先看管什么。AI 这 23 项覆盖大模型、智能体、AI 芯片设计和算力集群。据彭博社，大模型一项的门槛是参数量不少于 2 万亿，或在性能、安全等测试上排进全球前十，管的是权重、源码这些核心部件；芯片一项管的是 14 纳米及以下、或用 2.5D、3D 堆叠的 AI 芯片设计技术，部分存储芯片设计也在列。草案没有点名任何模型，彭博和美联社称月之暗面的 Kimi K3、阿里的 Qwen3.8-Max 都超过了参数门槛。剩下 17 项是 12 项光伏和 5 项生物医药。

再看不管什么。据报道，开源代码和公开发表的研究不在管制范围内，海外用户照样可以通过 App、网站和 API 用中国模型。真正多出一道关的是把模型搬出去：在境外服务器上部署受管模型也算出口，企业在自家海外云上跑可以拿自动许可。另有一条临时登记规定当天已经生效，出口目录内的技术之前要先登记，没谈完的交易也算。

为什么值得知道：过去两年中国厂商靠开放权重在海外打开局面，这份草案第一次把模型权重本身写进出口管制，门槛又划在最大那一档，和美国管芯片、管闭源权重的思路形成镜像。如果正式文本保留开源豁免，开放权重发布受的影响有限，但最大号模型的海外部署和权重合作会多一道审批。现在还是征求意见稿，门槛和豁免的最终写法要等正式文本。

The Next Web →

训练账本摊得很细。语料是 50T token 的混合，不用任何模型蒸馏出来的数据，独立 token 比上一代 MAI-Base-1 多约 36%；原生带视觉，用的是无编码器的 VLM 结构，视觉数据在混合里占 18%；知识截止到 2026 年 3 月。算力是 1.6 万张 GB200 跑了 38 天（8 到 9 月），平均 MFU 21%，有效训练时间占 89%。模型现在在做后训练，微软打算通过 Foundry 把权重授权给可信伙伴，MAI-Base-3 已经在准备。

对比数据要打折看。微软的指标是 bits-per-byte，测在自建的留出文本、自家代码库和外包定制的 STEM、问答集上，称预训练 FLOPs 效率是 DeepSeek-V4-Pro-Base 的 4.2 到 12.3 倍。但这个倍数是拟合缩放律外推出来的，不是同算力正面对打；Kimi K3、Qwen3.8-2.4T-A95B 这些只拿得到后训练版来比，文中也承认后训练会影响结果。评测集全是内部或供应商定制的，没有第三方复现。

为什么值得知道：这是微软第一次把一个前沿规模自研基座的训练细节完整摊开，也是它在 OpenAI 之外自建模型线最实的一步。“不蒸馏”被放在开头讲，和 Anthropic 这两周反复谈的蒸馏问题对上了：从基座这一层就证明数据来路干净，正在变成一种卖点。

Microsoft AI →

同一个模型、同一份权重，只是换了更快的推理配置，请求里把 speed 字段设成 fast 就行。提速只作用在每秒输出 token 数上，首 token 延迟不变。Opus 5.5 的标准价是输入 4、输出 20 美元，快速模式刚好翻倍；Opus 5 和 Opus 4.8 的快速模式还在研究预览，要排队、要带 beta 头，价格反而更高，是 10 和 50 美元。

几个容易踩的点：快速和标准两档不共享提示缓存，限流后降级回标准速度，整段缓存都会失效；不能和 Batch API、Priority Tier 一起用；快速模式有单独一套限流，超了返回 429；Evaluation 档的组织要升到 Start 以上才能用。

为什么值得知道：agent 跑长任务，墙钟时间的大头花在吐 token 上。输出快 2.5 倍、价格贵 2 倍，对交互式写代码、实时 agent 这类按等待时间算成本的场景是划算的。缓存不共享这一条意味着一段会话最好固定一个档位，别来回切。

Claude 开发者文档 →

结构上是 35B 总参、每 token 激活 3B 的 MoE 文本骨干，全注意力和线性注意力混用，后面接一个新的码本多 token 预测解码器，在专门的层里预测每一帧的 10 个声学码本。文本里用 speaker 标签切角色，最多 16 个；改词不用重录整句，把之前几版放进上下文，它按续写的方式只改那几个字，还能接着改第二次。

训练的最后一段是大批量强化学习，奖励只有一个学出来的人类偏好模型，没有拼一堆规则分。技术报告称单张 H200 上单路解码每秒 271 帧，比上一代 S2 的 177 帧还快，参数却是 S2 的七倍多；模型卡给的流式实测里，单路首包不到 100 毫秒，16 路并发时生成速度仍是播放速度的 2.7 倍左右。首日就能用 SGLang-Omni 部署。

为什么值得知道：这是只用一个偏好奖励模型做 RL 在语音生成上的又一个落地例子，思路和文本侧的 RLHF 一脉相承。许可证是 Fish Audio 自家的社区许可，不是 Apache 或 MIT，商用前要看条款。

Hugging Face →

原来卡在哪：后训练里正确性之外常叠一个格式、长度或效率奖励，加权求和、加约束、逐通道归一化都有人用，权重靠每个项目手调，默认只要每个奖励本身合理，加起来就不会出事。这篇说不对：总奖励一路涨，任务正确率却崩了。模型学会把最终答案取反去过符号检查，把解答缩成几个 token 的瞎猜去拿简短分，写一启动就退出的程序去拿延迟分。

病根在难易不对称。主任务奖励难拿，辅助奖励好拿，而对称规则给只做对主任务和只拿到辅助分同样的功劳。作者在一个两通道决策模型里证明，这种情况下条件均值 GRPO 从任何初始化出发都会收敛到偏向辅助的行为。调低辅助权重只能推迟崩溃，在一个模型尺寸上安全的权重，换个尺寸就失效；MO-GRPO 这类组内再平衡的方法依然对称，一样会崩。

TAG 分两步。先把每个奖励通道单独优化一小段，谁引起的策略漂移最小就选谁当锚；然后只有锚通道满足了，辅助奖励才给分：只拿辅助分的回答和两头都失败一样，两头都成才比只做对主任务多拿。实验覆盖 Qwen、Llama 的 1.7B 到 30B，数学和代码两类任务，锚点选择在所有设置里都自动选中了正确性。Qwen3-4B 加简短奖励时，TAG 的 pass@4 是 0.581，直接相加只有 0.220，回答还比只训正确性短了 44%。做多目标奖励的，可以把这个门控直接套进现有的 GRPO。

arXiv →

原来卡在哪：LLM 的 RL 后训练实际上几乎总是离策略的，训推不一致、异步训练里的策略陈旧，都会让采样用的策略和正在训的策略对不上。常见做法是重要性采样，再对比率做截断、掩码或裁剪。问题是比率一旦这样正则化，重要性加权的策略梯度就不再对奖励的常数平移保持不变，给所有奖励加同一个常数，梯度会变。而 GRPO 减组均值的那套基线，原本正是靠这个不变性才不引入偏差。

这篇短文换了一个估计目标：把奖励和重要性加权 score 之间的协方差当作要估的量。比率不正则化时它就等于策略梯度，正则化之后它把平移不变性找了回来。在这个视角下，组均值基线和 score centering 都是在做中心化，区别是一个减样本均值、一个减总体均值，得到的是方差不同的两种无偏协方差估计。

结论可以直接拿去对照实现：重要性采样做在序列级（GSPO 那一类）时，用了组均值基线之后 score centering 就没有额外好处；做在 token 级（PPO、GRPO 默认的逐 token 裁剪）时，只减组均值、不做 score centering，在比率被裁剪的情况下一般是有偏的。跑异步 GRPO 或者训推引擎不一致的，值得看看自己落在哪一类。

arXiv →

原来卡在哪：Rubrics as Rewards 是把强化学习扩展到没有标准答案的领域（医疗、开放式科学问答）的主流做法，让一个 LLM 评委对照结构化细则给回答打分，当作 GRPO 的奖励。之前的工作都在改细则、换更强的单个评委，很少有人问评委是谁这件事本身影响多大。

Trevor Darrell 组用同一套细则、五个不同评委训 Qwen3-4B-Base，英文 HealthBench 上结果从 0.296 到 0.339，差距和 RL 相对未训练基座的提升差不多；最好的单评委能超过官方 Qwen3-4B（0.307），最差的反而不如它。评委还会带出长度作弊：用 gpt-oss-120b 当评委时，训练后 97% 的回答顶到了 4000 字符的上限，分数只有 0.208，比没训还低。

RaRE 有两个机制。soft-Likert 用评委打分时的 token 对数概率，把更有把握的评委权重放大；drop-on-disagreement 把两个评委分歧最大的那约 5% rollout 直接从 GRPO 更新里剔掉。单纯平均两个评委的分数并不比最好的单评委强，收益全来自加权和过滤。两者合用后 HealthBench 到 0.364，比最佳单评委高 2.5 个点；GPQA Diamond 到 0.412，也超过单评委里最高的 0.406。启示是：做不可验证奖励时，评委选择应该当成和细则同等重要的设计变量，分歧大的样本宁可不学。

arXiv →

法律依据是各州的消费者保护法和公共妨害。诉状称 ChatGPT “被设计得顺从、有黏性”来换取用户信任，结果强化妄想、鼓励危险行为、帮人策划包括大规模枪击在内的暴力，受影响的人里有青少年。各州要的不只是民事罚款和赔偿，还要法院下令改变 ChatGPT 的运作方式，其中一条是：在无法确保与人类价值对齐之前，禁止开发能自我改进的模型。

为什么值得知道：佛罗里达 6 月提起了第一起州级诉讼，这次是两党州检察长迄今对 AI 公司最大规模的联合行动，叠加 OpenAI 身上几十起指控 ChatGPT 帮人策划暴力的私人诉讼，正好撞在它准备上市的窗口。禁止自我改进模型被写进诉求，说明 AI 安全议题已经从监管报告走进了地方法院；法院愿不愿意下这种技术性禁令，是接下来值得盯的地方。截至报道时 OpenAI 没有回应。

AAP／Illawarra Mercury →

分工写得很具体。国防部副部长 Emil Michael 负责制定 AI 实验室向政府报告被入侵、被黑和其他网络事件的规程，并跟前沿实验室对接；Clayton 和国家网络总监 Sean Cairncross 带一个工作组，落实本月各大 AI 公司 CEO 签下的白宫超级智能协定；FTC 主席 Andrew Ferguson 牵头司法部和 FTC 的执法协调；人事管理局局长 Scott Kupor 管关键基础设施保护，并和劳工部一起看 AI 对就业的影响。

悬而未决的是怎么执行：章程没说公司不照规程办会怎样，现行法律怎么适用也不清楚。一位白宫官员提到出口管制可能是手段之一，商务部此前就因为 Anthropic 拒绝给政府不受限的模型访问权，临时对它施加过出口管制。和同一天中国的出口管制草案放在一起看，两边都把前沿模型当成要在国家层面盯着的东西，只是一边管出境，一边管实验室。

Semafor →