第 XX 期 · 2026-09-21 周一
01 — 头条
9 月 19 日他在 Truth Social 宣布组建一支类比太空军的 AI Force，并将很快点名一位 AI 沙皇。
这条的重点不在新机构，而在它替代了什么。上周还在讨论的、仿 FINRA 做自律监管的方案被搁置，取而代之的是一个定位模糊的准军事化机构，加一个直接向总统汇报的个人。
他在同一条帖子里把话说死了：不会以任何方式阻碍或抑制这个行业的成长，而是会珍视它、帮助它、看着它长大。对于出问题的情况，他的说法是用已有的刑事和民事司法系统去处理就够了，不需要新的事前规则。这等于把监管从许可制推回追责制。
AI 沙皇这个位置本来有人，风投出身的 David Sacks 今年早些时候辞职转任外部顾问，之后一直空着。谁来接、这个 AI Force 到底是行政机构还是军事单位、预算从哪来，目前都还没有说法。
9 月 18 日两家提起第二起诉讼，点名刚发布的 v6 系列，并第一次给出具体数字：被侵权录音 60202 首。
Suno 的 v6 是带着唱片公司授权发布的，华纳、BMG、Believe 都签了约。索尼和环球没签，而它们这次告的恰恰是这个授权版本。
诉状的逻辑是训练数据的血缘：v6 训练用到了用户与 Suno 早期模型的交互数据，而早期模型本身正是第一起诉讼指控的大规模侵权产物。两家把这形容为同一棵毒树上的果子，意思是拿到新授权并不能洗掉旧模型留在权重里的东西。这个主张如果成立，影响范围远超音乐——任何在有争议的模型上做蒸馏或迭代的团队都要重新算法律账。
60202 这个数字也是第一次出现。按美国版权法故意侵权每件最高 15 万美元计，理论上限是 90 亿美元出头，而原告特意补了一句：这只占被侵权作品的一小部分。
原计划 10 月上市，现在推迟一个月，为的是把三季度财报一起带上。估值目标 2 万亿，募资规模最高 1000 亿。
推迟一个月本身不是坏消息，反而是想把最好看的一页摆出来再敲钟。收入曲线确实陡：2025 年底还是 90 亿，今年 7 月 650 亿，这周跨过 1000 亿年化。
值得注意的是节奏。OpenAI 前不久也推迟了自己的上市安排，两家先后往后挪，说明一级市场对 AI 估值的耐心和二级市场的接受度之间还在找平衡点。2 万亿的要价意味着市销率仍在 20 倍上下，这个数字在软件行业里属于要靠增长率硬撑的区间。
另一个背景是同期的负面新闻并没有停：价格战、安全争议、反垄断诉讼都压在窗口期里。推到 11 月，等于赌三季度的数字能盖过这些。
02 — 模型与产品
9 月 20 日发布当天开放 API，输入每百万 token 一美元、输出 2.7 美元，权重承诺 10 月 15 日开源。
它在 Artificial Analysis 智能指数上拿到 44 分，和 Kimi K3 Max 打平，但价格只有 GPT-5.6 Sol 的七分之一左右，命中缓存还能再打五折以上。这个组合是最近国产模型的典型打法：不去争榜首，而是把同一档能力的单价往下压一个数量级，逼对手在长任务场景里算成本账。
1M 上下文加 27B 激活是冲着跑一整天的 agent 去的。官方强调软件工程和专业知识工作，尤其点了金融，说明目标客户是那种要把几百页材料一次读进去、再连续调几十次工具的工作流。
有个小插曲值得记一笔：官方 Hugging Face 仓库到现在只有一个 .gitattributes 文件，但 9 月 20 日当天，社区里已经冒出至少四个第三方上传的 Step-5-Preview-BF16 仓库。说好 10 月 15 日开的权重，看起来提前流出去了。
视觉生成部分 7B、32 层单流 DiT，原生 2048×2048、最多 10 张参考图、可出 RGBA 透明图，但换成了研究许可。
能力那一栏是实打实的进步：文生图和图像编辑统一到一个模型里，参考图一次能给十张，还能直接吐带透明通道的 RGBA，省掉了抠图那一步。排版文字、人像光线、材质细节都是这一版重点打磨的地方。
真正要留意的是许可证。Qwen 的图像模型此前走的是 Apache 2.0，这次换成了 Qwen Research License Agreement，也就是研究用途。对个人玩家影响不大，但任何想把它塞进商业产品的团队都得重新读条款，或者停在 2.0 版本上。
开放权重阵营里，能力升级伴随许可收紧不是第一次了。免费拿到最强开源图像模型的窗口期，可能正在慢慢关上。
不生成文本，给一段状态和几个类型化问题，单次前向 33 毫秒返回带校准概率的答案，用于路由、护栏和工单分流。
训练方式是这条的亮点。它用的是对严格适当评分规则做强化学习（作者叫 RLCD），这类评分规则的数学性质是：只有如实报告自己的真实概率才能拿到最高期望奖励，虚报高置信度一定吃亏。也就是说校准不是训练后额外加的温度缩放，而是被写进了奖励函数里。
配套的模型卡里有个诚实到刺眼的数字：英文 checkpoint 在高棉语上准确率 0.000，而置信度是 0.952。作者用它来说明一件事：模型错得很自信的时候，靠置信度阈值做门控是救不了你的，所以他们在前向之前先花不到 0.5 毫秒做纯 Python 的文字系统检测，再决定路由到哪个 checkpoint。
三个 checkpoint 都在一个仓库里，Apache 2.0，明确允许商用。多语种那个换成 mmBERT-base 骨干，322M，覆盖 100 多种语言，还快一倍。
03 — 论文
把树状 rollout 当成算力分配问题，推导出分支应该放在最能降低梯度不确定性的地方，而不是策略最犹豫的地方。
卡在哪儿：GRPO 干净可扩展，代价是一整条轨迹只拿到一个标量奖励，轨迹里那些真正的因果决策、失败后的补救、纯属环境随机的波动，全都继承同一个轨迹级 advantage。想细化信用分配，最直接的办法是采样成树，但树该在哪儿分叉一直靠启发式，最常见的是在熵高的地方分，也就是策略自己最犹豫的位置。
这篇的主张是：犹豫不等于值得花算力。从局部策略梯度随机变量的全方差分解出发，他们分出两条分配律：新分支降低的是决策不确定性，重复的后缀 rollout 降低的是续写不确定性。两者合成一个 EPIG 分数，完全用已经算出来的 rollout 估计，不额外采样。
结果分两层看。在 13 个连续控制环境的扫描里，九个稠密奖励环境全部跑赢，梯度方向几乎完美复现参考梯度。在线数学那一组，树内信用分配胜过扁平 GRPO，但作者老实写了一句：分支位置的作用是次要的，token 级信用分配才是主要的。多轮 Wordle 上最终胜率 0.850，扁平 GRPO 早早停在 0.790。
把轨迹内如何利用环境反馈、和批次间如何聚合完整轨迹拆成两个独立维度，各给一套方法，实测两条轴的收益互不重叠。
卡在哪儿：给 LLM agent 做 RL 时，大家改的东西其实分属两件事。一件是一条轨迹内部，环境返回的反馈怎么分摊到各个动作上。另一件是一个 batch 里，长短不一的完整轨迹怎么加权汇总。这两件事经常被同一个损失函数糊在一起，导致某个改动有效时说不清是哪根轴起的作用。
作者把它们正式命名为轨迹内反馈归因和轨迹间目标聚合。第一根轴用贝叶斯反馈归因，对采样出的动作构造一个以反馈为条件的后验。第二根轴叫轨迹质量归一化，让每条完整轨迹在优化中占同样的质量，这样长轨迹不会因为 token 多就吃掉整个 batch 的梯度。
在 ALFWorld、WebShop、SearchQA 上，分别套在 GRPO 和 GiGPO 上做消融，两根轴各自都有增益，合起来最强，而且在不同模型规模上都成立。对正在调 agent RL 的人来说，这篇的价值更多在那套拆分方式：下次改东西之前先问自己动的是哪根轴。
提出检查点交接协议，把一个 checkpoint 走到的状态克隆给另一个接手，把终点成功率拆成到达和解决两项。
卡在哪儿：长程 agent 在闭环里自己写自己的输入，后面遇到的状态有一部分是它自己造出来的。于是 SFT checkpoint 和 RL checkpoint 哪怕做同一批任务，被打分时所处的状态根本不是同一批。终点成功率因此混了两种变化：它走到了哪里，以及到了那里之后做了什么。
常见的补救是只比较两个策略都到达过的状态，这篇直接指出那是错的：那种限制是在按结果做选择，在他们的数据里甚至会让效应的符号翻过来。
他们的做法是检查点交接，克隆一个已发布 checkpoint 到达过的状态，原样交给另一个接手，不重新训练，然后把到达者和解决者两个角色在 SFT 和 RL 之间交叉组合。两个 benchmark、两条独立发布的流水线、五个条件下，到达者与解决者的交互项全为正。同一段历史交到 RL 解决者手上比交到 SFT 手上更值钱。ALFWorld 上更干脆：RL 解决者失败的地方，SFT 解决者从来没成功过。
04 — 工具与生态
9 月 20 日的拆解显示，装了 OpenAI 广告像素的网站一加载，就会把绑定 ChatGPT 账号的 cookie 连同页面数据发回去。
机制不复杂但链条完整：OpenAI 在 bzr.openai.com 设一个名为 __obi 的 cookie，作用域是 .openai.com，有效期一年，绑定当前登录的 ChatGPT 账号。任何买了 ChatGPT 广告的商家会在自己站上装一小段 OpenAI 代码，那段代码一加载，__obi 就带着当前页面的信息一起发过去：你在搜什么商品、在读哪篇文章、买过什么。研究者说还看到了页面上被抓取的邮箱、电话和邮编。
最扎手的一点是分类：OpenAI 把 __obi 归为分析类 cookie 而不是营销类，所以在同意管理弹窗里拒绝营销的人照样会拿到它。
这份报告的取证做得挺扎实，作者在自己手机上完整复现了一遍，用两种独立的抓包方式交叉验证，再比对几个月的流量，覆盖 936 个不同的广告主像素、1029 个主机名，报告里直接点名了 12 个商业站点和 13 个像素 ID。对任何在做 agent 或浏览器插件的人来说，这是一个现成的样本：广告归因链路会怎样穿过你以为是独立的两个上下文。