大模型前沿动态 · Vol.107

大模型前沿动态 · 智谱把「完全自训练」写进募资公告、Anthropic 量化情报与武器能力、智能体 RL 的最小单位换成一台沙箱

智谱 393 亿港元再融资中约六成投向递归式自我改进，首次给 RSI 标了价；Anthropic 前沿红队用六组中位误差与命中率测出模型在情报定位与武器软件开发上的能力地板；Hugging Face 综述确认 2026 年智能体 RL 的最小训练单位已是「一次 rollout 一台沙箱」。

大模型 智谱 GLM-6.0 递归自我改进 RSI Anthropic 前沿红队 能力评估 Kimi K3 GLM 5.2 Hugging Face 强化学习 RL 环境 OpenEnv 训练基础设施

三份性质毫不相干的文件在同一天摆到了一起：一份港交所募资公告、一份前沿模型能力评估报告、一份训练基础设施综述。它们讲的是同一件事——模型下一阶段的提升，取决于它替自己造出来的那个循环。

一、智谱把「完全自训练」写进募资公告：393 亿港元里六成指向 RSI

事件概述：9 月 14 日，量子位披露智谱在港交所公告中的一项再融资安排：配售新 H 股加上发行 201.4 亿元人民币零息可转债，合计预计净募约 393 亿港元。模型与论文尚未发布，下一代 GLM-6.0 的技术路线先从募资文件里漏了出来。公告释义部分给这套路线起了一个名字——「完全自训练」（Fully Self Training），对应学界常说的递归式自我改进（Recursive Self-Improvement，RSI）。

技术解析：公告把「完全自训练」拆成三个维度。数据自产，指用模型间自我对弈、规则校验、执行验证、模型评审加人工抽检来生成与筛选训练数据，回流到预训练、中训练与后训练各阶段；环境自造，指让智能体自己试做任务、自己生成验证器、自己检查任务是否可解，把任务环境变成「可规模化生产及复用的训练资源」；基础设施自我优化，指用模型的编码与系统工程能力去改动算子、内核、调度、缓存与服务栈，也就是让它参与优化承载自身迭代的那套系统。能力方向另行预告了三条：提升基础模型的有效规模与原生多模态统一建模、在不过度抬高推理成本的前提下加深有效计算深度、建设贴近真实专业工作的长程任务强化学习环境。资金分配上，约 60%（约 235 亿港元）投给下一代基础模型与自训练体系以及训练推理算力，约 15%（约 59 亿港元）用于业务拓展与潜在并购，约 25%（约 98 亿港元）优化资本结构，全部款项预计 2028 年 6 月 30 日前用完。

行业影响：一次再融资的技术含量通常不高，这份公告的特殊性在于它把 RSI 从论文术语变成了一个带金额、带时间表、可被审计的预算科目。此前各家谈自我改进都停留在博客与访谈层面，外界无从判断投入规模；智谱这次等于把「造环境、造数据、改自己」的成本结构公开摆在招股文件里，也把「只会后训练」的质疑摆到了台面上回应。配套的资金时间线同样值得注意：今年 1 月 IPO 净募约 48.96 亿港元（每股 116.20 港元）已全部花完，7 月首次配售净募约 313.75 亿港元（每股 1,588 港元）到 8 月底动用约 34.92%，9 月 12 日这次配售价已回落到 714 港元，H 股收盘价 793 港元，上市后累计净募约 755 亿港元。估值与配售价的回落，和「资金节奏提速、算力从签约到部署有周期」的解释放在一起，说明这轮钱主要是买时间与算力，而不是买估值。风险也摆在那里：技术描述出现在募资文件而非论文里，没有同行评议，模型本身一条 benchmark 都还没给出。

相关链接：

二、Anthropic 前沿红队量化了「以前只有稀缺专家能做的事」

事件概述：Anthropic 前沿红队 9 月 10 日发布评估，测量模型在两类国家安全相关任务上的能力：战术情报目标定位（依据碎片信息找到并锁定人员）与常规武器开发（编写无人机与弹药的制导、导航与控制软件）。被评测的模型包括 Claude Mythos Preview、Mythos 5、Opus 5、Sonnet 5，以及月之暗面 Kimi K3 与智谱 GLM 5.2 两个开源权重模型。

技术解析：照片地理定位用了 6,000 张带精确地理标签的 Flickr 图片，模型不借助反向图像搜索与元数据。Mythos Preview 中位距离误差 37.0 公里、1 公里内命中 23.7%，Mythos 5 为 47.2 公里，而作为人类基线的 GeoGuessr 竞技玩家，冠军组（前 0.01%）中位误差 151 公里、大师组 174 公里；Opus 5 的 181 公里大致与大师组持平，Kimi K3 为 385 公里、Sonnet 5 为 384 公里，但 K3 落在 1 公里内的比例是 Sonnet 5 的约 1.7 倍。文本定位用 2010 年的 GeoText 语料，测试集剩余 1,697 名用户，135 人（8%）被至少一个模型稳定定位到家 1 公里以内，其中 70% 是因为提到了校园归属、命名场所或街道邮编这类显式信息，13% 只靠说话方式、方言与本地事件被定位；带搜索工具时 Mythos Preview 中位误差 20.1 公里，Kimi K3 为 26.4 公里、GLM 5.2 为 31.0 公里、Sonnet 5 为 31.3 公里，差距已经压得很平。身份关联任务里，一份约 37,000 字的材料人类分析师读完需要约 2.5 小时，Mythos Preview 给出完整评估平均约 11 分钟。

武器侧的三项评估更能看出梯度。无人机终端制导共九个设置、540 次模拟发射，总命中率 Opus 5 为 20%、Mythos Preview 13%、Mythos 5 10%、Kimi K3 1.6%、Sonnet 5 0.7%；面对停放的亮色车辆，Opus 5 能打到 80%、Mythos Preview 70%、Mythos 5 53%、K3 15%、Sonnet 5 5%，换成以道路速度行驶的目标，数字掉到 47%、20%、17%、1.6%、0%。低对比配色这一档几乎所有模型崩溃，只有 Opus 5 留下 8% 的命中。载荷投放的最难设置（目标以 3 米/秒编织机动、叠加 2 至 6 米/秒随机阵风）下，只有 Opus 5 还有 28% 的架次落在 5 米内、中位偏差 3.9 米，Mythos 5 只剩 7%、Mythos Preview 4%。抗干扰导航的最难一档没有任何模型通过；GPS 在末段被切断时，前沿模型会察觉传感器不一致并改用 IMU 做航位推算（Opus 5 通常落在 15 至 20 米），Sonnet 5 与 K3 则继续相信 GPS，终点偏离超过 100 米。工程风格上的差异同样清晰：Opus 5 每次发射只改动约 9% 的代码行，Mythos Preview 改 25%、大重构次数约为前者的 5 倍；Opus 5 更早写出比例导航与目标状态卡尔曼滤波，还会在真飞之前先写一个小尺寸无人机物理模型验证控制器。

行业影响：报告自己给这批数字定了性——应被读作「地板」而非「天花板」。模型单独待在沙盒里，只有书面任务简报、一个物理模拟器和固定次数的试飞，没有互联网，没有现成方案库，也没有人替它逐帧读遥测，弱模型卡住的地方大多是有人类搭档就能补上的错误。这个定性直接指向两条政策含义：一是开源权重与前沿的差距不该被当成安全缓冲，二是防护的重心从「模型能不能做」转向「平台拦不拦得住」。Anthropic 已经上线了针对武器开发类请求的分类器，并承认两用属性会让分类器不可能完美。对国内厂商而言，Kimi K3 与 GLM 5.2 被写进这类评估本身就是一个新变量：能力被外部机构逐项量化、逐项公开，且量化结果显示开源模型在中等难度设置上已经能替代相当一部分人力分析工作。

相关链接：

三、One sandbox per rollout：智能体 RL 的最小训练单位变成了一台机器

事件概述：Hugging Face 于 9 月 11 日刊出 Sergio Paniego 的综述《One sandbox per rollout, or how labs run RL for agents in 2026》，为「Training Agents」系列课程收尾。作者通读了 2025 年 10 月至 2026 年 9 月间 13 家实验室与模型构建者的 15 份报告与发布博文，涉及 GLM-5、GLM-5.3、Kimi K3、MiniMax、Nemotron 3 Ultra、OLMo 3、DeepSeek、Qwen3.8、Inkling、LFM2.5、MAI-Thinking-1、GPT-5.6、GPT-6 Astra，以及 Cursor 的 Composer 与 Meta 的 Code World Model。

技术解析：结论一句话——智能体 RL 的最小单位不再是训练进程里的一个模拟器对象，而是一台「启动、用一次、销毁」的机器。模型要装依赖、跑测试套件、编辑仓库、浏览网页，环境就必须有文件系统、shell 和能跨调用存活的进程。Liquid AI 的 LFM2.5 只有 2.6B 参数，依旧是每个 rollout 配一个专属沙箱，底层 RL 框架用 verl；Cursor 为训自己的编码模型要在云端同时跑数十万个沙箱环境，并为此重写了 VM 调度器；微软 MAI-Thinking-1 为每个智能体任务配置新容器、任务结束即销毁；Kimi K3 要做百万 token 的智能体 RL，就得用可快照、可恢复的 microVM 沙箱，把文件、进程与历史一起 checkpoint，而不只是恢复模型权重。四层抽象由此成型：带验证器的任务、智能体行动所通过的契约（越来越多就是 harness 本身）、跑任务的沙箱、以及不等最慢那次尝试的异步训练器。

harness 与环境的关系是这篇综述最值得记的部分。白盒路线重建 harness，让训练器驱动每一步，Kimi 的环境可以实例化 Kimi Code、Claude Code、Codex、OpenClaw、Hermes；黑盒路线把已发布的智能体原样保留，用 proxy 透明记录 token 级轨迹再重建训练样本，微软 Agent Lightning 给这种模式起了名字——harnessed agentic RL，即由 harness 而非训练引擎拥有环境交互循环。环境的自动化生产也写进了报告：GLM-5 构建了覆盖数千个仓库、9 种编程语言的一万余个可验证环境，GLM-5.3 的流水线让研究智能体把真实工作模式转成长期程环境，再由一个 judge 智能体验证可解性，验证器通过 oracle、no-op、unsolved-state 三类检查才发布；Zhipu 也承认这套流水线仍需相当量的人工介入。规模数字方面，Inkling 后训练用了超过 3,000 万次 rollout，OLMo 3 在并行隔离环境中检查了 1,720 万份生成代码，DeepSeek 的沙箱平台支持每集群数十万沙箱，Meta 的 Code World Model 执行服务每秒在隔离容器里跑数万段代码，OpenEnv 在 HF Hub 上已有 4,000 多个带标签的 Space。

行业影响：Zhipu 在 GLM-5.3 发布博客里的那句话被这篇综述放在显眼位置——随着智能体能力提升，后训练扩展的难度正从模型转移到环境。各实验室在蒸馏与 RL 算法上趋同，环境基础设施却家家自建：slime（GLM 系）、Forge（MiniMax）、Agent Lightning（微软）、AgentENV（Moonshot）、verl 与 Miles 各有分工，环境层因此既是最新也最容易隐藏、最昂贵的一层，Nathan Lambert 给出的量级是顶级实验室单个环境的成本在千万美元以上。闭源阵营的沉默同样说明问题：GPT-5.6 与 GPT-6 Astra 的 system card 里提到的环境全部用于评测，对 RL 训练环境只有一句「推理模型通过强化学习训练」。好消息是这套栈正在被开源侧逐层重建——TRL 负责训练器，OpenEnv 负责环境契约与分发，Harbor、verifiers 与 Repo2RLEnv 负责任务，AgentENV、Modal、E2B 与 HF Sandboxes 负责沙箱，slime、verl、Miles 负责异步调度，个人与小团队也能凑出一条完整流水线。开源出去的是框架，留在各家手里的是环境数据与跑得动数十万沙箱的算力，这条界线大概就是 2026 年后训练竞争格局的实际分界。

相关链接：

编者小结

三条动态分属资本、能力评估与工程底座，指向同一个判断：下一阶段的差距不产生在权重里，产生在模型替自己造数据、造环境、改基础设施的循环效率上。智谱第一次给这个循环标了价（235 亿港元、三年花完），Anthropic 第一次在军事与情报这类高风险领域给出这个循环已能跑通的简单版本（模型自己写 GNC 代码、自己看遥测改进、迭代 12 次），Hugging Face 的综述则说明跑这个循环的硬件单位已经统一为「一次 rollout 一台沙箱」，并且并发规模进入数十万量级。三份文件都在提醒同一件事：模型侧的配方越来越公开，环境侧才是现在看不见的那部分。