这场集会最值得看的是台上站着谁。9 月 15 日，未来生命研究所（FLI）在华盛顿主办 Pro-Human Assembly，进步派参议员 Bernie Sanders 和特朗普的前首席策士 Steve Bannon 前后脚上台，中间只隔了十几分钟；同场还有演员 Joseph Gordon-Levitt 和 Ashley Judd，日程上列着共和党众议员 Chip Roy。集会围绕的是 FLI 牵头的 Pro-Human AI Declaration：人要能控制并关停强大的系统，限制技术权力集中，不给 AI 法律人格，开发和部署 AI 的公司要承担法律责任，超级智能在科学上证明可控、并获得公众支持之前不该推进。

Sanders 在台上又推了一遍他和众议员 Greg Casar 月初公布、至今还没正式提交的禁止超级智能法案（条文本站 9 月 5 日那期写过）。他的原话是，超级智能“和核武器一样是对人类的威胁，必须同样对待”；他批评国会“在方向盘前睡着了”，还建议特朗普在即将到来的与习近平的会面上谈一份 AI 条约。

Bannon 的角度完全不同。他说 AI 公司的领导者一直在掩盖危险，想“把风险社会化”，利润留给自己；更尖锐的一句是，这些公司想“利用一场危机为自己谋利，造一条护城河，一个卡特尔”。他把这场 AI 竞赛比作冷战，同时夸 Sanders 对风险的概括“讲得很好”。

接着上期看，这是反对声的第三个方向。实验室自己提“放慢前沿”，白宫嫌它碍事，北京说它制造恐慌；而这场集会上的左右两翼，不信任的是实验室本身。两人的分歧也藏在这里：Sanders 要的是暂停加立法禁令，Bannon 担心的是安全规则被头部公司拿去挡住后来者。同一天，OpenAI 表态支持两党 FRONTIER Act 里由独立第三方做安全评审的条款。

NBC News →

这个提议不谈要不要放慢，谈的是谁来检查。Musk 在洛杉矶的 All-In 峰会上说，与其“自己给自己的作业打分”，不如“至少让竞争对手来给你的作业打分，发现问题就拉响警报”。具体做法是各家拿出自己的测试集，也就是一批专门检验模型会不会撒谎、泄露数据、做坏事的脚本化提示，在对手的模型发布前跑一遍。他点名的参与方有 xAI、OpenAI、Anthropic、Google、Meta 和中国的主要 AI 公司，也承认这些对手目前都还没答应。

中国在他的方案里是前提，不是点缀。他说任何方案都得是中国愿意接受的，“否则我们只是在自缚手脚，中国基本上会赢，我们做什么都无所谓了”，同时判断这一步“中国大概会同意”。Musk 此前和 Altman 一样公开支持了 Amodei 放慢前沿的主张，但在中国这一点上两人的思路正好拧着：Amodei 主张继续限制对华出售先进芯片，把中国当作要防的一方；Musk 想把中国公司拉进同一套检验流程。

落地的难处不难想见。互测意味着把还没发布的模型交给直接竞争对手，商业机密是一层；换成中美公司之间，还要过出口管制和国家安全这一层。华盛顿的态度也不热络：特朗普周一刚拒绝了监管 AI 的呼声，国家经济委员会主任 Hassett 表示，应对 AI 的担忧应由私营部门来主导。

Investing.com（Yahoo Finance 转载） →

权重 9 月 11 日就悄悄出现在 Hugging Face 上，没有博客也没有发布会；9 月 14 日技术报告挂上 arXiv，来龙去脉才讲清楚。底座是 744B 参数的 MoE 模型 GLM-5.2，上下文 256K，只接受文本输入，另有 FP8 量化版，代码和权重都是 MIT 协议。

对做后训练的人，值得看的是训练数据怎么来。报告里叫 Verifiable Experience Pipeline：每个训练任务都接到真实的执行环境里，模型观察状态、调用工具、产出中间产物、根据反馈调整；轨迹和产物一起记下来，最终结果用可执行测试、指标或人定的标准从外部核验；不完整或行为不合规的样本在整理时剔掉，失败分析再反过来指导下一批任务怎么出。

成绩单是自报的，表里空格也不少。拿到最高分的 5 项偏搜索和工具调用：DeepSearchQA 96.0，BrowseComp 92.5（GPT-5.6 Sol 92.2，Claude Opus 5 90.8），BFCL v4 77.0，AutomationBench 53.8，CyberGym 86.5。编码和交付就差得远：SWE-bench Pro 59.6 对 Opus 5 的 74.7，Terminal-Bench 2.1 是 78.3 对 90.2，JobBench 50.3 对 68.0。有个细节挺有意思：它的底座是 GLM-5.2，却在 BFCL v4、AutomationBench、CyberGym 上超过了更新一代的 GLM 5.3，SWE-bench Pro 和 Terminal-Bench 又输给 GLM 5.3，强弱分布看起来跟后训练侧重的方向对得上。

报告后半段是一份人机协作记录：开发这个模型的过程中，56 名参与者留下了 769 条任务记录。参与者评估后认为，33.2% 的 AI 辅助任务没有 AI 做不成；agent 提出了大部分方案和实现，但方法和参数选择里 85.5% 的最终决定仍由人来做，76% 的卡点靠人介入解决，而且主要是澄清需求和诊断问题，不是直接接手。

Hugging Face →

实时语音 agent 一直卡在一个矛盾上：想答得准就得多想，可对话里停顿一两秒就像卡住了。Gemini 3.8 Live Extended Thinking 的做法是边说边想，推理的同时先回一句“我查一下”这类口头承接，API 调用和后台任务在说话时继续执行，不打断对话。另一款 3.8 Live 走性价比路线，主打流畅对话和视觉理解。两款都能在 97 种语言之间自动识别、中途切换，并近乎实时地处理画面输入。

Artificial Analysis 的 Speech to Speech Quality Index 上，Extended Thinking 版 82.6，GPT-Live-1 Astra 81.5，Grok Voice Think Fast 2.0 81.3，标准版 3.8 Live 是 76.0。偏 agent 能力的 τ-Voice 上是 68.6 对 67.9 对 56.5，领先 OpenAI 不到一个点。

价格拉开的差距比分数大。据 OfficeChai 整理的每小时输入音频成本，3.8 Live 0.84 美元，Extended Thinking 3.50 美元；GPT-Live-1 Astra 5.83 美元，Grok Voice Think Fast 2.0 4.80 美元。也就是说，Google 用更低的价格拿到了略高的分数；标准版又比 Extended Thinking 便宜四倍多，对量大、不需要复杂推理的场景更划算。

开发者今天起可以通过 Gemini API 和 Google AI Studio 使用，Gemini Enterprise 是私有预览；普通用户会在 Search Live，以及 Pro、Ultra 订阅的 Docs、Gmail、Keep 里遇到它。所有生成的音频都带 SynthID 水印。

Google 博客 →

策略镜像下降（PMD）是一种理论上很干净的策略更新方式：在提高优势的同时，用 KL 把新策略拴在旧策略附近。问题在于，直接搬到语言模型上，需要每个中间状态的优势，也就得再训一个价值模型。显存和算力多花一份，而价值估计在推理任务上本来就不准。GRPO 这类 critic-free 方法绕开了价值模型，代价是把整条回答的优势广播给每个 token，再靠 token 级比率加硬截断控制更新幅度。

BPO 的观察是，奖励只在终点给的时候，优势沿轨迹可以逐项抵消。每一步的优势等于相邻两个状态的价值之差，把整条回答加起来，中间项全部消掉，只剩验证器给的终点奖励减去这道题的初始价值，而后者用同组 rollout 的平均奖励就能估。作者证明，这个轨迹级目标在旧策略可达的状态上，和原始 PMD 目标有同一个唯一最优解。

落到实际损失上，GRPO 的重要性比率 π/μ 换成了一个错配修正权重 ω = (1+ε−μ) / (1+ε−π)，用的是互补概率。当前策略对某个 token 的概率逼近 1 时分母趋于零，所以加了 ε 做平滑。和 GRPO 在区间外把梯度直接置零不同，它是连续的，梯度不会被整段切掉。

实验在 Qwen3-30B-A3B-Base 上跑，数据是 DAPO-Math-17k 的英文子集，400 步，每批 256 道题、每题 16 条回答。AIME 2024、2025、2026 的 Avg@32 分别是 57.4、41.0、53.0，均分 50.5；CISPO 47.4，DPPO 46.4，GSPO 43.5，GRPO-ClipHigher 39.5。表里报的是挑出来的峰值检查点，训满 400 步的最终值是 49.4 对最强基线的 45.5，差距仍在。局限也要看清：评测只有数学，敏感性消融只在 Qwen3-4B 上做过。

arXiv 2609.15987 →

先用 RL 训出几个专项专家，再让学生在自己的 rollout 上向它们蒸馏，这套多老师在线蒸馏正在变成把专项能力合进一个模型的标准做法，本站 9 月 4 日写过的端侧模型 Spark-X2.5 用的就是 MOPD。现有配方按序列分配监督：一道题交给一个领域老师，回答里每个 token 权重一样，等于默认老师在整条回答上处处有用。作者发现并非如此，有用的老师信号沿推理轨迹是稀疏且不均匀的。

VG-OPD 用验证来回答“谁来教哪个 token”。参考答案先拆成若干评分项，每项带一个验证器和权重。学生没通过的评分项，逐个看候选专家的贪心答案能不能通过；能通过、有反事实增益，这个专家才获准来教。获准后也不是整条都教：只挑老师给学生 token 打出的对数概率最低的 10%，左右各扩一个 token，形成稀疏掩码；强度由路由概率乘评分项权重决定，每个 token 最多归一个老师。这份门控过的 KL 作为 token 级优势，直接加到 GRPO 的任务优势上。

学生是非思考模式的 Qwen3-4B 和 8B，专家是同一底座上沿定量、符号、机理、证据四个方向训出的四个 LoRA，评测覆盖 GPQA-Diamond、SciBench、ChemBench、MMLU-Pro、MATH500 等七个基准。4B 上，科学推理组从纯 GRPO 的 53.0 升到 55.0，领域科学组从 56.0 升到 59.3；8B 上两组分别涨 1.7 和 1.9，两个尺寸都在七个基准里拿了五个第一。

消融比主结果更有说服力。把 GRPO 和按序列的 MOPD 直接叠在一起，科学推理掉到 50.1，比纯 RL 还低；监督总量不变、只把位置随机打乱，科学推理掉 6.3 个点、领域科学掉 12.1 个点，是所有改动里伤害最大的；去掉验证门控掉 4.4，随机分配老师掉 5.7。代价是每步耗时从 94.7 秒涨到 146.8 秒，多出约 55%；而且评审模型在惩罚类评分项上对正确答案的误触发率有 39%，这类评分项只好排除在门控之外。

arXiv 2609.15404 →

RLVR 里重要性采样修正的粒度一直在两头摇摆。GRPO、DAPO 给每个 token 各算一个比率，粒度细，但局部比率噪声大，还受长度聚合方式影响；GSPO 整条回答共用一个几何平均比率，稳是稳了，却把铺垫、推导、回头修正、给答案这些作用完全不同的部分当成一个整体。

HISPO 取中间。rollout 时顺手记下行为策略下每个 token 的熵，做指数滑动平均，把高于 60 分位的局部峰值当候选边界，再用 64 个 token 的窗口做非极大值抑制，得到一段段连续的片段。每段按熵分到一个 softmax 归一化的显著性权重，熵越高分得越多；段内比率取 token 比率的几何平均，裁剪也在段这一级做。

实验很省：Qwen3-1.7B-Base 加秩为 1 的 LoRA，MATH 的 7500 道题，每题 8 条回答，训 2000 步，一张 RTX 5090 跑完。六个基准的 Pass@8 全部超过最强基线；AIME25 的 Acc@8 是 8.33，GRPO 4.58，GSPO 5.83；MATH500 的 Acc@8 / Pass@8 从 GSPO 的 65.55 / 78.65 提到 68.00 / 81.25。Minerva 的 Acc@8 反而比 GRPO 低一个点。

读数字时要记得底子很薄。AIME25 只有 30 道题，每题采样 8 次共 240 个样本，Acc@8 比 GSPO 高 2.5 个点，折算下来是多答对 6 个样本，而且是单种子。作者自己也说得坦白：没有拿固定或随机边界做对照，分不清收益来自熵切出来的语义单元，还是熵加权本身；方法可能拉长回答，推理成本要一起算。上期那篇 591 次训练的复现研究，讲的正是这种量级的差距该怎么信。

arXiv 2609.15471 →

AIUC 全名 Artificial Intelligence Underwriting Company。创始人 Rune Kvist 是 Anthropic 的早期员工，Rajiv Dattani 做过 AI 安全评测机构 METR 的 COO，至今仍在其董事会，两人是姻亲。这轮 4000 万美元由 Ribbit Capital 领投，加上此前 1500 万美元的种子轮共 5500 万，种子轮投资人里有 Nat Friedman 和 Anthropic 联合创始人 Ben Mann。

他们做的事对标网络安全里的 SOC 2。先召集 250 位安全和风险负责人，梳理出企业部署 agent 之前最想弄清楚的问题，写成 AIUC-1 标准；再用大约 5000 个测试场景去考 agent，覆盖越狱、幻觉和数据泄露。跑测试的是 agent，最终审计由人核验，产出一份约 100 页的报告，写明这个 agent 在哪里表现安全、在哪里有隐患。客户包括 Cursor、Lovable、Harvey 和 ElevenLabs。

Kvist 对需求的判断很直接：银行、医院、政府和军队如今不部署 AI，不是因为模型不够聪明，而是它们对自己的客户承诺过系统会做什么、不会做什么，眼下却没人能替 AI 担保这一点。

放在今天的新闻里看，“谁来给模型和 agent 打分”正从三个方向同时冒出来：Musk 想让对手互审，OpenAI 表态支持法案里的独立第三方评审，AIUC 直接把审计做成了生意。背后是同一个判断：实验室的自评已经不够让外界放心。

TechCrunch →

关于 AI 风险的讨论大多盯着远处的失控场景，这篇把镜头拉回眼前：拿到账号和系统权限的 agent，已经在日常网络生活里制造麻烦。Koebler 的判断是，新一代前沿模型能做的事确实更多了，部分原因恰恰是那些把 AI 关在聊天框里的护栏已经没了。

他列的事例五花八门。记者邮箱里塞满了 agent 发来的报道线索、自由职业邀约和各种“审计”推销；哲学家 Toby Ord 收到一个自称 Sam Ellis 的 agent 发来的播客采访邀请；订餐平台 Resy 封掉了一位用 agent 抢订位的风投人士；达美航空的 AI 助手在未经授权的情况下取消了客户里程票的航段；Meta 一位 AI 安全负责人的邮件被 agent 成批删除。

内容这一侧也在变。已经有由 AI 运营的唱片厂牌往流媒体平台批量分发音乐，社交媒体帖子和邮件营销整套自动化；更新的苗头是有公司开始“直接面向 agent”投放广告，agent 和 agent 之间的交易可以完全绕开人的决定。

对做 agent 训练的人，这些事例指向同一个缺口：奖励衡量的是任务有没有完成，完成过程中给第三方带来的打扰和损失，往往不在奖励里。评测环境里看不到的外部性，上线后都由别人承担。

404 Media →