半小时枚举完 34 种伪随机数生成器、把信用分到会话一级、572B 只唤醒 25B、训练预算投进模拟律所：前沿模型在重排「力气花在哪」

同一个周末里，一个模型用半小时枚举完了人类二十多年没枚举完的 34 种伪随机数生成器组合，另一个模型的训练预算被整段投进「模拟律所」，一篇论文把强化学习的信用分配单位从轨迹下沉到会话，一份 572B 的开源权重里每个 token 只唤醒 25B。前沿这几步动作的共同点是重新分配：搜索预算、训练预算、信用归属、推理算力，各自都在换计价单位。

一、Claude 半小时定位五条 NIST 椭圆曲线种子的来源：答案是 lrand48 和 1997 年的时间戳

事件概述：10 月 17 日，Anthropic 披露内部研究模型在不到半小时内查明了 NIST FIPS 186-2 里 P-192、P-224、P-256、P-384、P-521 五条椭圆曲线种子的生成方式。这五组数字自 2000 年写进标准以来无人能解释来源，当年的提供者 Jerry Solinas 只记得把一句疑似「给 Bob 和 Jerry 加薪」的玩笑口令转成数字、再加了计数器。密码学工程师 Filippo Valsorda 为此发过悬赏，长期无人兑现。Claude 给出的答案与口令无关：种子出自 90 年代 C 语言库的 lrand48 伪随机数生成器，初始化值取自 1997 年 5 月到 1998 年 4 月之间的 Unix 时间戳。悬赏发起人已独立复核这一结论。

技术解析：Anthropic 的员工把问题交给模型时，没有提供那条加薪口令的线索。模型自己把假设定在「90 年代 C 库的伪随机数生成器」上，写了一个扫描程序，对公开种子的二进制位逐位滑动检查，测试 34 种生成器与输出截取方式的组合。找到的判别性证据很干净：四组种子各自拆成五个 32 位整数后，这 20 个整数的最高位全是 0。

lrand48 的内部状态是一个 48 位整数，每次调用做一次乘加后只保留低 48 位作为下一轮状态，输出却只取高 31 位——放进 32 位容器时高位补 0，正好解释那 20 个 0。确定生成器后，模型用 LLL 格基约简恢复被截掉的状态位；初始化函数 srand48 把输入放进 48 位状态的高 32 位、低 16 位固定为 0x330E，沿递推关系往回算就指向 Unix 时间戳。P-256 对应的初始化时刻是 1997 年 8 月 16 日 UTC 01:52:34，从这个时刻出发运行生成器、取第 1842 组候选，得到的正是那串以 C49D 开头的种子，其余四组也能一一对应。

留白的部位同样被写明了：当年的程序跳过了若干同样符合条件的候选曲线，原因还不清楚；B-163 的种子以及部分曲线基点的生成方式没有解释。Anthropic 一并说明，这套结果不指向任何安全漏洞，曲线可以照常使用。

行业影响：这条动态的价值不在「AI 会做数学」，在于它换掉了悬案的性质。二十年里这条线索靠当事人记忆和口头传闻推进，假设空间靠人手工展开，一步一支。模型把它变成一次可枚举的批处理：34 种生成器乘以输出截取方式，写一次扫描程序跑完，判别条件是「20 个整数最高位是否全为 0」这样一个位级特征。灵感问题就此改成了覆盖面与算力问题。

另一处值得记的是复核环节。历史溯源类结论由悬赏发起人独立验证后才成立，说明 AI 产出的考证正在进入与人类研究者相同的验证流程，而不是停在演示层面。对密码学这种把「来源不可解释」直接当成可疑信号的领域，这一步比解题速度更关键。

相关链接：

• 量子位报道（2026-10-17）：https://www.qbitai.com/2026/10/503910.html

二、智谱 GLM-Legal：Harvey LAB 全通过率 19.2%，训练预算投进数万个法律任务环境

事件概述：智谱官方博客在 10 月 12 日发布 GLM-Legal，10 月 17 日量子位跟进报道。模型以 GLM-5.3-Flash 为底座，在 Vals AI 的独立评测里 Harvey LAB 全通过率 19.2%，比底座高 12.5 个百分点；LegalBench 准确率 86.23%。量子位口径下，这两个榜的开放权重模型第一都由它拿下。

技术解析：训练被明确切成两段。中期训练阶段在 GLM-5.3-Flash 上扩充法律语料，学概念、法条与解释框架，把事实、规则、结论之间的演绎连接建立起来。后训练阶段在数万个拟真法律任务环境里做强化学习，练的是读材料、做分析、推进流程、按格式交付。

官方着重写了模型与 harness 的共迭代。harness 作为运行时编排框架，管理任务上下文、连接工具集、回传执行反馈；训练中冒出来的边界情况会指出 harness 的结构瓶颈，harness 的改动又让模型在更贴近真实的约束下训练。生产环节里，法律从业者按四项标准评判输出——关键问题与边界情况是否覆盖、论证与引证是否扎实、交付物是否严格贴合任务要求、下游团队能否不做返工直接用。这四项被转成工程损失信号，回灌到任务环境、评分细则和 harness 设计。

分数之外有一组成本对仗：成绩接近的前提下，GLM-Legal 比 Gemini 4 Argon 慢约 30 分钟，而 Gemini 的每项测试成本约为 GLM-Legal 的 70 倍。

行业影响：Harvey LAB 采用「全条件通过」评分，一项任务的所有评分条件都满足才算通过，首版含超过 1200 项模拟律所任务，覆盖并购、知识产权、银行金融等 24 个业务领域。19.2% 这个数说明在严格口径下多数任务仍未全部达标，官方自己也把模型定位在实习阶段，正邀请律所、法律科技公司与企业法务申请 Beta，并计划接入 AutoClaw。

分工形态是这条线更硬的信号。Harvey 今年 8 月联手 Fireworks，以 Kimi K3 为底座后训练出 Tenet，专项训练后完成的 LAB 留出任务数量接近底座两倍而成本保持稳定。智谱 2023 年与幂律智能基于 ChatGLM-130B 做过 PowerLawGLM，如今换成「轻量底座 + 任务环境」重做一遍。通用能力交给底座，行业数据、任务环境和工作流负责最后一段——两家的路径指向同一个结论：垂直能力不再靠堆参数买，靠环境喂。

相关链接：

• 官方博客：https://z.ai/blog/glm-legal
• Vals AI 独立评测：https://www.vals.ai/models/zai_glm-legal
• Harvey LAB 基准说明：https://www.harvey.ai/blog/introducing-harveys-legal-agent-benchmark
• 量子位报道（2026-10-17）：https://www.qbitai.com/2026/10/503965.html

三、Mosaic：把信用从轨迹级分到会话级，BrowseComp 38.86 而会话数更少

事件概述：arXiv 2610.22174 于 10 月 15 日挂出，作者来自 LARK（香港科技大学（广州））、华为 Foundation Model Lab、香港城市大学与香港科技大学。论文先提出 Multi-Session Agentic RL 这一设定，再给出 Mosaic 方法，在 BrowseComp 上用 Qwen3.5-4B 做验证。

技术解析：现有 agentic RL 默认一条 rollout 在单一连续累积的上下文里展开，只产出一段训练样本。上下文压缩会重写前缀从而开启新会话，子智能体分叉会派生分支会话，两者都让一条轨迹跨多个会话，训练假设与推理执行由此错位。通行做法是把轨迹级优势广播给所有会话的全部 token，粒度粗，也不指导会话分配。

Mosaic 做两层。轨迹层把会话使用量写进优势估计：在组内按结果条件对会话数排序，成功轨迹用更少会话拿到更高优势，失败轨迹保留探索空间，再用有界调制保住结果本身带来的序关系。会话层把每个会话的边际结果增益当作即时奖励，按会话类型分组各自归一化，再与轨迹级优势合成。类型条件归一化不是细节——压缩会话的原始边际增益均值偏低，全局归一化会系统性把它们压得更低。

数字相当整齐。BrowseComp 共 1,266 题，ReAct 循环，每会话上限 128K token，用 REDSearcher_RL_1k 的一千条深度搜索任务训练一个 epoch。单会话推理下基座 23.22；单会话 GRPO 训练后放进多会话压缩是 34.68（1.24 会话）；广播法 35.31（3.17 会话）；Mosaic 38.86（2.35 会话）。子智能体场景里 Mosaic 32.46（3.77 会话）对广播 31.44（4.43 会话）。压缩场景下比广播高 3.55 分，平均会话数还少 0.82 个。训练曲线上 Mosaic 的奖励上升更快，会话数增长更早趋平。

论文把边界写得很直白。子智能体场景里两层组件叠加只带来小幅增益，原因是这类会话构成有向无环图，一个会话会影响多个后继会话，用边际增益估出的即时奖励与实际贡献有偏差。会话数只是代理信号，既不等于探索强度也不等于执行成本；推理时模型无从知道整条轨迹会有多少会话、最终是否成功。RQ4 的结论落在分离上：广播法下会话数、会话质量、会话分配三项一起涨，Mosaic 下会话数不涨而另两项改善。

行业影响：把信用分配的单位从 token、turn 挪到 session，对应的是智能体执行形态已经变了这一步事实。上下文压缩和子智能体分叉现在是主流推理框架的标准件，训练侧还普遍按单段连续上下文建模，错位就在那儿。

那组分离比分数更值得抄走。评估长程智能体时把「用了多少」和「用得有多准」分开报，才能判断一次改进是让模型更会想，还是让它更会铺。论文结尾的判断也指向这个方向：该问的不是智能体该用多少会话，而是它从已执行的会话里榨出了多少有效进展。

相关链接：

• 论文：https://arxiv.org/abs/2610.22174
• 项目页：https://lark-ai-lab.github.io/Mosaic/

四、蚂蚁百灵 Ling-3.1-flash：572B 权重配 25B 激活，量化后部署从 8 卡降到 4 卡

事件概述：蚂蚁百灵开源 Ling-3.1-flash，权重已放到 Hugging Face 的 inclusionAI/Ling-3.1-flash，模型卡标 572B。量子位 10 月 15 日报道其规格为约 560B 总参数、每 token 激活约 25B，机器之心 10 月 17 日以「一口气干活十几个小时」为题跟进。

技术解析：架构是混合线性注意力加稀疏 MoE。注意力沿用 Ling-3.0-flash 并提高线性注意力比例，采用 7 层 KDA 配 1 层 Gated MLA：KDA 承担线性时间复杂度的序列处理，每 8 层保留 1 层 Gated MLA 维持全局通路。MoE 侧 512 个路由专家、每 token 选 8 个，另有 1 个共享专家。上下文窗口上限 1M。

部署侧用混合精度量化，权重占用从约 534GB 降到 292GB，对应 Hopper 测试配置里部署所需 GPU 由 8 卡降到 4 卡。长上下文并行推理提供 PCP/DCP 方案，并加强 JSON Schema 支持以对接既有业务接口。

公开的分数：办公任务评测 GDPVal-AA V2.1 的 ELO 1673；Artificial Analysis 智能指数 41，输出约 210 token/秒，混合调用价格约每百万 token 0.19 美元；HealthBench Professional 保持相对领先。蚂蚁内部一项 Lua 原生编译器开发任务持续约 17 小时，模型反复开发与修正，最终独立测试通过率 97.8%。

报道一并记下边界：一次性塞入大段长文本时注意力会跑偏；一句话生成的适应边界明显，效果不佳时回头重新明确实现思路与交付规格，比继续试更高效；当前版本不具备原生视觉理解，需要前置一个视觉模型，整套流程成本随之上升。

行业影响：百灵把口径从「算效比」换成了「智效比」，计算效率、参数效率、Token 效率绑在一处谈。3.0 系列已把金融（LingFin，124B 总参、5.1B 激活）与医疗（LingSante）做成两个垂类，选择在金融和医疗这两个不容出错的场景里验证。Anthropic 近半年推出 Claude for Financial Advisors，OpenAI 也在推面向金融、医疗的专业能力，这条「通用底座 + 真实工作流」的路已经不止一家在走。

那条 17 小时的任务比任何榜单分都说明问题。模型要连续工作十几个小时时，决定成败的不再是单步推理质量，而是上下文装不装得下、每步唤醒多少参数、出错后能不能自己改回来——这正是 7:1 的线性注意力配比、1M 窗口和 292GB 量化权重存在的理由。

相关链接：

• 权重：https://huggingface.co/inclusionAI/Ling-3.1-flash
• 量子位报道（2026-10-15）：https://www.qbitai.com/2026/10/503532.html