OpenAI 同日多发：Images 2.5 延迟砍半、GPT-5.6 Sol 自主标定六比特超导芯片、自研推理芯片 Jalapeño 每瓦吞吐达 1.9 倍；窄边界安全把过度拒答代价量化到 74%
9 月 8 日 OpenAI 连发多篇公告：ChatGPT Images 2.5 相比 2.0 延迟最多降 50% 并把 API 拆成 Flare／Sunburst 两档；GPT-5.6 Sol 挂在 Codex 上在 MIT EQuS 自主跑完六比特超导芯片标定；CFO 文章披露 Sol 改服务软件砍掉 20% 端到端服务成本、自研推理芯片 Jalapeño 每瓦峰值 token 吞吐达被测商用系统的 1.5 到 1.9 倍。同日 Multiverse Computing 的窄边界安全研究显示，把政治拒答率从 9.47% 提到 84.75% 的同一检查点，XSTest 过度拒答从 2% 升到 74%。
9 月 8 日 OpenAI 一天推出六篇公告，其中三条把「模型当工程师用」写成了可核查的数字：Images 2.5 把生成延迟砍掉一半，GPT-5.6 Sol 在 MIT 实验室自主标定六比特超导量子芯片，自研推理芯片 Jalapeño 交出每瓦吞吐 1.5 到 1.9 倍的实测；另一头，Multiverse Computing 用一组对照数据证明，把有害拒答率从 9.47% 拉到 84.75% 的同一个检查点，会把 XSTest 上的过度拒答从 2% 顶到 74%。
ChatGPT Images 2.5：把图像模型拆成「快」和「准」两档卖
事件概述
9 月 8 日 OpenAI 发布 ChatGPT Images 2.5，面向 ChatGPT、ChatGPT Work 与 Codex 的全部档位用户推送，覆盖桌面端、移动端和网页端。官方给出的存量口径是，ChatGPT Images 与 API 里的 GPT-Image 系列每周生成图像超过 30 亿张。API 侧另上线两个新模型：GPT-Image-2.5 Flare 与 GPT-Image-2.5 Sunburst。
技术解析
这次升级的重点不在单张图的美观度，而在编辑链路的可控性。三处改动值得拆开看。
第一处是参考图保真。模型把熟悉的人物、场景搬到新构图与新风格时，更倾向于保住可识别的五官特征、光照与材质。对 API 用户来说，这决定了「一套参考图批量出变体」的工作流能不能锚定在原始素材上。
第二处是局部编辑的边界。官方的说法是模型「更清楚哪些地方不该改」——改一个商品、一处背景或一行文案，主体、构图与品牌处理保持原样。Higgsfield AI 产品负责人 Axultan Alimkulov 的评价正落在这一点上，他强调的是编辑之后原图的性格与视觉身份没丢。
第三处是多轮编辑一致性。长对话里连续修图，早先的改动更容易保留，画质不再随轮次累积而退化。这一条是把图像模型接进 agent 流程的前提：单轮出图靠运气也能过，十轮之后还没跑偏才谈得上自动化。
延迟方面，Images 2.5 相比 Images 2.0 最多降低 50%。API 的分档逻辑也随之清晰：Flare 是默认档，画质高于 GPT-Image-2，延迟低 50%，面向创作者内容、商品体验、视觉搜索与高并发生成；Sunburst 用更长的生成时间换更紧的跨轮编辑控制，对应投放级创意与成品级商品图。安全侧沿用 C2PA 元数据加隐形水印。
行业影响
图像模型的定价维度从「按张收费」转向「按延迟与精度分档」。Flare 与 Sunburst 的切分承认了一件事：高并发的社交内容和成品级广告创意不该用同一个模型，前者要的是单位成本，后者要的是跨轮不漂移。这种分层在文本模型上已经跑了两年，图像侧补齐得算慢。
多轮编辑一致性被单独拎出来做卖点，说明瓶颈已经从「能不能画对」挪到「能不能改对」。Sketch（在 ChatGPT 里直接画草图当参考）和模板则是把提示词工程收进 UI，让用户少写描述、多给约束。
相关链接
GPT-5.6 Sol 在 MIT 实验室自主标定六比特超导芯片
事件概述
同日 OpenAI 披露了一个应用案例：MIT 工程量子系统组（EQuS）的研究生 Beatriz Yankelevich 把 GPT-5.6 Sol 挂在 Codex 上，接进协调实验的实验室软件，让它在一块未标定的六比特超导芯片上跑测量。芯片属于 EQuS 用来对标自家制造工艺的标准型号，封装冷却之后研究者完全通过软件与它交互。
技术解析
超导量子比特被冷却到接近绝对零度，装在稀释制冷机里，用微波脉冲在能级之间搬运状态并探测。标定的麻烦在于测量之间互相依赖：每一步结果决定下一步测什么，而比特本身的性质会漂移，异常物理行为还会带来前后不一致的读数。有经验的研究者靠识别这些变化来临场调整，这正是过去难以脚本化的部分。
Yankelevich 的做法是给 Codex 配上「测量专用 skills」——每个实验怎么跑、结果怎么评估，都写成可调用的技能，再交出芯片的设计目标。Sol 在此之上自己选测量参数、操作硬件、分析数据，然后决定是细化这次测量还是把结果存下来喂给下一步。信号清晰时，它基本无人干预地跑完了标准序列：识别比特跃迁频率、标定用于控制与读出的脉冲、测出比特保持量子信息的时长。
失败模式一并写进了公告。信号弱或噪声大的时候，Sol 找合适测量参数的时间明显变长，有时需要资深研究者介入。官方给出的结论边界相当克制：当前的 agent 能扛定义清晰的实验流程，解释含义模糊的物理结果仍是难点。
行业影响
这个案例的价值不在「AI 做科研」这个大词，而在它给出了一条可复制的接入路径：领域知识写成 skills，仪器控制交给 harness，agent 负责在参数空间里迭代。EQuS 这类标准芯片过去要研究者花好几天做表征，现在这部分被移交出去，人力回到设计实验与解读结果。Yankelevich 的描述是，她可以让 agent 通宵跑测量，自己在洁净室工作，用手机查看进度并在需要时纠偏。
值得对照的是同一天 OpenAI 披露的另一组数字：GPT-5.6 Sol 参与改进了生产环境的服务软件。一个模型在实验室调量子比特，也在改推理链路的代码——「模型当工程师用」这条线上，公开可查的实例正在变多。
相关链接
OpenAI 摊开推理经济学：Sol 砍 20% 服务成本，自研芯片 Jalapeño 交实测
事件概述
CFO Sarah Friar 署名的《The Work Now Within Reach》同日发布，把 OpenAI 的规模与成本结构摆成了一组可引用的数字。用户侧口径是每周活跃用户超过 10 亿、企业客户 250 万家。留存曲线给的是：注册六个月后，日均消息量比第一个月高出约 50%，尝试过的不同任务数约为两倍。
技术解析
成本侧的两条更硬。其一，GPT-5.6 Sol 参与改进生产环境的服务软件，端到端服务成本下降 20%；另有改进把 token 生成效率提高超过 15%，同样的算力吐出更多输出。其二，自研推理芯片 Jalapeño 交出了第一批实测：在 InferenceX 的三个公开模型测试中，以芯片额定功耗归一化比较，峰值 token 吞吐量达到被测商用系统的 1.5 到 1.9 倍，端到端延迟低 1.7 到 3.6 倍。官方计划年底前开始部署，与 NVIDIA、AMD 及其他伙伴的加速器并行使用。
Friar 把这套逻辑串成一个循环：模型更强，更多工作值得做；算力更省，这些工作在更大规模上可负担；收入再回流研究与基础设施。她还给出了判断投资的三条标准——能服务多少需求、多快产生效益、回报是否配得上投入的资本。
行业影响
这篇文章的信息密度不在愿景部分，而在它第一次把「用模型优化自己的推理栈」写成了具体百分比。20% 的服务成本降幅来自模型改代码，15% 的 token 效率来自系统改进，两者叠加改变的是每个任务的单价，而不是某项基准的分数。对同行的启示很直接：推理成本的下一段空间不全在硬件，模型自己改服务软件也是一条可量化的路。
Jalapeño 的数字需要读清口径。1.5 到 1.9 倍是「每瓦峰值 token 吞吐」，用额定芯片功耗归一化，测试对象是三个公开模型，比较对象写的是「被测商用系统」——这不等于整机层面的总拥有成本优势，也没有披露被测系统的具体型号。年底开始部署且与 NVIDIA、AMD 并行的表述，说明这一代定位是补充特定负载，而非替换。
相关链接
- OpenAI（Sarah Friar）：https://openai.com/index/the-work-now-within-reach/
「Safety for Whom?」把过度拒答的代价算成了数字
事件概述
9 月 8 日 Multiverse Computing 的 CAI 团队在 Hugging Face 发布博客，介绍其论文《Safety for Whom? Boundary-Aware Self-Distillation for Controlled LLM Safety Refusal》（arXiv:2609.04482，9 月 3 日提交）。论文要处理的问题是：安全对齐长期被当作「话题级」判断——某个主题是否有害——而真实部署要的是同一主题内部的不同边界。
技术解析
作者把这个设定形式化为「窄边界安全」（narrow-boundary safety）。举的例子很具体：公民课辅导助手和公共部门助手可以共用一个基座，两者都该回答关于选举的事实性问题，但只有其中一个需要拒绝「撰写针对性政治操纵内容」的请求。LlamaGuard-3 这类话题级护栏表达不了这种切分——它对选举的覆盖只写到「关于选举制度与流程的事实性错误信息」，既漏掉了说服与操纵，又把部署必须继续回答的事实性提问一并圈了进去。
论文用政治说服做测试床，指出自生成安全数据流水线上的三处漏洞，每一处都给了数字。
覆盖缺口：单次引导生成有 19.88%（8009 条）的提示拿不到被护栏认可的拒答轨迹，这些条目会被静默丢弃，而它们很可能正是最难的样本。改用逐级加强的重试策略后，残余失败降到 0.20%（79 条），最终留下 40293 条有害训练提示。
反作用补偿：安全微调容易在「看起来危险」的良性提示上产生误拒。团队构造了 11955 条经过验证的表面危险但实际良性的提示，覆盖 18 种语义类型，让模型在训练阶段就见到这类措辞。
边界度量：常规的有害／良性切分测不出边界形状。模型只要把拒答范围往邻近的合规提示上扩张，有害拒答率就能变好看，而话题级指标会把这算成改进。作者改用留出的有害—良性配对（每侧 1539 条）直接测两侧。
结果里藏着一个陷阱。在 Qwen3-8B 上，经过覆盖修复的模型把域内政治拒答率从 9.47% 提到 84.75%，三个更宽的有害性基准（HarmBench、StrongREJECT、WildJailbreak，由 LlamaGuard-3 评分）的平均不安全回复率从 26.26% 降到 0.14%。单看这两个数字像是干净的胜利。同一个检查点上，XSTest 的过度拒答从 2.00% 涨到 74.00%——有害回复率最低的那个配置，也是把接近四分之三的明显安全提示拒掉的那个。
两项数据改动能把这个数压回来。把外部采纳的合规回复换成目标模型自己生成并经过验证的回复，单次生成条件下 XSTest 过度拒答从 15.20% 降到 5.20%。加入有害—良性边界配对之后，留出配对中「该合规」那侧的过度拒答从 32.94% 降到 4.16%，而有害侧的拒答率只从 91.88% 掉到 87.72%。
行业影响
这份工作把一个业内心知肚明但很少量化的现象钉住了：拒答率上升不等于模型更安全。74% 这个数字之所以有说服力，是因为它和 0.14% 的不安全回复率来自同一个检查点——只报一边，结论就会反过来。做安全评测的直接改动是，有害拒答率和过度拒答率必须成对出现，且要在意图相同、话题锚点相同的配对上测。
对做垂域部署的团队，narrow-boundary 这个提法比「话题黑名单」更贴近现实。一个基座供教育、企业、政务多路使用时，边界差异落在主题内部而非主题之间，而训练交叉熵在提升子集内拒答的过程中会把拒答概率往良性补集上推。论文给出的三件套——覆盖修复、同分布补偿数据、边界配对——本质上是用数据组成去控制这条曲线的形状，而不是靠调阈值。
相关链接