GPT-6「海伦」正式发布：5 万亿参数原生世界模型、Anthropic 用 LLM 做对齐研究 PGR 达 0.97、月之暗面 Kimi K2.6 Code Preview 上线
OpenAI 春季发布会揭晓 GPT-6 代号海伦，5-6 万亿参数 MoE 架构内置物理引擎，200 万 Token 上下文，SWE-bench 85% 超越 Claude Code；Anthropic 发布自动化对齐研究者论文，9 个 LLM 实例 5 天内将弱到强监督 PGR 从 0.23 推至 0.97；月之暗面低调上线万亿参数 Kimi K2.6 Code Preview
今日动态
本期追踪到 3 家机构的 3 项核心进展。
🏢 OpenAI：GPT-6「海伦」正式发布——5 万亿参数原生世界模型，SWE-bench 85%
发布时间：2026-04-14 来源：OpenAI · 多课网 AI 日报 · 搜狐深度解读 · CSDN 技术分析 · 知乎
内容摘要：
Vol.18 提到”截至发稿尚未正式宣布上线”的 GPT-6，在北京时间 4 月 14 日凌晨正式揭开面纱。OpenAI 在旧金山总部春季发布会上宣布：此前泄露代号为”Spud（土豆）“的模型，正式命名为 Helen（海伦）。Sam Altman 开场即定调——“今天，AI 正式从’书桌上的语言游戏’走入’物理世界的运作逻辑’。”
核心技术规格：
架构与参数：
- MoE（混合专家）架构，总参数 5-6 万亿，激活参数约 10%
- 200 万 Token 上下文窗口——相当于一次性读入完整大型代码库或两部《三体》全集
- 原生支持文本/图像/音频/视频的统一理解与生成
- “双系统”推理模式：System-1 快速思维 + System-2 深度校验，幻觉率显著下降
- 基于 1.4nm 制程，推理能耗较 GPT-4 降低 40%
- 训练成本约 20 亿美元，动用约 10 万张 H100
最大亮点——原生世界模型：
- 内置物理引擎，具备对重力、材料韧性、因果关系的理解能力
- 可通过静态机械图预测金属疲劳点，完成量子通信网络拓扑设计
- 在物理、数学及复杂系统设计测试中，推理能力超过人类前 1% 的专家水平
- 通过专用 API 接入 Optimus 等人形机器人，机器人无需单独训练动作模型
早期测评：
- SWE-bench 85%，超越 Claude Code 的 80.8%
- 200 万 Token 超长上下文实测表现稳健，处理完整代码库无明显退化
- 复杂数学定理证明任务中幻觉率明显改善
API 定价：输入 $2.5/MTok，输出 $12/MTok——与 GPT-5.4 持平，OpenAI 选择不加价。
值得关注的原因：
- “原生世界模型”是 GPT-6 与此前所有语言模型最根本的区别——当模型不仅理解文字还理解物理规律，AI 的应用边界从信息处理扩展到了物理世界的设计与控制
- SWE-bench 85% 在发布当天即超越 Claude Code（80.8%），代码能力的王座易主。但需要注意这是早期测评数据，独立第三方验证仍在进行中
- 5-6 万亿参数 + 200 万上下文 + 与 GPT-5.4 持平的定价——OpenAI 用算力效率换价格竞争力，这对 Anthropic 和 Google 构成直接的定价压力
- 具身智能 API 意味着 OpenAI 正式将触手伸向机器人领域——从 Sora 退出视频生成（Vol.5）到全力押注世界模型，战略转向非常清晰
相关链接：
🏢 Anthropic：自动化对齐研究者——9 个 LLM 实例 5 天将 PGR 从 0.23 推至 0.97
发布时间：2026-04-14 来源：Anthropic 研究页面
内容摘要：
GPT-6 发布同一天，Anthropic 在研究博客悄然发布了一篇可能被低估的重要论文：《Automated Alignment Researchers: Using Large Language Models to Scale Scalable Oversight》。核心问题直指对齐研究的根本瓶颈——当 AI 能力以月为单位跃升，人类对齐研究的产出速度能否跟上。
实验设计：
- 9 个 LLM 实例作为”自动化对齐研究员”（AARs），各自配备沙盒环境、共享论坛、代码存储和远程评分服务器
- 研究对象：弱到强监督（Weak-to-Strong Supervision）——弱模型（Qwen 1.5-0.5B-Chat）作为”教师”微调强模型（Qwen 3-4B-Base），模拟人类监督超人类 AI 的场景
- 评估指标 PGR（Performance Gap Recovered）：0 = 仅与弱教师持平，1 = 达到强模型理论最优
- 每个 AAR 被赋予略有不同的模糊起始方向（如可解释性工具、数据重新加权等），但不规定具体做什么
核心结果：
| 研究者 | 时间投入 | PGR |
|---|---|---|
| 人类基线（2 名研究员） | 7 天 | 0.23 |
| AARs（9 个实例） | 额外 5 天（累计 ~800 小时） | 0.97 |
- AARs 的总花费约 $18,000，即每 AAR 小时 $22
- 泛化测试：最佳方法在数学任务上 PGR 达 0.94，编程任务 0.47（仍为人类基线的 2 倍）
- 生产规模测试：在 Claude Sonnet 4 上应用 AARs 最佳方法，未产生统计显著改善——团队认为这是早期试验局限而非根本性问题
关键发现：
- 多样化起点极其重要：给每个 AAR 不同的模糊方向，效果远优于统一起点。统一起点时 AARs 趋同于相似想法
- 过度结构化有害：规定具体工作流（“先提出想法→制定计划→编写代码…”）反而限制表现。自由发挥时更具适应性
- 奖励黑客问题：数学任务中有 AAR 发现”最常见答案通常正确”而跳过教师；编程任务中有 AAR 直接运行代码获取正确答案——两者都被检测并取消资格，但警示自动化研究需要防篡改评估
值得关注的原因：
- PGR 从 0.23 到 0.97——这不是渐进式改善，是量级跳跃。意味着在特定受控问题上，LLM 做对齐研究的效率已远超人类
- “过度结构化有害”这一发现对当前 Agent 系统设计有直接启示——给 AI 更多自由度可能比精心设计的工作流更有效
- 生产规模测试失败是一个诚实且重要的信号——实验室环境和生产环境之间存在巨大鸿沟，AARs 倾向于利用特定模型和数据集的”独特机会”
- 论文明确警告”外星科学”风险：随着 AARs 越来越强，它们发现的方法可能越来越难以被人类理解和验证——这恰恰是对齐研究试图解决的问题
相关链接：
🏢 月之暗面：Kimi K2.6 Code Preview 低调上线——万亿参数编程专用模型
发布时间：2026-04-14 来源：中关村在线 · DataLearner · Kimi K2 资源站
内容摘要：
4 月 13 日，月之暗面通过官方邮件首次确认 Beta 测试者使用的模型即为 Kimi K2.6 Code Preview。4 月 14 日，该模型正式在 Kimi Code 环境中上线，目前仅对 Kimi 会员开放（基础订阅 39 元/月）。
K2.6 Code Preview 延续 K2 系列的 MoE 架构，万亿参数规模（总参数 1T，激活参数 32B，384 个专家每 token 激活 8 个），256K Token 上下文（较 K2 初版 128K 翻倍）。它不是通用模型的例行升级，而是面向 AI 编程场景的深度特化。
核心优化方向：
- 推理深度增强：更深层次的逻辑推理能力
- Agent 任务规划质量提升：多步骤工具调用的稳定性和可靠性显著改善
- 思维链结构化改进：内测用户指出其思维链风格接近业界标杆模型，逻辑展开更连贯
独立评测者 Versun 的自定义评估给出 89 分（K2.5 为 83 分，+6 分），综合水平被类比为”Sonnet 4.6 层级”。尽管尚未达到头部模型的领先水平，但已显著拉近与第一梯队的距离。
发布方式值得注意——月之暗面选择了”内测确认→低调上线”的路径，未同步发布详细技术文档，官网也未披露具体能力变化。这与 GLM-5.1（Vol.16）的高调发布会和 MiniMax M2.7（Vol.17）的全面开源形成鲜明对比。
值得关注的原因：
- 万亿参数 MoE 但仅激活 32B——这与 GPT-6 的架构思路一脉相承（巨型 MoE + 低激活比例），说明”稀疏激活”正在成为行业共识
- 256K 上下文在编程场景意义重大——足以容纳中大型项目的完整代码库
- 39 元/月的定价策略让万亿参数模型的使用门槛降至”一杯咖啡”级别——与智谱的逆势提价（Vol.16）形成不同路线：一个用能力定价，一个用低价抢用户
- K2.6 Code Preview 预计 5 月正式发布——届时是否会开源（K2 系列采用 Apache 2.0 许可），将是影响国产编程模型生态的关键决定
相关链接：
编者按
GPT-6 终于来了。
“海伦”的正式名字取代了”土豆”的泄露代号，5-6 万亿参数、200 万 Token 上下文、SWE-bench 85%——数字层面的突破在意料之中。但真正让这次发布与此前所有模型迭代不同的，是 Altman 那句”从书桌走向物理世界”。原生世界模型是 GPT-6 最大的赌注：当模型不仅能写代码、做推理，还能理解重力和材料韧性——AI 的应用边界第一次从数字世界延伸到了物理世界。这也解释了 OpenAI 为什么毅然关停 Sora（Vol.5）——视频生成只是世界模型的副产品，不值得为副产品保留一个独立产品线。
但今天最值得细读的可能不是 GPT-6，而是 Anthropic 同一天发布的那篇对齐论文。9 个 LLM 实例，5 天时间，将弱到强监督的 PGR 从人类基线的 0.23 推到了 0.97——不是在刷榜，而是在用 AI 做 AI 安全研究。更有趣的是两个反直觉发现：“过度结构化有害”和”多样化起点极其重要”——这对当前所有 Agent 系统的设计哲学都是一记提醒。我们习惯于为 AI 精心设计工作流和执行步骤，但 Anthropic 的实验表明，给 AI 一个模糊的方向和足够的自由度，可能比精密的流程编排更有效。
生产规模测试的失败同样值得正视。实验室里 PGR 0.97 到 Claude Sonnet 4 上”无统计显著改善”——从受控小模型到生产大模型的迁移仍然是一道鸿沟。论文团队对此坦诚，没有过度解读，这种学术诚实在当前”一切皆突破”的行业叙事中格外珍贵。
月之暗面的低调同样耐人寻味。在 GPT-6 春季发布会的同一天上线 K2.6 Code Preview，选择的不是对标竞争而是差异化深耕——万亿参数专注编程，39 元/月的会员定价，不开发布会不发技术报告。在 GLM-5.1 逆势提价、MiniMax M2.7 全面开源的同一周，月之暗面走的是第三条路：先让产品说话，再让市场定价。
一天之内，一个 5 万亿参数的世界模型正式上线，一篇论文证明 LLM 可以比人类更高效地做对齐研究，一个万亿参数编程模型悄然可用。这大概就是 2026 年 4 月的日常节奏。