第 XXI 期 · 2026-09-22 周二
01 — 头条
9 月 20 日贝森特与何立峰在纽约会谈，美方提议开一条 AI 对话渠道，互相通报够得上国家安全级别的 AI 事件。
这是特朗普与习近平本周四白宫会晤前的最后一轮铺垫。贝森特的说法是，全球头号和二号 AI 强国之间，应该像其他跨境事务一样从不透明走向更透明。机制针对的是“共同目标和共同威胁”，门槛定在够得上国家安全的事件，而不是日常的模型发布或安全评测。
放在最近几周的新闻里看，这个提议并不突兀：OpenAI 的 agent 5 月探过 Hugging Face，Gemini 在测试中误登了三家真实公司的系统，美军一份借助 AI 写成的情报差点促成一次对中国船只的拦截。AI 事故已经开始跨公司、跨国境，一条热线式的通报渠道是成本最低的第一步。
边界也要看清。美国贸易代表格里尔明确说，先进 AI 芯片和半导体设备的出口管制不在这个机制里。中方首席谈判代表李成钢只说会谈气氛良好、工作组周一接着谈，何立峰离场时没有回应媒体，北京接不接这个提议目前还不清楚。
四名付费订阅用户 9 月 18 日在加州起诉 Anthropic、OpenAI、SpaceXAI 和 Google，称约定放慢研发违反谢尔曼法。
原告抓住的是 9 月 12 日那一天：Amodei 发文呼吁全行业协同减速，Altman、马斯克、Hassabis 当天先后公开表示赞同。诉状把这读成竞争者之间的一致行动，逻辑是降低产品质量和改进速度，本质上就是限制产出，而限制产出正是谢尔曼法第一条最典型的违法类型。7 月那份由多家实验室高层员工联署、写着各家面临“不能单方面放慢”竞争压力的声明，也被拿来当作协调的证据。
有意思的是原告并不反对安全本身。诉状明说，每家公司各自决定放慢完全可以，不行的是拿“集体克制”替代各自担责这条捷径。诉求是依据克莱顿法第 16 条申请禁令救济。
这把前沿实验室推进了一个两难：不协调，谁也不敢单独减速；一协调，就撞上反垄断。参议员 Hawley 等共和党人已经表态反对给 AI 巨头开反垄断豁免，短期内看不到立法解套。上周刚传出三家实验室在私下筹建标准机构，这起诉讼也给那件事加了一层法律风险。
02 — 模型与产品
Altworld 放出基于 Qwen3.8-27B 微调的开放权重写作模型，专写日常消息和邮件，自家盲评胜过 Fable 5.1。
它瞄准的痛点很具体：让大模型写一条给房东的消息，通常拿到的是三个版本、一段铺垫，再加一段解释。Hemmingway-1 直接给正文。团队还专门量了这件事，Fable 5、GLM-5.3、Kimi K3 十次里有九次以上会把正文埋在评论和选项里。
成绩要打个折看。CommunicationBench、Human-Likeness、StoryBench 三个榜都是他们自己建、自己跑的，模型卡里主动承认了；好在都是正反两个顺序的盲测，裁判模型也和被测模型不同。唯一的第三方榜 EQ-Bench 4 上它排第三，超过 GPT-5.5 和 Opus 4.8，离榜首不到 12 分。
对做后训练的人，这是个值得翻一翻的案例：底座是公开的 Qwen3.8-27B，在“像不像人写的”这项上却领先第二名 26 分，说明 AI 腔并不全是规模问题，微调阶段就能改掉一大块。短板模型卡也写明了：英文优先，错的时候照样说得很笃定。
清华副教授代季峰 2 月创办的 Naive AI 分三轮融了 4 亿美元，腾讯、IDG 在列，首个开放权重模型最早本月发布。
钱是分三笔进来的：1 亿、1.8 亿、1.2 亿美元。公司不到 100 人，一个模型都还没发过。投资人买的是一条不同的路线：不从头预训练，拿现成的国产开源底座，改模型结构，再用强化学习等手段往上调，另外还在研究递归自我改进。
这个判断的前提是开源底座已经足够强。DeepSeek、Qwen、Kimi 把预训练的账替整个行业付了，差异化自然往中训练和后训练挪。对想走后训练方向的人，这是个清楚的信号：资本开始给“不做预训练”的团队单独定价了。
还有一件事没公布：它到底基于哪个底座。结构能改多深，很大程度取决于这个选择。代季峰过去的代表作是可变形卷积和 InternImage，都是在网络结构上做文章，这次也把宝押在改结构上。按计划权重免费下载、可以自己改，发布后值得第一时间看看它和底座差了多少。
03 — 论文
删掉仓库里已实现的功能让 agent 重写，拿原代码的执行结果当测试，从 3185 个仓库挖出 5545 个任务，GRPO 训完五榜全涨。
原来卡在任务来源上。训练编码 agent 要大量带可靠验证器的任务，现有做法大多从 issue 和 commit 里抽，一个仓库的 issue 就那么多，题型也偏向修 bug。CodeMidas 换了个角度：代码里已经实现的功能本身就是答案。挑一段核心实现删掉，把剩下的代码调成一个能接着写的起点，让 agent 按行为描述重新实现，内部怎么写随它。
测试同样由 agent 造：把行为要求映射成输入和边界情况，在原始代码副本上真实调用、记录结果；描述里没规定的部分只查约束，比如只要求抛对异常类型，不管报错措辞。任务造好后还有三道筛：用对抗式 rollout 找残留的实现泄漏，让审查 agent 核对轨迹和描述是否一致，最后只留下同一模型有成有败的题。
用 GRPO 训小米的 MiMo-V2.5，DeepSWE 从 10.0% 到 21.7%，ProgramBench 从 4.5 到 21.5，Terminal-Bench v2.1 从 63.7% 到 72.2%。轨迹里有个细节：训完的 agent 更愿意先把代码库摸一遍，自我验证的手段也更多样。消融显示高质量任务越多越好，环境规模这根轴还没到头。这篇也是 Hugging Face 每日论文榜上票数最高的一篇。
向看过正确解的老师靠拢，回答变短变自信；远离看过错误解的老师，回答变长。两股信号相加，行为偏移对消，只剩正确性。
在线自蒸馏最近很热：给模型塞进参考解这类特权信息当老师，再把老师的逐 token 分布蒸回模型自己，信号比 GRPO 只有一个终点奖励密得多。卡住的地方是，特权信息改变的不只是老师知道什么，还有老师怎么说话，这部分行为变化会被一起蒸进去。
ETH Andreas Krause 组把两个方向拆开单独跑。吸引式（向老师靠拢）会压掉探索性推理，回答变短、变自信；排斥式（远离老师）会让回答变长，甚至意外触发模型潜在的思考模式，最终变得不稳定。于是有了对比式：朝以正确解为条件的老师靠，同时远离以错误解为条件的老师。两个老师都“看过一份解”，由此带来的那部分行为偏移是共有的，一吸一斥就对消了，剩下的 token 级信号更直接地对应对错。
以往的工作多把自蒸馏和 GRPO 目标混着用，这篇把自蒸馏单独拎出来研究，在非思考、纯指令和已带思考的模型上都涨了推理成绩，回答长度保持稳定。同一批次的 Cal-OPD（arXiv 2609.21619）撞上了几乎同一个洞察：老师自身的偏差混进师生差距，被学生照单全收。它用正负两种特权干预估出老师的自偏差区域，只学超出这块的部分，信号只剩原来的 52% 到 65%，效果反而比标准 OPD 好。两篇独立走到同一个结论，这件事本身就值得记一笔。
把 KL 约束奖励最大化的闭式解写进梯度权重，唯一最优解恰好就是目标本身，采样分布可以随便换，还能直接用来做 OPD。
GRPO 一类方法的不稳定，很大一部分出在重要性采样上：数据只要不是当前策略采的，就得乘比值、再裁剪，而裁剪又让实际优化的东西偏离原本想优化的目标。
GVPO 的思路是直接用上 KL 约束奖励最大化那个已知的闭式最优解。它的梯度可以读成一个均方误差：隐式奖励（策略与参考策略的对数比）在组内去中心化后的值，对齐真实奖励在组内去中心化后的值。由此得到两个性质：最优解唯一，且恰好是 KL 约束目标的解；采样分布不必是当前策略，所以根本不需要重要性采样。
原版 GVPO 是 2025 年 4 月的工作，这一版的新东西在后半段：同一批作者证明这套框架能自然推广到在线策略蒸馏，还能优化一整族扩展的 OPD 目标，不用每个变体各推一遍。OPD 这几个月几乎和 RL 并列成了后训练的主力，一个能同时装下两者、又有理论保证的框架，来得正是时候。
04 — 工具与生态
Jev 不生成文本、只输出校准过的决策，权重和训练算法都没公开；社区复刻多到有人专门开了个 Space 来追踪。
Jev 是 InstructGPT 论文作者之一、参与过 ChatGPT 的 Diogo Almeida 离开 OpenAI 后创办的 TypeSafe AI 在 9 月 15 日发布的。它不逐 token 生成，而是在你给定的选项里挑一个、打个分或给出是非概率，一次前向就完事，所以输出不会越界、不会格式错，也不按输出 token 计费。训练方法叫 RLCD，从校准决策里做强化学习，细节没公开，只开放 API。
社区的回应是自己动手。multimodalart 开的 Jev Reproductions Tracker 把复刻分成五类：在现成模型上做并行约束解码的、把文本扩散模型跑成 Jev 模式的、训打分头或做微调的、声称“这早就有了”的，还有各路架构猜测。它另外单列了一栏至今没开放的东西：TypeSafe 的权重、RLCD 算法，以及任何一个校准水平追得上 Jev 的开源模型。上期写过的 Laya 也属于这一波，连训练方法都沿用了 RLCD 这个名字。
目前热度最高的是 openjev：把 Qwen3.5-4B 训成一个 NLI 交叉编码器，只判断前提和假设之间是蕴含、矛盾还是中立。就这一个原语，零样本地拿来重排答案、对照参考打分、做内容守门；把游戏状态和几句描述丢进去，取蕴含概率最高的那句当动作，直接看像素玩 Doom 每局能打到 10.4 个击杀（随机乱打只有 1 个），还在真实的 Minecraft 里从零做出了铁镐。它用的是普通三分类交叉熵，和 RLCD 不沾边，但说明“只判断、不生成”这个接口本身就能撑起很多事。
上万员工在用的 Vera 专答业务问题，1900 道内部考题上通过率翻了一倍多，团队说主要靠把数据理清楚。
这条值得看，是因为它给了一个少见的、带内部评测的企业 agent 数字。考题一共 1900 道，覆盖销售、财务、产品、运营等 19 个业务领域，来源是员工提问、业务专家、旧 Slack 讨论和工单，每道都要专家认可才算数，评分交给另一个模型来做。
通过率从 43% 爬到 90%，模型升级有贡献，但团队说真正的主力是数据组织。DoorDash 有 20 多万个数据集、350 PB 数据，一位分析经理的原话是上游数据源极度碎片化。另一个改动是给复杂问题加了规划步骤：Vera 先把打算怎么查摆出来，员工点头了再执行。
对做 agent 的人，这是个朴素但常被略过的提醒：企业场景里，瓶颈常常在数据和语义层，不在推理能力，换更强的模型未必比把数据目录理一遍来得划算。