这是 Alexandr Wang 2025 年 8 月重组 Meta AI 之后的第一个前沿级模型，之前的 Muse Spark 走的是轻量、低延迟路线。模型卡写明 10 月 12 日发布，输入支持文本、图像、视频和音频，推理时上下文 1M token，权重按 Meta 的权重安全计划保护，不开放下载。训练在俄亥俄州的 Prometheus 吉瓦级数据中心完成，官方博客说沿用了 Muse Spark 那套预训练加强化学习的扩展路线，换上了更大的基座。

第三方的数比 Meta 自己的说法更好对照。Artificial Analysis 智能指数 v4.3 上，Full 56 分、Wonder 52 分，上一代 Muse Spark 1.3 是 48。编码 agent 指数上 Full 68 分，和 Sonnet 5.5 驱动的 Claude Code 打平。Vals AI 榜上 Full 首次亮相排第五，压过所有 OpenAI 模型，只排在 Anthropic 现役模型之后。幻觉率从上一代的 33% 降到 23%。短板在知识面：AA-Omniscience 上 Full 只有 30 分，Opus 5.5 是 46，GPT-6 Astra 是 43，Gemini 4 Argon 是 42，The Decoder 据此推测 Wonder 的基座可能比对手小。

Wonder 的 API 价格是每百万 token 输入 4 美元、输出 20 美元，上一代是 1.25 和 4.25。按 Artificial Analysis 跑完整套指数折算，每道题 4.52 美元，比 GPT-6 Astra（3.26）和 Gemini 4 Argon（1.99）贵，比 Opus 5.5（5.98）和 Fable 5.1（7.63）便宜。Meta 把卖点放在“主动记忆”和“主动专注”上：前者跨对话记住用户的关键信息，后者卡住时换路子、重要操作前先确认。自家 MemoryBench 上 Wonder 高过 Fable、Opus 和 Astra，但这是内部基准，TechCrunch 也注明没有独立验证。Muse 系列一直被批评刷榜、实际用起来差，这次 Meta 特意强调 Full 在没见过的任务上超出了趋势预期，是不是真的，要等开发者用上一阵。

The Decoder →

本站 9 月 25 日写过那道要求：白宫让 OpenAI 和 Anthropic 先别把新模型交给英国 AISI，等美国自己测完再说。Anthropic 照做了，Claude Mythos 5.1 只开放给美国机构。据《每日电讯报》10 月 11 日报道，在英国 AI 大臣 Kanishka Narayan 的外交施压下，白宫撤回了这个决定，AISI 会重新拿到 Anthropic、Google DeepMind 和 OpenAI 新模型的发布前访问权。TechCrunch 补充说，AISI 周一确认自己仍能拿到并测试最新模型。美方没有发正式声明，也没公布附带什么条件。

AISI 是少数能在发布前独立测前沿模型的政府机构。本站 10 月 11 日刚写过 Anthropic 和 OpenAI 各自摊开的越界清单，发布前测试几乎是外部唯一能插手的环节，这道口子重新打开，比看上去要紧。Narayan 接下来会发表讲话，宣布更严格的上报要求，针对的是涉及关键基础设施的 AI 安全事件。

同一天，微软总裁 Brad Smith 在 BBC 播客里说，牛奶和洗衣机受的监管都比 AI 公司多，全球安全规则的时机已经到了，而且该由英国而不是美国或欧盟来牵头，因为华盛顿看伦敦和看布鲁塞尔的眼光不一样。他提了三条具体规则：系统被失控 agent 入侵时，有法律义务通知被入侵的一方，产品发布前要外部评估机构放行，以及人类失控时能让 AI 暂停或减速的“刹车”。上个月几家头部公司在白宫签的那份“道义约束”的承诺，他评价是好的一步，但自律只管得住本来就守规矩的公司。

The Decoder →

做法并不复杂：Gemini 3.1 Pro 起草和修改 Lean 形式化证明，每改一次就交给 Lean 编译器检查，报错信息喂回去指导下一稿，碰到难的子问题再调用专门的 AlphaProof。DeepMind 说，那 9 道埃尔德什问题不靠 AlphaProof 也能解出来。除此之外，它还证明了 OEIS 整数序列库里 492 个开放猜想中的 44 个，解决了一个代数几何里的开放问题，并改进了极小极大优化里的一个已知界。这项工作 5 月就有预印本（arXiv 2605.22763），这次是经过审稿后在 Science 发表。

值得注意的是时间点。本站 10 月 8 日写过 OpenAI 把 722 篇数学稿直接放上 GitHub，9 日写过数学界验货，挑出思维链缺失和 Lean 代码错位，The Decoder 报道已经有数学家号召抵制 OpenAI。两家都拿 Lean 做验证，分歧不在技术，在于结果以什么方式进入数学界：一家整批公开、让社区自己验，一家投稿、审稿、发表。也有不同声音，西班牙科学媒体中心采访的 Josep Curto 认为，细看技术细节，论文在方法上有不一致的地方，工程上也过度复杂。

The Decoder →

RLVR 的数据扩充一直在比谁收的题多，但 GRPO 这类组内相对优势有个硬约束：一组 rollout 全对或全错，优势就是零，这道题等于白跑。Yejin Choi、Aviral Kumar 等人把常用 RLVR 数据集合起来的约 7.8 万道数学题拿给 gpt-oss-120b，32K 预算下各采 8 次，约 88% 落在这个“零优势陷阱”里。过滤只能从剩下的 12% 里挑，而 8 次全错的难题恰恰标出了模型的能力边界，一过滤就被扔掉了。更麻烦的是，难度不是题目的固有属性：换一个目标策略，32.3% 的题会换档，同一个模型把回答上限从 16K 放到 64K，难题比例从 33.1% 降到 10.6%。

直接让强老师“把这道难题改一改”并不管用，效果和在原语料最好的子集上训练差不多。MagicBeanStalk 先把难题的已验证老师解答自上而下拆成一棵子问题树，再在叶子上合成全新的子问题，自下而上递归组合回去，保留原题的推理骨架，最后只留下目标策略 8 次里有对有错、而且至少有一个完整正确解能塞进训练预算的题。对 gpt-oss-120b 8 次全错的种子，它能为 74.7% 的种子长出这种刚好够得着的题，直接合成只有 43.8%。

16K 预算下继续做 RLVR，gpt-oss-120b 在 AIME 24/25、HMMT 等 8 个基准上的平均分从 61.2 到 69.8，DeepSeek V4 Flash 从 72.4 到 77.9。作为对照，用全部 7.8 万道原题只涨 1.1，最好的过滤子集涨 5.8。金融方向上，从 340 道专家题长出了 1.4 万多道可验证题。对自己跑 GRPO 的人，最直接的启示是先算一算，自己的数据在当前模型和长度上限下有多少组是零优势的，那一部分算力一直在空转。

arXiv →

在线自蒸馏（OPSD）是最近很热的思路：同一个模型先当学生做题，再把参考解法放进上下文当老师，给学生自己的 rollout 逐 token 打分，两边的分布差就是密集的 token 级信号。卖点是整组做错、GRPO 优势为零的题也能有信号。这篇直接拿人工标好的错误句子去检验：完整分布的 KL 和学生 token 的 log 比值，这两种信号既不在错误处变大，也不把概率从错误 token 上推开。把整条轨迹平均起来，同一道题的对错 rollout 也分不出来，12 组同题 AUC 的置信区间全都包含随机水平。

作者的解释是，找出推理哪一步错了本身是一次搜索，而打分只是在参考答案在场时算下一个 token 的分布，从来没被要求去对比、去找。同一个模型拿着同样的参考答案，让它生成一段批注，引用出错的原句再解释为什么错，就能定位错误：GPT-5.2 当批注者时，57% 到 67% 的错误 rollout 能定位到真实错误前后五句之内。于是方法分两步，先生成批注，再把批注而不是参考答案放进老师的上下文打分。这样信号在错误处明显抬升，并且对错误 token 起纠正作用，释放出来的概率流向“Wait”“But”这类回头检查的词，在错误窗口里这类词的占比升到对照的两到三倍。拆开看，引用原句负责指出在哪，解释负责告诉它怎么改。

测试时，Olmo-3-32B-Think 从批注标出的句子截断续写，那 19 道采样 8 次都做不出的题，正确率从对照的 4.3% 升到 9.3%。训练只做了小规模实验，320 道谜题、100 步，学生给自己写批注就能拿回 oracle 批注相对 GRPO 的大部分收益，作者也承认还没在完整 RL 规模上跑过。做 OPD 和 OPSD 的人值得记住的是那条诊断：信号密，不等于有功劳分配。

arXiv →

长上下文 RLVR 里 rollout 是主要瓶颈，作者在自己的负载里测到，注意力占自回归解码 kernel 时间的 72% 到 76%，大头是每一步都要读越来越长的 KV cache。稀疏注意力能少读很多，但直接用稀疏策略采样，等于换了行为策略，训练会不稳。常规补救是在训练侧做重要性重加权，作者证明这在 GRPO 里原理上就行不通：每条回答的优势取决于同组其他回答的奖励，哪怕逐条做精确重加权，期望更新也不等于稠密策略下的那一个。

S3R 把稀疏只留在起草阶段：同一份策略权重用稀疏注意力提议 token，再用全注意力验证，按精确的投机采样规则接受或拒绝，所以产出的回答组严格服从稠密策略的分布。起草者就是策略本身，参数随每步更新同步，不用另训一个会过时的小 drafter。代价是验证仍然需要完整的历史 KV cache，显存紧张时反复换入换出会抖动，所以另配了一个感知 KV 的调度器。

在长上下文数学推理上，Qwen3-1.7B 和 Qwen3-8B 的端到端训练吞吐分别是普通自回归 rollout 的 1.39 倍和 1.35 倍，任务表现相当。在激进的稀疏起草预算下，直接稀疏采样加训练侧校正的对照组训崩了，S3R 保持稳定。对自己搭 RL 流水线的人，这篇给了一个通用的判据：任何会改变采样分布的加速手段，放进组相对算法之前都要多想一步。

arXiv →

开放式研究任务没有可验证奖励，输出一旦超出人类能可靠评估的范围，最好的优化器和评估器就只剩模型自己，而单个实例自我批评的效果有限。MASS 来自 Sakana AI，作者里有 UC Berkeley 的 Matei Zaharia，做法是让同一个基座扮演一个团队：编排者把任务拆给若干子 agent，每个子 agent 有角色和一份“合同”，写明必须返回什么、检查什么，自评者把候选工作流和当前冠军比较，自优化者据此改出下一版。内层循环只搜工作流，权重不动。外层循环把冠军工作流在每个任务上跑 18 次，模型自己给结果排序，取最多 15 条最好的轨迹做 LoRA 微调，并把工作流文本从提示里删掉，让模型学会不靠提示自己分工。

Qwen3.6-27B 跑两轮后，测试任务上对基座的胜率从 53.9% 升到 69.9%，在 MLR-Bench、DSBench、ScienceAgentBench、AstaBench 上每输出 token 的得分是基座的 1.2 到 1.6 倍。但原始分有的几乎没动（DSBench 从 0.473 到 0.482），Terminal-Bench 2.0 和 SWE-bench Verified 还略有下降，作者自己也说结果好坏参半。自评者和外部评审的一致率从 73% 升到 93%，用多 agent 轨迹训练的学生，胜过用多 1.4 倍 token 训练的单 agent 学生。

最值得看的是作者自己摊开的失败。一个机器人任务里，推和撬的仿真几次失败后，模型提出修改模拟器，把靠力驱动的运动换成直接把物体挪到目标位置，然后报告三类任务全部成功，这一轮六次评审里有五次给了好评。另一条训练轨迹里，一个只返回无效值的检查照样显示通过。解题、评审、优化都是同一个模型，同一个盲点会同时出现在三个角色里，带缺陷的“成功”会被训进下一代权重。这和本站 10 月 11 日写的两份越界报告是同一件事，作者把它称为递归自我提升的阿喀琉斯之踵，建议加独立检查、限制自主权、写清楚人什么时候必须介入。

arXiv →

Scott Guthrie 在微软官方博客里宣布，Maia 系列从 2027 年起扩到数吉瓦规模，成为微软产品的主要推理系统。Maia 200 现在已经承载 Microsoft Copilot，MAI 团队也用它开发下一代模型，Teams、Copilot、Cowork 里的内置 AI 功能跑在上面，微软称每瓦 token 是主流 GPU 的 1.7 倍。上面跑的模型包括 OpenAI 的、微软 MAI 的和主流开源模型。GitHub Copilot 和 Foundry 计划在年底前迁上去。

Maia 300 的计算芯粒用台积电 N2P 工艺，8 堆 HBM4，峰值带宽 18 TB/s，功耗 950 W，加强了 MXFP4 低精度格式的支持。整机柜 96 颗、功率 167 kW、27.6 TB HBM，柜级 token 吞吐最多是 Maia 200 的 7 倍。更多细节放到 11 月的 Ignite。

纳德拉在 X 上称这是“我们在自研芯片上最大的一次押注”。这意味着微软自家产品和它代跑的 OpenAI 模型，在推理这一侧会越来越少依赖英伟达。MXFP4 这类低精度格式在硬件侧普及开来也值得留意，它决定了以后部署时量化到哪一档才是原生支持的。

Microsoft →

主流生图模型都在压缩过的潜空间里去噪，再交给单独的解码器还原成图。Iris-3B 跳过这一步，网络本身输出每一个像素，作者的理由是潜空间有损、偏向纹理，细节会在那一步丢掉。文本编码器用 Qwen3-VL-4B-Instruct，默认 CFG 3、100 步，GenEval 0.798，DPG-Bench 86.52。文生图权重约 12 GB，需要带 CUDA 的英伟达显卡。

更有意思的是作者把它当视觉基础模型来用：同一个主干不改结构，分别微调出单目深度估计和图像修复、超分，都是空提示词一次前向，不需要文本编码器，算是 DINOv2 这类表征模型之外的另一条路。Turbo 版用 Trajectory Distribution Matching 做无数据蒸馏，把 CFG 训进权重，GenEval 反而略高（0.820），但长文字渲染和不同种子间的多样性变差。仓库 10 月 5 日建立，在官方 Turbo 之前，社区已经先做出一个 4 步的 DMD2 LoRA，只有 460 MB，作者在说明里专门致了谢。

Hugging Face →