大模型前沿动态 · Astra for Law 把同一模型的法律检索正确率从 38.7% 提到 54.0%，小米直播 MiMo-V2.6 强化学习 36 小时烧掉 108 万美元
OpenAI 发布 Astra for Law，同一 GPT-6 Astra 配上法律检索索引与专用指令后，Vals AI 200 题整体正确性从 38.7% 升到 54.0%；Anthropic 合并 Chat 与 Cowork 入口，推出 Claude Docs 与 Claude Slides；小米公开 MiMo-V2.6 强化学习训练全过程，36 小时花费超 108 万美元；中国电信 TeleAgent 进入 IDC 企业级通用 Agent 评估前三。四条共同指向：差距正在从模型内部搬到模型外面那一层。
本期四条分别落在不同位置：一条给模型配了专用检索索引，一条把模型的产出直接做成可交付的办公物件，一条把训练期的环境和评分器单列成扩展维度，一条把运行期的工程系统摆到台面上。它们做的是同一件事——把「模型之外」当成可以被单独设计、单独度量的那一层。
OpenAI 把法律检索索引接进 GPT-6 Astra，同一模型的正确率从 38.7% 抬到 54.0%
事件概述
2026 年 9 月 17 日，OpenAI 发布 Astra for Law，面向律所与法律科技公司。它不是一个新模型，而是 GPT-6 Astra 加上法律专用设置、工具、检索索引、分析写作指令与隐私治理控制后的一整套配置。ChatGPT 与 Codex 通过 Trusted Access 先向选定律所开放，API 侧的模型名为 gpt-6-astra-law，界面里显示为「GPT-6 Astra Law」，API 版本标注为即将推出。API 客户 Harvey 与 Legora 可以基于它构建自己的产品。
技术解析
被单独做出来的是检索那一层。法律搜索索引覆盖美国判例法、成文法、法规、法院规则与行政决定，语料规模超过 2.3 亿个 URL，来源每日新增。OpenAI 与 CourtListener 背后的非营利机构 Free Law Project 合作，其判例集覆盖了超过 99.9% 的美国已出版先例判例法，Thomson Reuters 的授权内容再作补充。
定制指令负责的是法学院里那套区分：把检索结果落到客户事实上，识别弱点与不确定性，区分法院的判决要旨（holding）与附带意见，处理削弱己方论点的先例，解释合同例外如何在当事方之间转移风险。公告给的两个对比例子都指向同一类错误——面对相同提示，Claude Fable 5.1 在诉讼场景返回了一个已被上诉推翻的 holding，在交易场景则报告没有找到此类案例。
数字来自 Vals AI Legal Research Bench 的私有验证集，200 道美国法律检索题，两个系统都跑在最高推理强度：Astra for Law 整体正确性通过率 54.0%，只用网页搜索的 GPT-6 Astra 为 38.7%，相对提升 40%。判例法相关的题目上，Astra for Law 找到的参考案例多 24%；在经人工核验的目标段落集合上，从正确法院意见中检索到的相关段落最多多 54%。
外围还有 26 个伙伴插件，接 Relativity、Clio、iManage、Intapp、DeepJudge 以及 Thomson Reuters 的 HighQ 与 CoCounsel；另有 LegalQuants、LECG、Skills.law 贡献的 9 个社区插件与 47 项可由从业者改编的自定义技能。合规侧提供 API 上的零数据保留（ZDR），ChatGPT Enterprise 的使用默认不进入人工审查，权限、道德墙与客户指示的设计是与 Latham & Watkins 一起做的。
行业影响
真正值得注意的是基线：对照系统就是同一个 GPT-6 Astra，只是没有这套索引和指令。40% 的相对提升里，模型权重没有变过一个字节。垂直化的竞争焦点从「谁把模型调得更好」挪到了「谁手里有可引用的语料、谁定义了引用规范、谁能提供 ZDR 与道德墙」。这也意味着 Harvey、Legora 这类中间层厂商要重新找位置——它们原本靠自建检索与工作流起家，现在底下多了一层官方能力。公告未公布定价。
相关链接
Anthropic 合并 Chat 与 Cowork，推出 Claude Docs 与 Claude Slides
事件概述
同一天，Anthropic 宣布把 Claude 里的两个入口 Chat 与 Cowork 合为一个，并首次推出 Claude Docs 与 Claude Slides，Claude Design 也进了对话界面。统一入口分批上线，Pro 与 Max 用户先拿到；Docs、Slides 与对话内的 Design 仍是 Beta，只对付费订阅开放，Enterprise 需要管理员开启。
技术解析
Cowork 今年 1 月从 Claude Code 孵化出来，定位是「给非开发者用的 Claude Code」，第一版是四名工程师用十天做出来的，大部分代码由 Claude Code 自己写。Anthropic 给出的合并理由是用户经常分不清一项任务该进哪个界面，而在一个产品里积累的上下文到另一个产品里未必接得上。合并后，聊天、Cowork 与 Artifacts 出现在同一个窗口，由 Claude 判断该直接回答还是调用更复杂的能力继续推进；任务可以在云端跑，人合上电脑后能在手机上查看进度，重复性的工作还能设成定时任务。
产物形态是这次的重点。Claude Docs 里可以共同编辑文档、选中内容继续追问或评论；Claude Slides 负责生成、编辑和演示幻灯片，做好的内容能直接在 Claude 里播放，也能导出成 PowerPoint 或 PDF。文档、幻灯片和 Design 作品都能生成一个分享链接，手机上可打开可编辑，改的时候既能拖元素也能用自然语言下指令。
行业影响
办公入口这一局，三条路线的出发点差得很远。OpenAI 走超级应用，今年 7 月把 Codex 并入新版 ChatGPT 桌面端并推出能跨文件跨应用执行长任务的 ChatGPT Work，Atlas 浏览器则停止作为单独产品存在，浏览能力收回 ChatGPT。谷歌最省事——Gmail、Docs、Workspace 本来就在手里，把 Gemini 嵌进去即可，用存量场景带 AI。Anthropic 是从 AI 出发反向重建办公软件，把 Claude 做成唯一入口。量子位在报道里引了一句外媒评价，说希望 OpenAI 也修一修 ChatGPT 跨平台那个混乱的界面。
相关链接
小米把强化学习训练过程开成直播，36 小时烧掉 108 万美元
事件概述
小米在 mimo.xiaomi.com/rl 上公开了 MiMo-V2.6 的 Flash 与 Pro 两款模型的强化学习训练过程：花了多少钱、跑了多少步、奖励曲线涨没涨、哪个节点的显卡出了故障，页面上都能查到。从 Pro 开始训练算起 36 小时，两款模型已经花掉超过 108 万美元，平均每小时约 3 万美元。
技术解析
小米给出的 RL 扩展拆成三个维度。第一个是训练计算量：每个训练 Step 大约处理 20 亿 Token，配置为 1568 个 Prompt × 每个 Prompt 16 条 Rollout，一轮就可能产生超过 2.5 万条轨迹；整个系统采用完全异步的执行方式，生成、执行、评分与训练不再严格排队，而是组成一条持续运转的流水线。第二个是环境与 Harness：代码、通用任务、视觉、Chat 等不同类型的任务被混进同一次 RL Run，各自的 Harness 提供不同的工具、反馈与成功条件，扩展的是模型能进多少种环境、用多少种工具。第三个是评分计算量（Grader Compute）：开放式的 Agent 任务没有测试通过率可数，判断做得好不好这件事本身开始消耗越来越多算力。
第三个维度底下是信用分配问题。一个 Agent 连续走 40 步完成一个任务，系统最后只回一句「成功，Reward=1」，模型并不知道哪一步真正起了作用、哪一次修改扭转了全局。小米提到的是 Agentic In-group Credit Assignment，具体算法未公布，但结合同组 16 条 Rollout 的设置可以看出目标：用同组多条轨迹及其结果，换到比最终成败更细的信号。
进度上，Pro 的 dynsam/avg@n 从第 1 步的约 0.565 涨到 0.614，Flash 从约 0.514 涨到 0.603。最新公开的 DeepSWE v1.1 离线评测中，Pro 与 Flash 分别是 62.24 和 60.77，与报道一并给出的 74.2% 对照值还有距离。Flash 起点更低但追得更快，Pro 因为每个 Step 更慢，最新评分尚未出来。罗福莉说，自 4 月开源 MiMo-v2.5 后沉默的这半年，团队只研究了一件事：强化学习能扩展到多远。
行业影响
开放权重、开放训练代码、开放训练数据都已不新鲜，开放训练过程在国内还是头一回。它把 RL 的成本结构摆到了台面上——一小时 3 万美元这个数字，比任何一篇方法论文都更能说明「RL scaling」的门槛在哪。三个维度里，前两个（算力、环境）此前已被反复讨论，评分计算量被单列出来是一次口径调整：奖励不再是免费给定的外部信号，而是一项要单独预算的开销。围观评论区有人给了更直接的翻译——三件事，背后都是算力。
相关链接
中国电信 TeleAgent 进 IDC 评估前三，报告说模型解释不了全部差距
事件概述
IDC 发布国内首份《中国企业级通用 Agent 产品技术评估》，中国电信的 TeleAgent 排进前三。这份评估没有沿用大模型榜单那套打法，而是用近百道非公开任务考察 Agent 在真实办公环境里能不能把事情做完，题目覆盖邮件、日程、文档处理，也包含长上下文、多步骤循环、复杂 PPT、表格处理与浏览器操作——比如处理 3755 行脏数据，或从约 3 万字材料里提炼内容生成 11 页 PPT。任务跑完还要核验系统状态与最终文件。TeleAgent 常规任务得分 3.49、复杂任务 3.36，九项能力中任务表现拿到 5 分满分，成本效率是这次测评的最高分。
技术解析
分数基本可以从工程链路上拆开。上下文做分级处理：先对价值较低的旧工具输出轻量剪枝，仍过长再由专用压缩模型处理整段内容；系统还实时监测上下文是否接近上限，触发窗口限制就先自动压缩再继续；目前窗口已突破 400K。跨天跨项目靠 autoDream 长期记忆，定期整理近期对话并与已有记忆合并。内核是约 3 万行自研 Go 代码，团队单独处理了 Windows PowerShell、麒麟、统信等系统的兼容性；产品侧针对办公任务重做适配，因为做 PPT、写报告、处理 Excel 与在代码仓库里找 Bug 是两套工作方式。
成本由 ModelRouter 管：每次请求进来先按模态、长度、关键词判断复杂度，分到轻量、均衡与旗舰三档。翻译、总结、格式化走轻量档，PPT 与文档生成进均衡档，深度研究、代码调试与复杂方案才调旗舰档。这套路由把推理成本降了约 40%，简单任务响应时间控制在 3-5 秒，路由延迟低于 10ms；推理侧另有 PD 分离、KV Cache 与负载感知调度。安全上，Skill 进系统前查来源、病毒与漏洞，短期与长期记忆分开管理，文件读写限制在指定工作目录，高危命令被监控，代码与文件操作尽量放进隔离环境。它是首批通过中国信通院相关安全评测的智能体产品之一，内部安全评测通过率 98.2%，与外部厂商联合的 28 个场景、336 个测试用例通过率 99.7%。
节奏上，TeleAgent 桌面端今年 4 月进入内部试用，随后又花两个月做安全测试与能力优化，7 月 V1.0 才对外推出，如今用户规模接近 120 万。中国电信内部的 Skill 广场已累计上架 5.6 万个技能，被添加近 200 万次，参与开发与贡献的员工达 2 万人。
行业影响
IDC 在报告里专门提了 Agent Harness 这个词，指的是围绕大模型搭起来的那整套执行系统：安排上下文、调度工具、保存任务状态、控制执行环境，出异常时判断该重试、换路径还是恢复进度，最后还要检查任务到底有没有完成。报告给出的判断是，随着任务复杂度、上下文长度与工具调用次数增加，各家产品在成本与交付上的差异同步放大，底层模型已经很难解释全部差距。IDC 4 月的调研里，48.5% 的企业已进入通用 Agent 的评估、试点或使用阶段，96.9% 的 Agent 应用涉及办公自动化。这套说法与本期另外三条指向同一个结论：模型能力之外剩下的那部分差距，正在被单独拿出来设计、度量和竞争。
相关链接
编者小结
把四条放在一起看，位置各不相同。OpenAI 补的是引用来源——2.3 亿 URL 的法律索引加上一套区分判决要旨与附带意见的指令。Anthropic 补的是产物形态——文档、幻灯片与演示直接在对话里生成并导出。小米补的是训练期的环境与评分器，把 Grader Compute 单列为一条扩展轴。中国电信补的是运行期的工程系统——上下文分级压缩、三档模型路由、安全隔离。四家补的东西不一样，动作却是同一个：把模型之外那一层当作一个独立的、可以下功夫的对象。而这一层有个模型没有的性质，它可以被单独度量、单独优化、单独定价。