先看结构。5% 的承诺还要股东批准；估值相对某个基线每上涨 50%，董事会可以再追加 2%，但基线和具体里程碑都没公布。法律形式选的是 Anthropic 全资持有的 LLC，不是 501(c)(3) 慈善组织，理由是方便在不同的捐赠方式之间切换；这部分股权明确不能用于美国国内外的游说和政治献金。用途列了三类：给传统非营利机构大额捐款、直接分配给特定人群，以及用更大胆的办法应对 AI 对劳动力市场的冲击。它和此前承诺的 2 亿美元劳动力市场研究是两笔钱。

再看总账。联合创始人建公司时就认捐了个人股权的 80%，员工捐赠配捐计划约有一半员工参加，加上这次的 5%，官方说约 20% 的股份最终会用于公益，还不算按里程碑追加的部分。谁来管这只基金、基线怎么定，公告只说“未来几个月”公布，同时会出一份公益进展报告。

为什么值得知道：据报道 Anthropic 计划 11 月上市，在上市前把股权写进公益承诺，相当于给“AI 带来的收益怎么分”立了一个可以核对的数。追加机制把基金规模和公司增长绑在一起，估值越高投进去越多。上一期（10 月 18 日）写过 Anthropic 自家用工数据里初级技术岗在收缩，这只基金点名的用途之一正是劳动力市场冲击。不过治理、基线、什么时候变现这些关键细节都还空着，眼下能核对的只有 5% 这一个数字。

Anthropic →

怎么做的：Claude 拿到八个计算原语的自然语言规格，覆盖化学、优化、量子模拟、数论和数值计算。它用 Python 写出电路，独立的评估器先确认结果正确，再按量子比特数乘以门数打分，用来近似运行时间，分数和反馈交回给 Claude 接着改，轮与轮之间没有人工输入。论文是 arXiv 2610.22367，由 Anthropic STEM Fellows 项目的 Andi Gu 主导，合作者有哈佛的 Susanne Yelin 和 Mikhail Lukin。

结果：七类任务里，找到的电路在 Toffoli 门数和量子比特数上都明显低于已发表的最优方案；第八类是素域上的模逆，搜出了一种新的可逆架构，让经典算法 divsteps 第一次能在可逆整数运算里实用。点加法的一个电路比此前最小的设计多用 12% 的量子比特，门数少 17 倍。DQI 算法里的 OPI/Reed-Solomon 解码器，门数比谷歌之前的构造低 12 倍；按最坏情况要预留 665 个量子比特，Claude 的电路只留 19 个，用 4.03 亿次模拟解码验证过，大约万分之一的运行会失败，在允许的错误率之内。

为什么值得知道：“模型出方案、可验证的评估器打分”这套进化式搜索，在一个有硬约束（可逆性）的领域拿到了超过人类文献的结果。Anthropic 也写了毛病：早期模型过于保守，反复复核已经站得住的改进，偏爱熟知的路子，得强制它并行几条思路完全不同的方案；有些解码规则在小规模上能过，到 256 位的完整尺寸就失败。目前是预印本，评估器是 Anthropic 自己跑的，还没有独立复现，电路设计也只是量子计算的一环。对做 RL 的人来说，这个循环和 RLVR 很像，评估器靠不靠得住决定了一切。

Anthropic →

10 月 7 日那期写过 Beam 的发布，当时说权重和模型卡月底才放，结果 16 日就上线了，一共四个仓库：主模型、FP8、NVFP4 和投机解码用的 DFlash2 草稿模型。FP8 和 4 bit 版能装进一台八卡服务器（H100、H200 或 GB300 都行），16 位全精度要几十张卡。Reflection 说训练用的自蒸馏配方“未来几天”放出，之后的 RL 训练会改用开放环境标准 OpenEnv。

这次多出来的数据点是 token 效率。VentureBeat 读 Reflection 给的图：Terminal-Bench 2.1 上 Beam 的分数略高于 GLM-5.2，每次尝试约生成 2.5 万 token，GLM-5.2 约 8 万，差不多三分之一；DeepSWE 上两者分数相当，Beam 用的 token 略多于对方一半。横向比，Terminal-Bench 2.1 上 Beam 是 80.1，DeepSeek V4.1 Flash 是 90.6、Kimi K3 是 85.0，美国的开放模型在这项上还追不上中国第一梯队；早一天放出的 Meta Muse Spark Open 是 76.4。

为什么值得知道：一周之内美国冒出两个大号开放权重模型，Beam 用的是更宽松的 Apache 2.0，发布当天就有 40 多家推理、微调和托管伙伴，TRL、NeMo RL、SkyRL、Miles 这些 RL 框架都在列，拿它做后训练实验的门槛很低。它的卖点是用更少的 token 做完同样的活，长任务跑下来省的是实打实的推理钱。价格还没公布。

VentureBeat →

Altman 给的理由是“这个世界就是照着人的身形设计的”，同时说身体怎么设计，没有“让机器人运转起来的那个大脑”重要。时间表是他 9 月对《财富》讲的：2027 年会有一个“很酷的演示”，机器人走上街头还要再晚几年。演示什么、长什么样、和哪家硬件厂商合作、卖多少钱，一概没说。

能看到的线索在招聘页上：运动控制、状态估计、执行器控制、整机行为、物理 AI 的机器学习基础设施，外加制造和供应链岗位。据报道 OpenAI 在自研机电执行器，涵盖电机、传动、传感和散热。短期目标是能帮技术工人建设基础设施的通用机器人，长期是面向更多日常任务的个人机器人。

为什么值得知道：OpenAI 2021 年解散过机器人团队，上一代成果是 Dactyl，那只在仿真里训练、后来学会转魔方的机械手。这回从执行器做起，说明它不满足于给别家的机器人供模型，打算把硬件也握在自己手里。不过特斯拉的 Optimus 已经做了好几年，小鹏的 IRON 也已经从产线下来，2027 年的演示离真正量产还远。

Engadget →

原来卡在哪：深度搜索要来回几十轮，GRPO 只有终局对错这一个奖励，平摊到每一步，分不出哪次搜索有用、哪次是白搜。GiGPO 想按中间状态把不同轨迹对齐，可搜索 agent 几乎不会两次碰到一模一样的观测，组分得稀碎；IGPO 拿模型自己对正确答案的概率变化当步级奖励，又容易被又长又嘈杂的检索内容带偏。

做法：每道题先把推出答案需要的信息拆成若干条单跳事实，用参考答案和一条成功轨迹把里面的未知实体落实。每一步由 LLM 验证器（论文里用 DeepSeek-V3.2）判断新拿到的观测满足了哪几条，按位或累积成“知识状态”，已经知道的不会再丢。知识状态相同的步骤，不管搜的词、看的页差多远，都算站在同一个起点，放进一组做组内归一化；每步新增的条件数就是过程奖励，步级优势和终局优势按 0.3 的系数混合。消融里只加知识增益奖励、不分组，比 GRPO 高 1.0 到 2.8 分；再按知识状态分组，又多出 1.0 到 4.2 分，BrowseComp-ZH 上涨得最多。在 Xbench、BrowseComp-ZH、GAIA 上，它比 GRPO、GiGPO、IGPO 高 3.8 到 4.2 分。

为什么值得知道：agent RL 的信用分配一直是瓶颈，这篇给了一个不训 critic、也不依赖模型自信的办法，把“进度”定义成一张能逐条核对的事实清单。代价写在局限里：每道题得先有一条成功轨迹才能构造条件，验证器本身也会判错；进度能拆成离散事实的任务才适用，开放式的 agent 任务不好套。实验只在 Qwen3-8B 上做，训练框架是 verl，代码已开源。

arXiv →

原来卡在哪：Direct-OPD 这类策略差蒸馏，拿老师 RL 前后两个检查点的对数概率之差，当作学生自己生成的轨迹上的稠密奖励，只传 RL 带来的改进，不去模仿老师的绝对分布。但终点之差是一笔总账：同样的差值，可能是前后两段一路同向，也可能是前半程涨过了头、后半程又往回拉。只看起点和终点，这两种情况分不出来。

做法：从同一次 RL 训练里多留一个中间检查点。在学生走到的每个前缀上，取学生概率最高的 k 个候选 token，分别算“起点到中点”和“中点到终点”两段的偏好变化，先做中心化去掉对所有候选都一样的平移，再按学生概率求加权余弦。余弦为正就按它缩放终点信号，为负直接置零。和 Direct-OPD 比，只多一次冻结老师的打分，不用多训老师，也不用调验证器。老师是 RL 训过的 Qwen3-4B，学生是 Qwen3-8B、14B 和 30B-A3B；七个数学基准的 mean@32 均分分别比 Direct-OPD 高 2.18、1.59、1.89 个百分点，代码上也是对比方法里最高的。消融里把门控去掉或打乱，数学分数都会下降。

为什么值得知道：把小老师训出来的 RL 收益搬到更大的学生身上，是省 RL 算力的一条现实路子，这里就是 4B 教 30B。这篇的思路成本很低，训练中本来就会存检查点，多用一个就能筛掉来回摇摆的那部分信号。作者也承认，方向一致并不保证监督一定有益，中间检查点放在哪一步也单独做了消融。

arXiv →

原来卡在哪：预训练多在 4K 到 8K 的上下文里做，几乎见不到 agent 交互；SFT 主要是合成对话，而 SFT 拉得太长会削弱模型之后的 RL 可训练性，NVIDIA 说自己训练时也碰到过。整个仓库、PR、提交历史动辄几万到几十万 token，预训练装不下，收尾那段短短的长上下文阶段也吃不完。GLM-5、Qwen3-Coder-Next、Kimi-Dev 都有中期训练，可技术报告很少讲数据怎么造、比例怎么配。

配方：混合数据里 75% 是中期训练专用数据（Issue–PR 41%、整仓代码 20%、agent 轨迹 10%、diff 3%、构建和 CI 日志约 1%），20% 回放预训练数据，5% 是长上下文数据。整仓代码只留至少 20% 文件互相 import 的仓库，并按依赖关系把相关文件排在一起。agent 轨迹里工具返回的内容不计入损失：同样训 100B token，不屏蔽时 SWE-bench Verified 的 pass@1 只有 27.5，屏蔽后是 37.8。Nemotron 3.5 Lightning（30B-A3B）经 500B token 中期训练，Verified、Multilingual、Pro 分别涨 3.8、7.0、3.5 分；Super（120B-A12B）经 280B token，长程任务基准 DeepSWE 从 11.7 涨到 15.7。

为什么值得知道：中期训练是眼下 agent 模型拉开差距的地方，也是公开得最少的一段。这篇把每种数据来源和消融都摆了出来，还有一条很实用的结论：bits-per-byte、LoCoDiff 这类底座指标预测不了后训练结果，要评估就得固定一段短 SFT 实打实跑一遍。局限也写得清楚：每组比较只跑了一次，一两分的差距可能是噪声，配方只在 Nemotron 上验证过。

arXiv →

嘉信 CEO Rick Wurster 10 月 16 日在彭博电视上说，公司每周会收到一份拦截报告，主要的几家 agent“每周被拦十几二十次”。问题出在客户把登录密码交给 agent，由它代为操作：“我们控制不了，客户也控制不了，出了事谁负责？”他的方案是提供基于 MCP 的只读接入，客户自选的模型可以按嘉信的规则查余额、做研究，动不了钱；同时力推 9 月 30 日上线的自家助手 Charley。摩根大通 CEO 戴蒙在这周二的财报电话会上说得更直接，警告提防“流氓 agent”，外部 agent 不许在行内系统里操作，目前只开放部分第三方工具读取账户数据，不能转账或付账单。

为什么值得知道：消费级 agent 卡在“能看不能动”这一步，卡住它的是出了事谁担责，模型能力倒在其次。美国国会还在争论 agent 的责任归属，美欧监管也在向银行问 agent 带来的网络风险。也有观察者认为银行另有顾虑：agent 可能把客户闲置的现金挪去收益更高的地方，直接冲击利差收入。只读 MCP 接口很可能成为金融业的默认做法，agent 最终能做到哪一步，要看平台愿意开放到哪一步。

The Next Web →

据《每日电讯报》报道，微软退出了 Nscale 在埃塞克斯郡 Loughton 规划的数据中心。报道没给出具体原因，不过这个项目一直卡在供电上，当局据称告诉 Nscale，电网接入可能要等到 2030 年代。Nscale 回应说会继续开发这个园区，正在评估替代电源，和微软的关系“依然稳固”，供电问题不影响其他合同。微软没有公开回应。

时间点很敏感。Nscale 正在准备 IPO，最快本月，募资最多 30 亿美元；招股文件显示，微软和 Anthropic 合计占它约 85% 的合同。它在挪威的旗舰数据中心也比计划晚了大约半年，规划的 30 MW 只上线了 6.4 MW。

为什么值得知道：算力扩张的瓶颈正在从芯片转向电力和建设周期。对 AI 基础设施公司来说，签下大客户只是第一步，电接不上，合同照样落空。同一份报道还提到，澳大利亚的数据中心开发商 Firmus 因为认购不足放弃了 IPO，资本市场对这类靠借钱扩张的公司正在变得挑剔。

Investing.com →