AI 前沿速递 · Vol.139

AI前沿速递 · 2026年10月06日（下午场）

OpenAI 为应对欧盟 AI 法案给 ChatGPT 与 Codex 加上文本水印 textGrain，并公开了检出率的衰减数据；Reflection AI 发布 5010 亿参数开源权重模型 Beam，主打推理算力省 3-4 倍；HackerRank 的 AI 面试 agent Chakra 转正，半年主持 50 万场面试；Instinct 把 agent 带进群聊，未注册好友也能参与；Codex 负责人许下 28 天军令状，每天要么有改进要么重置额度。

前沿速递 AI 文本水印 OpenAI 开源模型 AI面试 AI智能体 Codex

今天的五条没有一条在讲模型又变强了多少。它们讲的是同一件事的另一面：产出要能被认出来，算力要买得起，判断要交得出去，agent 要进得了人群。

欧盟文本水印落地：OpenAI 把 textGrain 的失败率一并公布了

事件概述：当地时间 10 月 5 日，OpenAI 发布《Our approach to EU text provenance rules》，应对 8 月 2 日生效的欧盟 AI 法案透明度条款，给 ChatGPT 与 Codex 的文本输出加一层看不见的水印。做法不是插入符号，是让模型在选词时做细微偏移，形成统计信号；改动长在文字里，复制粘贴会跟着一起走。技术名叫 textGrain，与宾夕法尼亚大学、耶鲁大学的研究者共同完成，技术报告同步公开，后续计划开源。

覆盖范围分三段。API 客户当天起可在全球范围内自选开关，默认关闭；欧盟境内的 ChatGPT 与 Codex 用户在未来几周内陆续覆盖，仅限欧盟，不做全球默认；检测器当天开放申请，首批只给审核通过的研究者与专业机构。

官方给出的边界比功能本身更有信息量。假阳性率控制在 1% 的前提下，200 token 段落检出率约 80%，400 token 段落约 95%；数学类内容因为选词空间小，检出率明显更低。400 token 段落里把 10% 的词换成同义词，检出率从约 92% 降到 66%；换掉 25%，只剩 17%。OpenAI 还列了五条「水印说明不了什么」：说明不了人的贡献占比、归属与责任、使用者身份、内容是否准确，而检不出水印也不等于是人写的。质量侧，Astra 在九项基准上加水印前后的差值都在噪声量级：Artificial Analysis 49.57 → 49.76，DeepSWE v1.1 72.80% → 71.68%，Terminal-Bench Science 56.90% → 60.00%。

为什么值得关注：头部厂商头一回把文本水印的失败率写在发布页上。两个月前 Anthropic 宣布给 Claude 的文本加水印，范围是全球，随即引来一批用户反弹；OpenAI 这次把范围缩到欧盟、检测器不公开、并写明「理想条件下表现好不等于日常可用」，等于承认这项技术还撑不起它要承担的法律义务。欧盟法案要的是「机器可读」，而机器可读这道门槛在同义词替换面前相当脆弱——合规动作做完了，可识别性未必跟着到位。

相关链接：

Reflection 发布 Beam：5010 亿参数开源权重，主打每 token 的性价比

事件概述：当地时间 10 月 5 日，成立两年、总部在布鲁克林的 Reflection AI 发布首个开源权重模型 Beam。5010 亿总参数、230 亿激活参数，稀疏 MoE，预训练 23.8 万亿 token，上下文 1M。强化学习阶段投入 10500 张英伟达 GB300 跑满四周，产出超过 1 亿条 rollout，训练与评分用掉约 13 亿个沙盒，配套 100 万个编码、agent 与 STEM 环境，最长上下文 256K。

官方基准表里，Beam 在 SWE-Bench Verified 拿到 80.9、Terminal Bench v2.1 80.1、SWE-Bench Pro v1 65.5、DeepSWE v1.1 44.4，多数项目低于 GLM-5.3、Kimi K3 与 Qwen 3.8-Max，高于 Inkling 与 Nemotron 3 Ultra。它主打的不是绝对分数，是单位算力：官方称在高级推理基准上成绩与 GLM-5.2 相当，推理算力只需对方的三分之一到四分之一；对比 2T 以上参数量级的 Qwen 3.8-Max，差距更大。权重本月以 Apache 2.0 放出，附技术报告与模型卡，眼下还在最终红队与评估，先开放候补名单。

公司背景与这笔账有关：累计融资约 47 亿美元，投资方含英伟达、红杉与 Lightspeed，上一轮投前估值 250 亿美元；夏天与 SpaceX、Nebius 签的算力合同合计超过 70 亿美元，锁定 GB300 供应至 2029 年。商业方向是「AI factory」，让企业与主权国家拿自有数据在本地训一套，韩国 Shinsegae 集团已在试点。

为什么值得关注：这条赛道上的竞争维度换了。过去「西方开源对抗 DeepSeek 与 Qwen」讲的是能力追平，Beam 明确承认 Kimi K3 在原始能力上仍然领先，转而在「每 token 换多少智能」上开价——对要跑海量 agent 的企业，这才是真账单。另一层是算力来源：一家开源实验室把 10500 张 GB300 押在 RL 上跑四周，背后是英伟达投了钱、供了芯片，还在推销 AI factory 概念。官方分数还没有第三方复现，权重也未放出，成绩单目前只有 Reflection 自己这一份。

相关链接：

HackerRank 的 AI 面试官转正：半年 50 万场，作弊标记降了七成

事件概述：当地时间 10 月 5 日，技术评测平台 HackerRank 把 AI 面试 agent Chakra 从 beta 转为正式可用。测试期半年内已主持超过 50 万场面试，试用方包括 Snowflake、Snorkel 与凯捷。流程是给候选人一个真实代码仓库里的任务，在带 AI 助手的画布里完成，Chakra 全程观察过程并追问：为什么选这个方案、加一个新限制会怎么改。评分对象从「答案对不对」换成「怎么走到答案」，另加一项「AI 流畅度」，考察候选人会不会给 AI 定问题、判断输出、纠正方向。

联合创始人兼 CEO Vivek Ravisankar 给了一个反直觉的数字：Chakra 面试里的可疑行为标记比同类的传统 HackerRank 测评低 70% 到 80%，按地区与资历有所浮动。他的解释是，面试当场就能用 AI，候选人偷开外部工具的动机随之消失。产品层面，Chakra 把原本的 recruiter 初筛、take-home 作业、工程师复面三轮压成一场；公司强调它只负责打分，录用决定留给人。HackerRank 现有 3000 多家企业客户，社区开发者超过 3000 万，Ravisankar 拿苹果从 iPod 走到 iPhone 类比这次转型。

为什么值得关注：招聘是 AI 落地最敏感的场景之一，纽约市已要求使用自动化雇佣决策工具的雇主做独立偏见审计、并提前告知候选人。Ravisankar 那句「AI 调好了比人偏见少」在技术上站得住——同一套 rubric 对每个候选人一致——但一致不等于无偏，标准本身携带什么偏见是另一回事。更值得盯的是评估目标的迁移：做出成品的边际成本趋近于零之后，雇主只能去测过程与判断力，这道题的解法会顺带改写计算机教育的教学重点。

相关链接：

Instinct 把 agent 放进群聊：没注册的朋友也能一起用

事件概述：当地时间 10 月 5 日，估值 100 亿美元的 Instinct 宣布支持群聊，好友即使没有 Instinct 账号也能参与同一段对话。官方举的场景包括一起订行程、抢活动票、跑梦幻联赛、组织拼车、分派感恩节各自带什么。隐私设计是这次的重点：个人 agent 要先向用户请示才连上群里的 agent；群 agent 与个人账号隔离，读不到个人数据；分享信息或采取行动前都要再问一次；新成员加入时，个人 agent 尚未发出的回复会被先扣住。功能先面向早期访问用户，随后放开。

竞争格局上，Instinct 与 Meta 的 Muse 在两周前先后加了打电话功能，这次群聊由 Instinct 先落地——Meta 上一代的 Meta AI 应用能在 WhatsApp、Messenger、Instagram、Facebook 群聊里使用，Muse 还没有。OpenAI 上周推出的 Dots 走的是另一条路，靠 ChatGPT Spaces 做协作空间。

为什么值得关注：agent 从「一个人的助手」往「一群人的协调者」走，麻烦也从隐私变成授权。你的 agent 替你在别人面前说话、替你许下承诺，权限边界得在每次发言前重新确认。Shinn 那套「先请示、再隔离、新成员进来先扣住回复」的设计，把同意机制做成了流程而不是开关。谁先把这套交互做顺，谁就握住多人场景的入口，这也是三家眼下贴身缠斗的原因。

相关链接：

Codex 负责人立下 28 天军令状：要么每天有改进，要么重置额度

事件概述：OpenAI Codex 负责人 Tibo 公开承诺，接下来 28 天每天二选一：交付一项对多数 Codex/Work 用户明显有用的改进，或来一次完整的额度重置。此前他在社区征集「Codex 还缺什么」，把后续工作锁在四个方向——简化产品、提高效率以支撑更多用量、突破性功能、新模型。量子位 10 月 5 日报道此事，并把用户不满归为三类：DevDay 一口气端出 20 多项更新让人抓不住重点，个人 agent Dot 表现一般；重置过于频繁且不可预测，反而打乱工作安排，而套餐还在缩水、新出的 500 美元档偏贵；模型在长任务里中途断连，重置多少次都卡在同一步。Grok Bot 的 Lauren Tan 在 X 上嘲讽 OpenAI 靠重置额度撑场面，Tibo 随即回怼。

为什么值得关注：把产品承诺做成「二选一」的日更仪式，本身就是竞争压力的外化——Anthropic 的 Opus 5.5 与 Codex 正面相撞，社区里「只想要 Opus」的声音不小。这组抱怨也说明当下 coding agent 的短板不在功能数量，在稳定性：用户反复提的是断连与返工，这类问题靠多发一次额度解决不了。按官方口径，「明显有用」四个字才是这 28 天真正的标尺，少一次断连也计入改进，不必再憋一个大招。

相关链接：