大模型前沿动态 · Vol.98

Gemini 3.8 Flash与Flash Cyber发布：网络安全能力被单独切成受控分发变体、OpenAI 10亿美元补贴Daybreak下沉一线防御、李飞飞World Labs发布从零预训练的全模态世界模型Atlas

Google 发布 Gemini 3.8 Flash 与 3.8 Flash Cyber，Cyber 变体仅通过 Fairwind Program 向可信防御者开放；OpenAI 推出 Daybreak for Frontline Defenders，10 亿美元补贴一线关键基础设施防御；World Labs 发布 Atlas 全模态世界模型，多模态自回归扩散 Transformer 从零预训练，面向 Real-to-Sim；arXiv 论文证明 OPD-then-RL 两阶段后训练优于所有联合方案

大模型 Google Gemini 3.8 Flash 网络安全 Fairwind OpenAI Daybreak 网络防御 World Labs Atlas 世界模型 空间智能 后训练 OPD RLVR

本期核心看点：Google 六周内第三次更新 Flash 系列，把网络安全能力单独切成一个只向”可信防御者”开放的模型变体；OpenAI 承诺 10 亿美元补贴，要把前沿网络能力推进水务、电网、地方政府这些最缺人的一线；李飞飞的 World Labs 拿出从零预训练的 Atlas，用”空间上下文”把文本、图像、位姿和深度图缝进同一个自回归扩散 Transformer；arXiv 上刚提交的 cs.CL 论文给出了后训练顺序的明确答案——先蒸馏、再强化学习，比把两个信号混在一起训更好。

Gemini 3.8 Flash 与 Flash Cyber：Google 把网络安全能力切成了单独分发的模型变体

事件概述

9 月 2 日，Google 发布 Gemini 3.8 Flash 与 Gemini 3.8 Flash Cyber，距 3.7 Flash 发布仅三周，是六周内的第三次 Flash 更新。两个变体共用一套基础智能，3.8 Flash 定价与 3.7 持平：每百万输入 token 0.75 美元，每百万输出 token 3.75 美元。

技术解析

两个变体的提升来自同一个设计选择——让模型多干几步。官方的说法是 3.8 Flash 在复杂任务上表现出更高的勤勉度：执行额外的推理步骤、迭代调用工具，在较高 effort 等级下会用更多 token 换结果。DeepSWE v1.1 长程软件工程基准上，3.8 Flash 的成绩超过多数参数量更大的前沿模型；HLE-Verified 拿到 54.9%；Vals Finance Agent V2 和 Harvey 的法律智能体基准也都超过了 3.7 Flash。

Cyber 变体的能力边界更能说明问题。漏洞发现基准 CyberGym 上，3.8 Flash Cyber 超过了 3.5 Flash Cyber 和更大的前沿模型；Google 内部一套覆盖 20 种编程语言代码库的评测中，成功率超过 70%。修补侧，CWE-Bench 的 pass@1 为 47.2%，与领先前沿模型的 47.8% 基本持平，成本却低得多。Chrome 安全团队实测到 3.8 Flash Cyber 产出的正确补丁数量是最佳商用大模型的 2.6 倍；Wiz 在其内部渗透测试基准上测得召回率高出 7.5 至 9.7 个百分点，成本低 2.3 至 5.2 倍；Google Cloud 漏洞研究团队用它不到两小时找到了一个通常需要数月才能发现的基础组件漏洞。

行业影响

3.8 Flash Cyber 不公开发放，只通过新设的 Fairwind Program 向政府、关键基础设施运营方和软件维护者开放，安全缓解措施比标准版更宽松。高能力高风险的版本从公开 API 里被摘出来，用准入制替代一刀切。安全厂商的竞争焦点随之从”能不能找到漏洞”转向”能不能自动修好”，Google 明确表示优先做修补而非利用。CWE-Bench 上的成本位置还说明，小模型在高价值垂直任务上已经贴着前沿模型的性能线在打。

相关链接

OpenAI 投 10 亿美元补贴 Daybreak：前沿网络能力下沉到水务、电网和地方政府

事件概述

9 月 3 日，OpenAI 推出 Daybreak for Frontline Defenders，承诺 10 亿美元用于补贴 Daybreak 网络模型的访问、培训、技术支持与合作伙伴计划，目标六个月内消耗完毕。优先级排给美国的水务与污水处理系统、电网运营方、州与地方政府、社区银行、非营利组织和开源维护者。

技术解析

Daybreak 分 Blue 与 Red 两层：Blue 用主线模型支撑常规防御工作，Red 让通过审核的组织使用专用网络模型。目前 2000 个获批组织和工作区中的数千名防御者在使用。与这笔钱同步公开的还有 Defense Factory 的架构——一套持续运转、以智能体为先的体系，接在现有的安全和工程工具之上，负责发现并验证漏洞、准备经过测试的修复方案交人工复核，OpenAI 把它当可复制的样板公开了。

OpenAI 用来论证紧迫性的概念叫”防御者窗口”：模型能力上升会让 AI 驱动的网络攻击在几个月内变得更普遍更复杂，防御方得抢在攻击者之前把系统补上。上周 OpenAI 已联合 150 多家组织发出集体行动呼吁。落地路径上，本周第二次公用事业公司会议聚集了代表 40 个州与哥伦比亚特区的参与者，覆盖美国一半以上人口。

行业影响

钱补贴的是算力和培训，解决的却是人的问题：水务公司、地方银行这类组织既没人会用，也没预算买。Google 用 Fairwind 做准入制分发，OpenAI 用补贴做普惠分发，同一周里两家选了相反路径。能力越强，分发机制的政治性就越重。另一个信号是 MS-ISAC 成为首个试点伙伴——这个为美国数千家公共机构提供威胁情报的共享组织，说明这类能力的规模化入口在行业协作机构，不在单点销售。

相关链接

World Labs 发布 Atlas：从零预训练的全模态世界模型，把空间控制放进架构核心

事件概述

World Labs 于 9 月 1 日发布 Atlas，9 月 2 日中文科技媒体跟进。李飞飞称其为 World Labs 的里程碑成果，官方定位是面向空间智能的全模态（omni）世界模型，一句话概括是：建模世界，移动相机，模拟空间和时间。

技术解析

Atlas 是一个多模态自回归扩散 Transformer，从零预训练，原生处理文本、图像、相机位姿和 3D 深度图，视频则表示为图像序列。三个关键词各对应一层设计。多模态指各类输入被混合进同一个共享的”空间上下文”，每张图像和深度图都绑定一个显式相机位姿，空间控制因此成为架构的核心而非附加功能。自回归指模型在元素序列上逐个生成，每个输出以序列中更早的部分为条件，不同任务只是不同类型的序列。扩散指它是 Rectified Flow 模型，靠逐步去噪生成输出，推理时改去噪步数即可在速度与质量之间取舍。

两头通吃的设计带来实打实的收益：作为自回归 Transformer，它能复用 KV Cache、缓存感知路由、解耦式服务这些 LLM 的加速技术；作为潜空间扩散模型，它又能用扩散蒸馏、无分类器引导、移位噪声调度和更先进的 VAE。输出侧除图像和视频帧外，还能直接给出点云或 3D 高斯泼溅这类显式 3D 表示。能力清单里包括单图生成带像素级相机控制的最长 1 分钟 1440p 视频、从一到数十张输入图像重建场景、转换已有视频的观察视角。评测结果是相机轨迹越复杂，Atlas 相对 SOTA 视频模型的优势越大；稀疏视角 3D 重建上超过了表现最好的专业开源重建模型。

行业影响

Atlas 的落点是 Real-to-Sim。World Labs 今年 7 月收购机器人仿真公司 SceniX，随后公开 Real-to-Sim-to-Real 系统，把机器人训练的最大瓶颈定义为缺少廉价、可控、可规模化的经验。喂几张照片就能生成带深度的逼真数据，“造训练场”的成本被拆掉了大半。李飞飞 6 月把世界模型分为渲染器、模拟器、规划器，强调最关键的是模拟器，因为它承载几何、物理和动力学。Atlas 将成为未来版 Marble 及 World Labs 其他产品的底层模型，目前向部分合作伙伴开放早期访问。国内具身团队在仿真硬件和数据流水线上的积累不少，从真实照片到 3D 空间再到传感器视图这条路径打通后，比拼的会是谁先让生成数据真正进入训练闭环。

相关链接

arXiv：先做同策略蒸馏、再做强化学习，好过把两个信号混着训

事件概述

9 月 3 日提交至 cs.CL 的论文《Sequential Beats Joint: On the Interplay between On-Policy Distillation and RLVR》给出一个干脆的结论：推理模型的后训练阶段，先做同策略蒸馏（OPD）、再做带可验证奖励的强化学习（RLVR），稳定优于纯 OPD、纯 RLVR，以及所有把两者融合进同一步的联合方案。

技术解析

此前主流做法是用 OPD 的稠密 token 级监督去补足 RL 的稀疏奖励，两个信号塞进同一个训练步：要么加权相加，要么用教师信号重缩放 RL 的优势函数。论文把这两类联合基线与简单的两阶段方案放在一起比，逻辑和数学推理基准上两阶段全赢。

机制解释给得比较扎实：OPD 负责扩大学生模型对教师支持的解的覆盖范围，RL 负责在这个范围内做锐化，两个信号同时优化会互相干扰。论文还给出了可操作的切换判据——OPD 的验证集分数，并指出 OPD 比 SFT 更适合当 RL 的冷启动。

行业影响

后训练的工业化配方一直在往复杂里卷，这篇论文证明了”分开做”这个更省事的方案反而更强，还给出了切换时机的判据。对算力预算紧的团队，两阶段意味着可以更早砍掉昂贵的联合训练，把资源集中在 RL 阶段的采样上。冷启动那条结论同样可迁移：RL 阶段表现不稳时，问题可能出在 SFT 阶段，而不是 RL 的超参数。

相关链接