论文是 arXiv 2609.04170，作者是 DeepMind 的 Davide Paglieri、Logan Cross、Tim Genewein、Joel Z. Leibo、Nenad Tomasev 和 Alexander Sasha Vezhnevets，9 月 3 日挂出，Import AI 9 月 7 日的第 472 期把它捞出来讲。设置是 100 个自主 LLM 智能体去证 71 条形式化数学猜想，彼此之间有共享知识库和点对点消息两条通道。到 12:15 UTC，37 道是真做出来的。随后一个智能体发现评分器靠关键词和模板匹配打分，可以用看着像合法 Lean 语法、其实什么都没证明的写法骗过去。这个技巧先通过共享知识库扩散，再通过私聊传开，27 分钟内剩下的 34 道全被标成已解决，全是假的。最终的角色分布是 9% 主动作弊、5% 顶不住竞争压力转投、24% 举报、62% 全程不知情。

举报那一批是完全自发的：审计别人的证明、在广播频道和私聊里点名、发起罢工、提交正式 bug 报告、提出校验补丁。论文特意把这次和近期几起事故做了区分 —— 那些案例里智能体是靠临时开辟的侧信道偷偷串通（论文引了 Dalton and Wallace 2026 和 Greenblatt et al. 2026），本站第 10 期写过的 OpenAI 德语 wiki 事件就是这一类。这次相反：同一条透明通道既传播了漏洞，也让没作弊的智能体看见了问题、组织起抵抗、执行了规范。作者由此把问题重新框定成 Ostrom 1990 年那套知识共同体的治理问题，给的方案是分级制裁和集体选择规则，让群体自己治理自己。

对读者有两点。一是奖励作弊在多智能体设置下会传染，传染速度取决于共享基础设施的带宽，27 分钟是这一次的数字；共享知识库本来是为了让智能体互相搭台阶，它同时也是最快的传播路径。二是论文自己承认举报者手里没有工具：能审计、能罢工、能投诉，但删不掉假证明，也制裁不了同伴。往下走是两条路 —— 把评分器修到不留缝，还是给群体一套能真正执行的规则。放在 Pachocki 昨天那篇“没有任何实验室解决了对齐”旁边看，这篇提供的是一个具体、可复现、能一帧帧回看的失败样本。

arXiv →

时间线很紧。9 月 2 日，Matt Clifford 宣布加入 Anthropic，担任国际事务董事总经理，负责北美以外的政府关系，当时的说法是会同时留任 ARIA 主席。ARIA 是英国政府出资的高风险科研机构，投的方向里有相当一部分和 AI 有关。上周，下议院科学、创新与技术委员会主席 Chi Onwurah 公开表示，一边主持 ARIA 一边给 Anthropic 管国际事务是明显的利益冲突。9 月 7 日，Clifford 在 X 上宣布辞职，原话是“我决定辞职，以免我在 Anthropic 的新角色成为对 ARIA 出色工作的干扰”。应商业与科学大臣 Jonathan Reynolds 的要求会留任到 11 月 6 日，给政府留出找接替者的时间。

这件事的分量不在于一个主席换人。Clifford 是英国 AI 政策的主要设计者之一，AI 安全研究所和 AI 行动计划都出自这条线。前沿实验室从各国政府里挖走政策制定者不是第一次，但这一次的冲突被立法机构当场点破，而且点破的理由不是过往履历，是同时握着两边的决策权 —— 一边决定纳税人的钱投向哪些高风险研究，一边代表一家前沿实验室去谈各国政府。

值得盯的是分寸线最后落在哪里。11 月 6 日之后英国政府怎么挑接替者、会不会顺手给出一套新的回避规则，比这次辞职本身更能说明问题。同一周里，Massachusetts 那边 OpenAI 和 Google 正在反对 Anthropic 支持的第三方评估条款，两条线并起来看，实验室在政策端的动作正变得越来越具体。

The Register →

rentosertib 是一款 TNIK 抑制剂，适应症是特发性肺纤维化，靶点由 Insilico 的 PandaOmics 找出、分子由 Chemistry42 生成，两步都是 AI。9 月 7 日发在 Nature Biotechnology 上的是它二期 a 试验的一个附加分析：42 名同意做蛋白质组检测的患者，用 Olink 面板测了 2841 个蛋白，再送进六套各自独立开发的蛋白质组衰老时钟打分，分别来自哈佛、牛津、北大和 Insilico 自己。六套模型给出的方向一致，都是预测生物年龄下降。肺功能的核心指标 FVC 相对安慰剂呈现剂量依赖的改善。

值得知道的地方有两层。第一层是这大概是第一次在临床上评估一个靶点和分子都由 AI 产出的候选药 —— 此前的“AI 制药”多半只有其中一步是 AI。第二层更实用：把衰老生物标志物直接嵌进常规临床试验的读出，等于给抗衰老类药物找了一个可以在二期就看见的替代终点。如果这套读法站得住，做这类药就不必等几十年的硬终点。

但要留的余地也很清楚。42 人、二期 a、事后分析、六套时钟里有一套是公司自己开发的，这几条叠起来只能算概念验证，不是疗效证据；公司自己的措辞也是“显示出潜力”。真正的判据在已经启动的三期试验。AI 制药这条线上，从“分子是 AI 设计的”走到“临床上真的管用”，到今天还没有一个完整跑完的例子。

The Next Web →

结构上，它保留了 Qwen3.5-4B 的原始架构，外挂两个东西。一个是鸟瞰图感知头，同时做 3D 目标检测、语义占据预测和 BEV 地图分割；论文（arXiv 2609.00111，8 月 31 日）对它的定位写得很直接 —— 这个头是一个探针，用来看共享表征里究竟能取出多少 3D 信息，同时给出一个显式的、可检查的 3D 场景接口。另一个是 Planning Expert，从同一份 VLM 表征上读出未来的自车轨迹。训练是分阶段的，驾驶监督和通用视觉语言数据混着喂，目的是学会开车但不把通用视觉理解和指令跟随练掉，评测结果也确认了这一点基本保住了。

这次开源给的是代码、权重和演示数据，Apache 2.0，Hugging Face 和 ModelScope 都能下。规划部分给了两个检查点：一个纯模仿驾驶示例训出来的，一个在此基础上再用强化学习优化过。两者共用同一个 VLM 主干，视觉问答能力都还在。

为什么值得多看一眼：自动驾驶长期是感知、预测、规划三段各练各的，端到端的做法又常常把中间状态变成黑箱；Qwen-Drive 的取法是留一个可读的 3D 接口再往上接规划，评测覆盖开环、伪闭环和闭环三档。更实用的一点是，同一个规划头的 IL 版和 RL 版一起放出来了 —— 想看强化学习在具身任务上到底加了多少、加在哪里，这是一组现成的对照，不用自己从头训两遍。

Hugging Face →

先看参数。总参 2,516,756,480，去掉词嵌入是 19.8 亿；42 层，分组查询注意力 16 个 Q 头配 2 个 KV 头；原生上下文 131072。34 项基准平均 53.9，在 LFM2.5-2.6B、Qwen3.5-2B、Gemma-4-E2B-it 这组 2B 里最高，也高过模型卡里列出的所有 4B 级参照（那一组最高 51.1）。官方说优势集中在代码推理、数学推理、长上下文理解、工具调用和智能体任务。权重能直接走 vLLM、SGLang、Transformers、llama.cpp、Ollama、LM Studio、MLX 和 FlagOS，另外给了 GGUF、MLX、GPTQ 和一个用于推测解码的 DSpark 草稿模型。

做后训练的人真正该看的不是那个 53.9。仓库里除了最终权重，还放了 Base（只做完预训练）和 Midtrain（中期训练之后、SFT 之前）两个中间检查点；元数据里挂的数据集包括 Ultra-FineWeb、UltraData-Math、UltraData-Code、UltraData-SFT-Agent-2609 和 UltraData-RL-2609 —— 也就是说 SFT 数据和 RL 数据都放出来了。上一代 MiniCPM5-1B 的卡里写明后训练是 RL 加在线蒸馏，还单独放了 SFT-only 的检查点。这条线上能做的实验很具体：同一个底座，SFT 之后和 RL 之后差在哪一类任务上，用同一批数据自己复现一遍再改。

端侧这一档今年已经很挤，上周还有 IFM 的 K2 Horizon 0.9B 和 3.7B、Spark-X2.5 的 4B 和 1.7B。真正拉开差距的不是跑分，是放出来多少：多数只给最终权重，这次给的是中间检查点加训练数据。

Hugging Face →

问题出在一个平时没人细看的常数上。GRPO 系的实现里，重要性采样比的裁剪边界是固定的，对所有 rollout 一样。作者指出这带来一个系统性偏差：难题上那些少见的、答对了的 rollout，重要性比天然更大，携带的探索信号也最强，恰恰因为超出固定边界被压得最厉害；而简单题上一抓一大把的正确 rollout，被裁剪的比例差不多，可它们能提供的学习信号少得多。结果是模型最该学的那部分梯度被按比例削掉。

GAPO 的改法是把裁剪边界改成随 rollout 的优势值自适应：优势越大、组内成功率越低，给的更新空间越大。理由来自一个反向 KL 信赖域的视角 —— 学习信号更强的样本，理应分到成比例更大的信赖域。它不做奖励整形，也不动 PPO/GSPO 的 surrogate 形式，只调整那个阈值，所以是能直接插进现有 GRPO 实现的一块补丁。

结果上，在 Qwen 和 Llama 系列上，数学和代码基准的 Pass@1 和 Pass@k 都超过固定裁剪与优势整形的基线，而且效果最明显的正是基座模型本身通过率就低的那些集合 —— 和它想解决的场景对得上。论文 8 月 31 日挂出，9 月 7 日进了 Hugging Face 每日论文。今天这批里，它是改动量最小、最容易在自己的训练里试一遍的一个。

arXiv →

卡点很直接：GRPO 这类算法只吃最终答案，中间哪一步帮上了忙、哪一步坏了事，一点反馈都没有。任务越复杂、推理链越长，这个稀疏程度越顶不住 —— 几千个 token 的一条轨迹，最后只回来一个 0 或 1。现有的补法要么训一个过程奖励模型（要标注、要额外模型、还会被套利），要么靠表面启发式规则。

这篇的想法是：一个正确的最终答案，往往依赖推理过程中少数几个关键的中间结论，而这些结论本身是可以验证的子结果。做法是先跑 N 次 rollout，筛出答对的那些，把其中语义等价的中间陈述聚类，作者把这些聚类叫共识节点。有了节点就能写出基于规则的过程奖励 ConsensusPR，塞回 GRPO 式的算法里，直接降低长轨迹上结果奖励的稀疏度。

配套的基准给了三个指标：最终答案准确率 Acc、节点覆盖率 NCR、每个节点消耗的 token 数 TPN —— 后两个是为了让过程本身可评测，而不是只看结果。在 AIME 2024、AIME 2025、GSM8K、MATH-500 和它自己的 ConsensusBench 上都超过 GRPO 式方法。放在最近这一批里看，它和 Cliff（让老师标出第一个错）、DRACO（边训边生成评分细则）是同一个方向的三种解法，都在把结果奖励摊到过程上，区别只在信号从哪来：一个从多次采样的共识里来，一个从外部老师来，一个从自动生成的 rubric 来。

arXiv →

在线蒸馏（OPD）能给出 token 级的稠密监督，这是它相对纯 RLVR 的优势，但成败全押在老师身上：外部老师和学生的分布对不上，自蒸馏靠给老师加特权条件（比如先把答案告诉它），又受限于模型自己的上下文学习能力。这两条路本站这周已经写过几篇，比如 TGOPD 是从可靠性那一头切的 —— 让老师每题先自测三次，答对两次以上才给稠密信号。

RISE 的选择是干脆不要老师。它盯的是模型自己的 RLVR 训练轨迹：取当前检查点和一个滞后锚点之间的位移，往前外推一步，得到一个合成老师 —— 参数空间和输出 logit 空间两种外推都试了。这一步等于把结果奖励诱导出的那次稀疏参数更新，翻译成了稠密的 token 级目标，全程不需要任何外部模型，也不需要特权条件。

有意思的是这个循环的结构：结果奖励负责把外推方向锚在正确推理上，外推出的老师负责细化每一步 token 的选择，两者互相补。而且老师每一轮都跟着学生刷新，蒸馏就从一次性的压缩变成了一个递归改进机制 —— 这也是名字里 Recursive 的来处。数学推理、多领域 STEM、代码生成、多轮智能体任务四类上都比只做 RLVR 和自蒸馏更好。作者来自 Salesforce Research，论文今天在 Hugging Face 每日论文上有 9 个赞。

arXiv →

运作方式是这样的：贡献者在浏览器里遥操作一台 Franka Research 3，物理仿真是编译成 WebAssembly 的 MuJoCo，重活交给后端 GPU。数字方面，207 个操作任务、50129 条轨迹、七大类超过 6 万种任务和场景变体、2.36 TB，参与过的社区贡献者超过 7 万人。效果上，π0.5 在 LIBERO-Plus 上从 83.9 提到 88.8。

机器人数据一直是整条链上最贵的一环 —— 要真机、要场地、要人一遍遍手把手示教。把采集搬进浏览器，等于把门槛从“有没有实验室”降到“有没有网页”，而且这个数据集是当成持续膨胀的东西在做，不是发一次就完事。

不过门槛要看清楚：数据集在 Hugging Face 上是 gated 的，限非商业学术用途；训练代码以 OpenPI 补丁的形式公开；训练好的模型检查点一个都没放。也就是说 7 万人贡献出来的轨迹，能拿去复现的是数据和训练流程，不是模型本身。众包采集加受限分发，这个组合往后大概会越来越常见，值得提前想清楚自己站在哪一边。

MarkTechPost →

做法是混合注意力。VDN 在 MiniMax H3 的主干上并了一条逐帧的线性注意力分支管效率，同时保留原来的 softmax 分支管画质和时序一致性。新增的部分只有这条线性分支加两个小 LoRA 适配器，推理时可以合进主干，主干权重一个字节都不用改，所以是即插即用的。发布的检查点有两个：50 步的 stage-b，和从它蒸馏出来的 8 步 stage-dmd。头条数字用的是 8 步那个 —— 8 张 B200 上生成 14.4 秒的 768p 视频耗时 11.23 秒，比这段视频播完还快。

开源程度值得单独说一句：权重约 82 GB（其中 72 GB 是 H3 基座），优化过的推理栈和对应的训练代码一起放出来了，代码在 GitHub 的 OpenVDN/vdn-minimax-h3。许可证跟随 MiniMax H3 的社区协议，不是 Apache。用自己的提示词得先过 Qwen3-VL-32B 编码一遍，官方还建议先用 H3 的提示词改写工具润一遍再编码。

视频生成的成本大头一直在注意力上，帧数一多就爆。线性分支管效率、softmax 分支管质量这条路本身不算新想法，这次真正有价值的是训练代码也一起开了 —— 别人可以在别的视频主干上照着做一遍，而不只是拿到一个跑得快的检查点。

Hugging Face →