GPT-6 Astra 进企业工作台：Terminal-Bench 4.0 报 57.9%、单任务成本比 Claude Fable 5.1 低六成；Christiano 进 OpenAI 治理层；蚂蚁百灵开源 Ling-3.0-flash-Fin 与 FinFIRST
本期四条动态：OpenAI 公布 GPT-6 Astra 进入 ChatGPT Work 与 Codex 的企业侧账目，Terminal-Bench 4.0 达 57.9% 且首次触及 Preparedness Framework 的 Critical 网安阈值；Paul Christiano 加入 OpenAI Foundation 董事会与安全与安保委员会；蚂蚁百灵开源首个金融增强模型 Ling-3.0-flash-Fin 并同步放出评测基准 FinFIRST；NeoHorse-1 把服务侧路由日志转成后训练燃料，4B 宏平均从 58.94 抬到 64.87。
本期四条：OpenAI 把 GPT-6 Astra 送进 ChatGPT Work 与 Codex，并交出 Terminal-Bench 4.0 的 57.9%；Paul Christiano 进入 OpenAI Foundation 董事会与安全委员会；蚂蚁百灵开源首个金融增强模型，还顺手把自家的评测尺子一起放出来；一篇 38 人署名的论文把「路由日志」当成递归自我改进的燃料。
一、GPT-6 Astra 进企业工作台：Terminal-Bench 4.0 报 57.9%，成本比 Claude Fable 5.1 低六成
事件概述
9 月 9 日，OpenAI 发布《GPT-6 Astra: The next generation in intelligence for work》。这不是模型首发——Astra 上周已经亮相，本次公告讲的是它进入 ChatGPT Work、Codex 与 API 之后的企业侧账目：跑分、每任务成本、管理员控制权限，以及一条以前没出现过的安全等级标记。
定价沿用发布时的口径，输入每百万 token 10 美元，输出 50 美元。企业访问在启动时默认关闭，管理员需按各自的费率卡与协议手动开启。
技术解析
最硬的数字在 Terminal-Bench 4.0——一套考察 agent 在终端里做软件工程、系统配置与数据分析的基准。Astra 拿到 57.9%，GPT-5.6 Sol 是 37.3%，Claude Fable 5.1 是 55.8%。跑分差距不算悬殊，成本差距才是重点：官方给出的每任务估算 API 成本，Astra 比 Sol 低约 9%，比 Fable 5.1 低约 63%。与 Anthropic 的旗舰打成接近平手，单任务账单却砍掉六成。OpenAI 把这条归因于训练目标本身——用更少的 token、更少的重试完成任务，返工少了，每任务成本自然下来。
计算机使用能力被摆在了「不需要 API」这个位置上。官方举的例子是 Excel：Astra 靠 computer use 完成 Financial Modeling World Cup 的挑战，速度约为夺冠人类选手的四倍，赛事出处标的是 2023 Microsoft Excel World Championship。OpenAI 自己的工程团队则用它定位了测试环境里 Codex 会话变慢的根因，是内存分配瓶颈；换掉 allocator 后单轮延迟降到原先的二十五分之一，代价是峰值内存高了大约三成。
客户侧的数字来自 Datacurve 联合创始人兼 CEO Serena Ge：Astra 在 DeepSWE v1.1 上刷到 74%，她强调的是步数更少、token 效率更高。这属于合作方口径，OpenAI 未在正文中给出自测复现。
安全部分有两组信息。一是内部计算机使用安全基准（数值越低越好），考的是泄露机密、把看板分享得过宽、删数据这类企业最怕的场景，Astra 产生非预期结果的频率比 GPT-5.6 Sol 低 89%，比 Claude Fable 5.1 低 74.7%——附加的确认环节与自动审查会让 Astra 和 Sol 的成绩再往上走。二是 Astra 成为 Preparedness Framework 下首个触及 Critical 网络安全能力阈值的模型，配套动作包括训练模型尊重安全与安保边界、提升抗绕过能力、部署自动拦截。
管理侧新增的是白名单式控制：限定可访问网站与桌面应用、管理上传下载、控制浏览历史；再叠加确认策略（高风险动作需先批准）与对可疑工具调用的自动审查。符合条件的 API 客户可在受支持端点申请 Zero Data Retention。随 Astra 一起上线的还有 ChatGPT Desktop 的企业插件，首批是 Oracle Analytics、Power BI（Microsoft Fabric 的服务）、Navan 与 Avalara。
行业影响
这份公告实质上在改写企业 AI 的比价方式。过去大家盯每百万 token 单价，Astra 把叙事拽到「每任务成本」——一个把 token 消耗量、重试次数、成功率揉在一起的复合指标。对采购方，单价表不再够用，得自己跑任务级 A/B；对模型厂商，这是一条比参数量更难跟的护城河，因为它考的是训练配方在真实长任务上的收敛质量。
Critical 网安阈值这一笔更值得盯。OpenAI 把「首个达到 Critical」和「强化了防护」放在同一段里说，等于承认能力上限与管控成本从此绑定销售：能力越强的模型，配套的管理员控制、确认策略、自动审查就越是必选项而非增值项。企业插件与 computer use 的组合还透露出另一层意图——绕过 API 生态直接操作 GUI，把「有没有集成」从采购前置条件里删掉。这对做中间层集成的公司不是好消息。
相关链接
二、Paul Christiano 进入 OpenAI Foundation 董事会与安全委员会
事件概述
同在 9 月 9 日，OpenAI 宣布任命 Paul Christiano 加入 OpenAI Foundation 董事会，并在 OpenAI Group PBC 董事会担任无投票权观察员。他还将进入基金会董事会下的安全与安保委员会（Safety and Security Committee，SSC），与主席 Zico Kolter 共事。SSC 对包含 OpenAI Group PBC 在内的 OpenAI 全体的安全与安保实践行使治理职能。
技术解析
Christiano 的履历横跨三种身份。学术与工程一面：2017 到 2021 年他在 OpenAI 领导对齐研究，是 RLHF 的奠基性工作贡献者；离开后创办 Alignment Research Center（ARC），做的是把先进 AI 系统与人类利益对齐这件事。政府一面：他现任 NIST 下属 Center for AI Standards and Innovation（CAISI）的 Senior Tech Advisor，在 CAISI 及其前身美国 AI 安全研究所任内做前沿模型评估——包括涉及国家安全影响的能力——以及相应的风险缓解路径，履历横跨两届政府。
官方措辞里有一句不常见的自我描述：他一直是「就产业界的防护措施是否充分」发声的独立声音，而基金会认为治理结构里需要愿意挑战既有假设的人。Christiano 本人的说法更直白：过去一年 AI 能力推进极快，对齐仍是个困难的技术问题，SSC 的责任比以往更重也更难。
这次任命被明确接到 2025 年 10 月重组所确立的治理结构上，其中包括与加州总检察长、特拉华州总检察长历时一年的审查相关的承诺。基金会作为独立非营利组织控制 OpenAI Group PBC，并持有其可观权益。
行业影响
把一个长期公开质疑产业界安全承诺是否够用的人放进治理层，而且一口气占了董事会和安全委员会两个位置，是可核查的制度动作，而非表态。它的价值取决于 SSC 手里的实际权限——按官方界定，这个委员会覆盖 OpenAI 全体的安全与安保实践，理论上包含前沿模型的发布决策。
时机也不是巧合。就在同一天，OpenAI 宣布 GPT-6 Astra 触及 Preparedness Framework 的 Critical 网安阈值；一个前沿评估背景的人此刻进入治理层，等于把「评估者—部署方」这条关系从外部审计挪进了内部架构。这条路径能否避免被吸纳，还得看后续几次高风险发布决策留下什么记录。政府机构与前沿实验室之间的人才双向流动，也开始成为治理安排的常规组件。
相关链接
三、蚂蚁百灵开源 Ling-3.0-flash-Fin，并把评测基准 FinFIRST 一起放出
事件概述
据量子位 9 月 9 日 13:02 报道，外滩大会前夕，蚂蚁集团百灵发布首个金融增强开放模型 Ling-3.0-flash-Fin，模型权重已开源，并提供 API 体验。与模型一起开放的是金融搜索 Agent 评测基准 FinFIRST。
技术解析
模型基于 Ling-3.0-flash，延续 124B 总参数、5.1B 激活参数的配置，支持 256K 上下文。增强路径是三段式：金融语料持续预训练、领域后训练、工具使用优化，目标是啃下年报、财务工作簿、多份研究材料这类结构混杂的长文档。
切入点选在投资研究，拆成四项能力：信息检索优先定位官方与一手高可信数据源，并盯住信息时点和统计口径；研究推理靠多步计算与交叉验证区分事实与假设，构建可复核的证据链；估值建模直接进真实工作簿，支持公式切换、跨表依赖和异常排查；研报撰写则输出可编辑、可审核的材料。四项串起来是一条从找信息、验信息到建模型、出成果的完整链路，而不是四个独立功能。
FinFIRST（Financial Information Retrieval, Sourcing and Traceability）的设计细节比模型更有信息量。它由蚂蚁集团构建并开源，中金公司投行团队提供专业支持，50 余位金融专业人士参与设计，考的是金融搜索 Agent 在信息检索、信源选择、口径判断和推导过程上的表现。题库覆盖中国内地、美国、中国香港及其他市场，中文题占 60.2%、英文题占 39.8%；超过五分之四的题目包含多个相关子问题，61.8% 要求显式计算，32.5% 需要多个信源，75.6% 不直接指定信源、需要 Agent 自主搜索判断。所有题目均使用公开可访问的信源。
模型已在 FinFIRST、FinSearchComp Verified、Finance Agent、APEX-Agents、SpreadsheetBench、τ³-Banking 等基准上测试。厂商给的结论是「综合表现超过部分大尺寸旗舰模型，在同尺寸模型中具备较强竞争力」——定性表述，报道中未附任何具体分数，读者拿不到可复核的数字。
行业影响
75.6% 的题目不指定信源、61.8% 要求显式计算，这两个比例说明 FinFIRST 想考的不是知识记忆，而是「你凭什么用这个数」。金融研究里最贵的工序从来不是算，是核对不同报告期与统计口径——把这道工序做成可打分的评测项，比再发一个金融问答榜单有用得多。
「模型 + 工具 + 评测」同批开放是个值得留意的姿态。发布方自建基准存在天然的利益冲突，但把题目和标准都开源出去，至少让第三方能复现和挑战；对比只放跑分不放题的做法，可核查性高出一档。124B 总参、5.1B 激活的稀疏配置也划出了这条路线的定位：不靠尺寸压人，而是赌垂类数据与工具链的组合能在同尺寸区间形成差异。真正的检验点在于金融机构会不会拿真实工作流去跑它——毕竟通用旗舰模型加一层 RAG，是这条赛道最现实的对手。
相关链接
四、NeoHorse-1：把路由日志当训练燃料，4B 模型宏平均从 58.94 抬到 64.87
事件概述
arXiv 于 9 月 8 日收到论文《NeoHorse-1: Towards Recursive Self-Improvement via Agentic Post-Training with Routing Harness》（arXiv:2609.08183），38 位作者署名，第一署名为 NeoHorse Team，模型与代码托管在 TokenRhythm 组织下的 Hugging Face collection 与 GitHub 仓库。论文要回答的问题是：递归自我改进（RSI）需要一个具体机制，让系统观察自己的能力、再把这份证据转成下一轮学习的材料——这个机制长什么样。
技术解析
答案藏在服务侧的路由日志里。系统由异构模型池加智能路由组成，每个用户轮次都记三样东西：预测的能力需求、被选中的服务档位、随后发生的交互。这些记录被转成训练样本，保留交错的推理过程、工具调用与 harness 上下文，再经三道准入——结构校验、六维语义评估、子场景级标注。
路由信号接着被用来编排训练：监督微调按其组织成三阶段课程，并延伸到路由引导的 on-policy 蒸馏，让教师模型在同一课程进度下监督学生自己生成的回答。最后一步是能力引导的配额分配，把评测反馈换算成下一轮的训练混比，于是「评测—选择—更新」形成闭环——系统学会做什么，反过来决定它接下来从什么学。
结果覆盖 11 个基准，横跨 harness 型 agent、工具使用、代码与指令遵循。后训练把 4B 的宏平均从 58.94 抬到 64.87，9B 从 65.60 抬到 69.04；作者的说法是，后训练的 4B 与 9B 基座之间的总体差距被明显收窄。论文对自身定位相当谨慎，用的词是 RSI 的「初始原型」和「一条路径」，而非声称已经实现递归自我改进。
行业影响
这条路子的诱人之处在于数据来源。RLVR 与合成数据都要为「下一批训练什么」额外掏钱，而路由日志是推理服务本来就会产生的副产品——只要线上跑着路由，训练素材就在自动累积。真正的门槛不在模型，在那三道准入闸门；日志噪声大、分布偏斜，闸门松了就是在拿自己的错误反复自训。
4B 涨 5.93 分、9B 涨 3.44 分，这个梯度也在说话：小模型从路由课程里榨到的收益更大，与「小模型欠训练、更容易被课程安排补齐」的直觉一致。缺口同样明显——论文给的是单轮后训练的结果，而 RSI 的核心主张是多轮迭代不塌。真正的证据得等第二轮、第三轮的曲线，那才是这条路线成立与否的分水岭。
相关链接