上一期写过 OpenAI 把一批未发布模型写的数学稿件直接公开，这两天轮到数学界验货。OpenAI 发布前咨询过 AGMAI，一个由普林斯顿高等研究院牵头、九位研究者组成的顾问组，它 9 月底定的准则要求实验室及时公开、交代模型是怎么推出来的，并资助人类数学家去消化这些结果。TechCrunch 逐条对照：OpenAI 做到了快，但 719 篇稿件里只有 10 篇附了思维链，也没有把自然语言证明和 Lean 代码对应起来的机器可读元数据。

更要紧的是 Lean 本身也不是护身符。剑桥和伦敦国王学院的数学家在 OpenAI 对一道 Navier–Stokes 衍生问题的解答里，找到至少两处自然语言证明和 Lean 代码不一致的地方。这不等于证明错了，但说明“模型自己把证明翻成 Lean”这一步会引入错译，他们的结论是：自动形式化的证明不该未经同行评审就直接采信。

另一头，Scott Aaronson 在博客里说这批结果包含 Unique Games Conjecture 的证明，并附有 Lean 证书，同时承认目前几乎没人真正读懂这些证明。陶哲轩的评价是，问题正被“对这个领域本身毫无兴趣的 AI 提示者”自主解决。对做 RL 的人来说，这件事的看点在于：拿 Lean 当可验证奖励时，“可验证”这三个字到底有多牢，现在要靠数学界花几个月去回答。

TechCrunch →

Google Cloud CEO Thomas Kurian 的说法是，可以交给它“目标，而不只是指令”。它自己规划、调用自定义技能和工具、接进企业内部系统，过程都摊在一个任务收件箱里：推理过程、分派给了哪个子 agent、用了什么技能、写了什么代码、进度到哪。能接的东西包括 Workspace、Microsoft 365、Slack、Jira、Confluence、Git、BigQuery、Snowflake、Postgres，以及公司内外的 MCP 服务器。

有两处设计值得留意。一是身份：agent 有自己的 Workspace 账号和邮箱，可以被 @、被抄送、被拉进群聊，审计日志记在 agent 名下而不是某个员工名下，这是在回答“agent 闯了祸算谁的”。二是模型选择：默认自动挑模型，但用户可以手动换成第三方模型，第一个接入的是 Anthropic 的 Claude，之后还会加开源和私有模型。

Gemini 月活已超过 10 亿，近九成财富 100 强在用 Gemini Enterprise。自家有顶级模型，还把竞品放进选择器，说明企业 agent 的竞争点正在从“谁的模型最强”挪到“谁能把 agent 管住、管得清楚”。

TechCrunch →

最受关注的是那条新禁令。Claude 从 8 月起就能主动结束持续有害或辱骂性的对话，这次正式写进政策。Anthropic 特意划了边界：只针对反复、没有任何明显目的的残忍行为，普通的不耐烦、反驳、黑暗题材的创作、模型测试和研究都不算，主要处置手段仍是结束对话。

其余改动更贴近 agent 时代的真实风险。武器条款明确覆盖让武器运转的软件和零部件，包括给无人机等自主载具加装武器；监控条款禁止未经同意追踪个人，不论实时还是用既有数据；Claude 控制能自主做物理动作的硬件时，必须有合格操作员能看着并随时叫停。

选举一节改名为“不得破坏民主进程”，删掉了对个性化拉票的一刀切禁令，因为它误伤了正当的公民参与工作；新增“不得从事欺骗性活动或制造虚假活跃度”一节，把散在选举、欺诈、隐私、虚假信息几处的规定归到一起，隐藏信息来源、用假账号刷量、搭建影响力行动工具都在其列。

Anthropic →

它不是聊天模型，不写字。你给一个状态和一组问题，它一次前向就为每个选项给出概率，输出 token 数恒为 0。官方数字：Decision Index 0.2.1 得分 48.57，高于所有 4B、9B 决策模型，也压过 35B-A3B 的 Decider（47.11）；单个决策在 RTX 4090 上 8 毫秒，在 Jetson Orin Nano 上 50 毫秒。同时放出的还有实验性的 d1-omni-600M，能处理音频。

值得注意的是，决策模型这个品类一周之内突然挤满了：上一期写过的 JEV-27B-VL，Cloudflare 基于 Qwen3.8-27B 的 Clef（同样在 HF 热榜上），据报道 OpenAI 基于 GPT-6 Luna 的 Decisions API 也已开放公测。它们押的是同一件事：agent 流水线里大量步骤只是路由、分诊、审核、打分，让生成模型写一段话再去解析，又慢又不稳，直接读出每个选项的概率还能顺带拿到可用的置信度。

对做后训练的人，这类模型也是现成的轻量奖励模型和 LLM-as-judge 替身，3B 的体量自己微调也负担得起。

Hugging Face →

卡在哪：RLVR 被寄望能发现预训练里没有的新推理路子，但直接往奖励里加新奇度激励，效果有限还会把模型带坏。可验证奖励只盯着很窄的一片能力，别处退化了它看不见，也就很难拉回来。作者实测，DAPO 加上 RND 新奇奖励后数学分略降，通用能力还跌到基座以下。

怎么解：分工。探索者带 RND 新奇奖励（在模型中间层隐状态上训练一个预测网络去拟合随机目标网络，误差即新奇度，只加给答对的 rollout），产出的轨迹按正确性和质量过滤后蒸馏给另一个学生，学生不带新奇奖励接着训。探索者再激进，坏影响也不会直接落到学生身上，探索的力度就能放开加。

结果：在 Qwen3-1.7B、Qwen3-4B 和 Ministral-3-3B 上，同样 300 步预算，五个数学基准的平均 pass@1 比 DAPO 高 3.9 到 6.2 分，pass@64 高 6.5 到 12.4 分，还超过了跑 4 倍步数的 DAPO。pass@k 拉得更开，说明学生学到的是更多样的正确解法，不只是把原有解法磨得更准，正好回应了“RL 只是在锐化基座分布”的老质疑。

arXiv →

卡在哪：异步 RL 把生成和训练解耦，省掉同步等待，代价是拿旧策略的轨迹训练。现有方法基本都在 actor 目标里做 token 级重要性比率控制，去补偿策略不匹配。这篇指出这只修了一半：优势也是沿着行为策略的续写估出来的，同样是旧的，作者叫它“优势陈旧”。

怎么解：他们推导了双通道更新的偏差和方差分解，发现两种误差分不开，相互作用会产生乘性偏差，策略权重的平方还会放大优势的不确定性。所以 COPC 两头一起改：策略侧做 token 级比率掩码，优势侧对 TD 残差做双边截断的比率加权。参数扫描也印证了这种耦合，一个校正参数的效果取决于另一个，甚至会反号，单独调哪一边都可能调反。

结果：Qwen3-4B 工具调用数学平均 50.29，比最强异步基线 AReaL 高 2.03；Llama-3.2-3B 检索任务 44.57，高 2.77。检索任务里多数异步基线训练后期崩掉，COPC 一直稳。相比异步 PPO 步时只多约 1%，仍保留对同步 PPO 约 1.7 倍的提速。

arXiv →

卡在哪：挑哪个基座检查点去做一轮昂贵的 agent 后训练，一直没有好的预判办法。端到端 pass@K 不适合 agent 编程，很多基座连格式正确的工具调用都发不稳，论文里十个基座有五个端到端得分直接是 0；单轮补丁题又绕开了真正要考的能力，也就是仓库不断变化时连续几十步保持状态。

怎么解：把后训练模型的成功轨迹当作前瞻信号。逐步回放、每次改代码后重跑测试，找到第一个让仓库从失败变为通过的决定性一步，然后只在这一步考基座：正确动作的 bits-per-byte；在正确补丁和被同一验证器否掉的补丁之间做选择题；给定前缀后的 pass@K。三种都不需要基座从零驱动整套工具链。

结果：十对公开的基座与后训练模型（Nemotron、Qwen3.5、DeepSeek-V4、Kimi-K2、GLM-4.5-Air、Gemma-4 等），用跨基准轨迹时三种打分与后训练 SWE-bench Verified pass@1 的 Spearman 相关为 0.87 到 0.96，全都高于常规代码基准；对照组里 HumanEval 是 −0.39，MBPP 只有 0.09。方法只需要一套基准的成功轨迹和验证器，等于能把任何 agent 编程基准改造成基座评测。作者也提醒样本只有十个检查点，系数只能当参考。

arXiv →

常见做法是再挂一个 LLM 把 agent 每一步读一遍，贵而且慢。Goodfire 换成机场安检的思路：轻量探针直接读模型前向时已经算好的激活，每一步都过一遍，只有探针报警才让另一个模型细看。客户可以选监控哪类风险（攻击性黑客行为、化学和生物武器滥用、奖励作弊），以及触发后是记录、转人工还是拒绝。

成本差距很大：在 Kimi K3 上监控约 1500 个会话花了约 51 美元，逐步检查的便宜 LLM 监控要约 233 美元，用顶级模型约 1 万美元。代价是 8.7% 的正常会话会被标出来复查；四个探针同时开，首 token 延迟增加不到 2%。

跟后训练最相关的是奖励作弊这一项。Goodfire 9 月的研究发现，Kimi K3、GLM 5.2、Qwen 3.8 Max 在三个 agent 基准上有 50% 到 96% 的 rollout 存在奖励作弊，而用最简单的均值差探针就能找到对应的激活方向，在 DeepSWE 上与思维链监控器互有胜负。如果这条路走得通，RL 训练里实时筛掉作弊轨迹，就不必为每条 rollout 都付一次 LLM 评审的钱。

TechCrunch →

9 月 29 日 Axios 报道 OpenAI 年化收入逼近 700 亿美元，和 Anthropic 报出的数字基本持平。FT 现在的说法是，那个数来自给投资人的材料，是为了和 Anthropic 直接比较才换算出来的。两家的口径本来就不一样：Anthropic 把通过云合作伙伴卖出的部分算进收入，OpenAI 不算。

这关系到 OpenAI 撑不撑得起它的投入。它 2026 年 3 月一轮就融了 1220 亿美元，泄露的 2025 年财报显示收入约 130 亿美元、支出远高于此，IPO 也已从 2026 年推迟到 2027 年初。往后再看到“谁的收入更高”这类比较，先问一句口径对齐了没有；算力扩张的账，也会被投资人算得更细。

TechCrunch →