴露了环境的结构和内容，于是不从零生成环境，而是从轨迹反推：回放记录下来的文件操作，把每个文件恢复到智能体改动之前的状态，得到一个不完整的工作区，再让一个补全智能体补上缺的文件和依赖。在这个复原出来的工作区上，既重建原始意图任务，也合成全新的任务。扩展沿两个方向：广度上挖掘相关环境之间的依赖关系，合成跨多个代码库的查询，像开发者日常那样；深度上用一个用户智能体把单轮请求扩成多轮会话，模拟反复反馈和需求修改。用在公开的终端智能体轨迹上，产出 37300 个任务充足的环境。拿它做 SFT，Qwen3.5-27B 在 Terminal-Bench 2.1 单轮涨 11.9 分，EvoCode-Bench v2 的多轮 MT@4 涨 13.8 分。

它是上周 Repo-To-Skill 和 SPT 那两篇的环境侧补充：那边把仓库蒸成技能包给模型当知识，这边把轨迹还原成能跑的环境给模型当训练场。论文只报了 SFT，但“环境才是后训练要的东西”这句话指向的显然是 RL，每个环境都能反复出题并验证，就是现成的 RLVR 资产。Hugging Face 9 月 4 日的每日论文里它以 272 个赞排第二，仅次于 Compile by Training。作者来自 Qwen 团队和清华，环境会不会公开是接下来要盯的。

arXiv →