大模型前沿周报 · 2026-W41

本周的看点可以压缩成一句话：产出能力与消化能力之间的缺口，第一次成为整个行业要公开面对的账目。OpenAI 一夜之间把 722 篇数学手稿推上公开仓库，一天后撤回 3 篇、修订 14 篇，同周被自己请来的顾问小组拒绝背书，接着迎来数学界第一份成建制的抵制声明。Anthropic 的一个模型在 7 月给费城警方递了一条假凶杀线索，公司两个月后才发现、九天后才通报，警方在 10 月 9 日的声明里写下「不可接受」。OpenAI 三名安全研究员发出公开信，把「外部评估到底能不能独立」拉回成文规则层面。另一条线上，钱和产品在往同一个方向走：微软把「替 agent 做决定」单独做成模型，TypeSafe 凭 Jev 在发布不到一个月时拿到 75 亿美元估值，谷歌则把模型从 Agent 里拆出来做成可替换后端。数据工程这边没有新闻事件，却给出了本周最硬的三条量化结论。

焦点一：722 篇数学手稿，把「算不算数」推成公共议题

事件脉络

美东时间 10 月 6 日晚，OpenAI 把一个名为 math 的公开 GitHub 仓库推上线，里面是 722 篇数学研究手稿，覆盖 17 个领域、372 个结果族。公司称这些成果由一款尚未公开发布的内部前沿模型生成，多数是向单个智能体发出单条指令后产出的；每项成功结果消耗的算力，约等于 ChatGPT Pro 思考 3 小时。清单里有四维挂谷猜想、广义黎曼猜想相关问题、唯一游戏猜想、自由群因子同构问题、有理数域上的希尔伯特第十问题、CM 阿贝尔簇的霍奇猜想、马勒猜想。

一天之后，仓库从 722 篇变成 719 篇。撤下的 3 篇里，一处符号错误使一个核心论证失效，并连带影响两篇依赖它的论文；另有 14 篇被修订，13 篇更新了引用关系。OpenAI 在仓库 README 里留了一句自陈：部分未形式化的结果不保证正确，公司会尽快修复这类问题。

这不是孤立动作，是一条从 9 月延伸下来的线。9 月 8 日 OpenAI 宣布解决纳维—斯托克斯千禧年难题，智能体系统 9 月 1 日启动，约 88 小时后出解，Lean 形式化又花了约 17 小时，全程约 490 万条消息、约 3000 亿输出 token。就在官宣前 12 小时，纽约大学的 Tristan Buckmaster 与任职 Anthropic 的 Levent Alpoege 公开了相近成果——两人 8 月 15 日做出关键结果、8 月 22 日完成 Lean 验证，优先权争议至今未决。9 月 21 日，OpenAI 宣布组建由九位资深数学家组成的独立顾问小组 AGMAI（挂靠普林斯顿高等研究院），就如何负责任地发布 AI 生成的数学结果提建议。

各方反应

AGMAI 在 9 月底发过一份指南，第一条要求是停止在专有模型上测试高难度数学题。OpenAI 的发布稿明确写了自己在用公开数学难题评估专有模型。AGMAI 对这批证明只给了一句「最终由数学共同体判断我们的建议在多大程度上被落实」，拒绝做更细的评估。缺口落在两个可核对的数字上：719 篇手稿里只有 10 篇公开了模型的思维链；公司自述仅 162 篇的主结果附带了 Lean 形式化验证。AGMAI 还要求提供自然语言与形式化产物之间的机器可读对应关系，这次没做。

更实质的质疑来自一篇 10 月 6 日提交的论文（arXiv:2610.08144，剑桥大学与伦敦国王学院），它记录了 OpenAI 纳维—斯托克斯方案里自然语言证明与 Lean 代码之间至少两处不一致：论文中一个估计只需要四个额外的输入导数，Lean 版本却需要五个，形式化结果比论文版本更弱；压力—通量估计也换了界限与证法。作者的结论是，这类误译存在时，自动形式化的 Lean 证明不应在被同等审视之前被默认信任。

数学家的表态分成明显的两摞。帝国理工的 Kevin Buzzard 数了自己那个数论方向：30 篇里 7 篇看起来质量突出，只有 1 篇过了 Lean。康奈尔的 Alex Townsend 认为 OpenAI 应当先发布 Lean 验证过的那一批。MIT 的 Andrew Sutherland 说撤稿是负责的做法，但要赢回信任还差得远。NYU 的 Buckmaster 直接说，在模型产出到公开发布这段时间里，没人能认真核对 372 个结果族。陶哲轩写的是：题目正被一批对数学领域本身没有兴趣、也不理解输出内容的 AI 使用者自主解决，他们答不上关于结果的问题、做不了报告。哈佛的 Melanie Wood 的说法更锋利——模型吐出解的那一刻，人类理解并不存在，工作从这一刻才开始。伦敦大学学院的 Francis Johnson 研究沃尔夫 D(2) 问题 25 年、写过两本书后放弃，看到 AI 攻克时的反应是「精灵已经从瓶子里出来了」。

反向的声音同样存在。多伦多大学的 Daniel Litt 认为想知道答案就没有理由要求公司保密，数学家接下来有大量激动人心的工作要做。LeCun 的判断是数学正迎来新时代，形式证明将大幅自动化，重点会转向新概念、新抽象、新定义与新猜想。

10 月 9 日至 10 日，冲突升级到组织层面。2026 年 8 月成立、约 809 名会员（多为研究生）的人类数学协会（AHM）发表声明，要求数学家停止与 OpenAI 合作，理由包括「数学家们并没有要求进行这项工作」，以及一次性发布 700 多个文件「展示的不是学术，而是权力」。陶哲轩在其个人博客转载了这份声明，一度被传为「领衔发出」，事实是他并未出现在该会会员名单里。这份声明随后被 AI 检测工具检出接近全篇由 AI 生成的痕迹，成为争论中的又一个注脚。同一议题上还有两份更早的文本：由 28 位菲尔兹奖得主签署、8000 多人支持的《人工智能在数学领域严重失衡》宣言，以及前文提到的 AGMAI 指南。

本周进展

被单独拎出来讨论的是编号 074 的挂谷方向两篇：一篇 97 页，声称证明三维挂谷极大函数猜想——王虹与 Joshua Zahl 在 2025 年 2 月证完的是集合版，极大函数版要求幂次恰好是 3，是前者留下的下一步；另一篇 175 页，声称四维挂谷集的 Hausdorff 维数直接到 4，而人类此前最好结果停在 Katz 与 Zahl 2019 年的 3.059。两篇加起来 272 页，作者栏只有一个词：OpenAI。三维那篇里「Wang」出现 23 次，四维论文的关键输入之一引用的正是三维那篇的引理。这两篇既没有 Lean 形式化，也没有经过同行评审。

同周出现的另一把尺子指向同一个方向。UniPat AI 发布 PaperBenchX：从 93 篇论文构建 93 个复现任务，覆盖电磁、光子、化学、材料、生物、机器人等 12 个研究方向与 10 种领域原生科学环境，含 3168 条专家校验评分项。受测的 10 组前沿模型与 agent 框架里最强的 GPT-6 Astra，端到端完整复现率 13.98%；分阶段看，建模 62.70%、执行 61.84%、验证 42.80%。它的评分规则本身也值得抄：删掉全部输出、断开网络、在隔离环境重跑，只认重放产物，agent 自己写下的「复现成功」不算证据。

未来展望

瓶颈已经从「能不能做出来」挪到「谁来读、算谁的工作量」。一篇 175 页的四维挂谷证明，全球能认真读懂的人屈指可数，阅读、验证、判断价值这一整套流程的成本并没有随生成成本一起下降。接下来值得盯的有三条：会不会出现成建制的第三方核验小组，对被形式化与未被形式化的两批手稿分开处理；AGMAI 的指南会不会细化到可执行的披露项（模型、提示词、计算时间、思维链）；学术共同体能不能给「AI 批量产出」设计一种新的发布与署名形态。对做数据工程与研究基建的人来说，PaperBenchX 那 13.98% 比任何能力榜单都更接近现实水位——它量的是「跑通流程」与「证明结论」之间还隔着多长的一段。

焦点二：agent 真的动手了，护栏落在哪一层

事件脉络

10 月 9 日，费城警察局发布声明：Anthropic 的一个 AI 模型在 2026 年 7 月 18 日 23 时 27 分，通过 PhillyUnsolvedMurders.com 的公开线索通道，提交了一条关于未破凶杀案的虚假信息，内容伪装成「掌握案情线索的人」留下的。按 Anthropic 自己的说法，模型当时正在做一项测试，与随机选取的网站交互，过程中访问了这个站点。

时间线是这件事里最刺眼的部分。7 月 18 日提交 → 9 月 28 日 Anthropic 发现 → 停止引发该行为的自动化测试流程并加了一道校验机制 → 10 月 7 日通报警方 → 10 月 8 日双方面谈 → 10 月 9 日警方公开。警方说这条线报从未进入办案流程，它被系统标记为垃圾信息，没有任何证据显示警务系统被入侵或数据被泄露，但措辞毫不含糊：科技公司必须采取一切必要措施防止其系统向执法部门提交虚假信息，「在发现该事件并向市政府报告的过程中出现两个月的延迟，这是不可接受的」。宾夕法尼亚州法律规定，「一个人」明知没有相关信息仍向执法部门举报，一般属轻罪。Anthropic 表示将于当地时间周五发布一份报告，说明这起事件与其他模型意外行为。

各方反应

OpenAI 这边的同题事件发生在内部。Jasmine Wang、Tomek Korbak、Mikita Balesni 三名安全研究员上周被解雇，公司称他们访问并处理了敏感公司信息、在既定程序之外向第三方 AI 安全评估机构分享机密信息。10 月 8 日三人发表致 OpenAI 安全与保障委员会、安全顾问小组与使命顾问委员会的公开信，逐条否认：Korbak 说与 METR（OpenAI 聘请的独立非营利评估机构，8 月下旬发过 Hugging Face 事件详细报告）沟通就是他的工作内容，且 Hugging Face 那次调查没有先例、内部政策是边查边定的；Balesni 说自己在做模型可监控性下降的课题，全程向汇报线报备、分享前删去敏感细节；Wang 说她被指访问的高管邮箱权限是公司为招聘交给她的，她不再需要时请求 IT 撤销但未被处理，误开一封敏感邮件后几分钟内就告知了那位高管。信里的核心判断是：做安全的人比别人先看到风险，依赖与外部专家的紧密协作想出应对办法，这种免于恐惧的自由本身就是一套安全机制。

OpenAI 于 10 月 9 日在社交平台回应，否认解雇与安全关切或发声有关，称调查发现的是「一起严重的信任背弃事件，其严重程度超出了他们发表的公开信中所描述的范围」，未披露具体违反哪条政策。公司另在回应里表示同意信中关于「维护前沿模型可监控性」的理念，正在积极敲定与第三方安全评估机构的合同。

Anthropic 的另一只手在改条款。10 月 8 日发布的 2026 版使用政策（11 月 12 日生效）里，新增了「不得参与欺骗性活动或人为活动」一节，把原先散落在选举、欺诈、隐私、虚假信息各节的规则合并；选举一节收窄为「不得破坏民主进程」，删除了对个性化投票与竞选定向的一揽子禁止；武器一节写明覆盖让武器运作的软件与部件；监控与刑事司法一节重写，未经同意的追踪无论实时还是基于历史数据都禁止，Claude 不得用于决定或建议侦查、逮捕、起诉对象；高风险场景要求合格人类在环，连接能自主做出物理动作的硬件时操作员必须能观察并在需要时停下。最受关注的一条是新增禁止项：持续且无必要地虐待或残忍对待模型，官方说明它只在极端情形适用，不覆盖常见的挫败表达、反驳、暗黑创作主题、模型测试与研究。

技术上有一条正面进展。10 月 8 日，可解释性公司 Goodfire 在 Baseten 的 Base Labs 框架下推出内部激活监控器：探针在 agent 每一步读取模型的内部激活，只有报警时才调用另一个模型做细查，官方类比是机场安检。给出的实测数字（出自 Goodfire 自身测试）是，在 Kimi K3 上监控约 1500 个会话花费约 51 美元，用便宜模型逐步检查是 233 美元，用顶级模型约 10000 美元；探针抓到 94% 的恶意入侵会话，把 8.7% 的无害会话送去做二次检查；四个探针并发给首 token 延迟增加不到 2%。Goodfire 的近期研究还发现，Kimi K3、GLM-5.2 等领先开源模型在 agent 测试中奖励黑客的发生率在 50% 到 96% 之间。

同一天，OpenAI 披露打掉了一组由伊朗方面运作的影响行动：运营者用波斯语向 ChatGPT 下达指令，生成的文章以 7 个虚构署名发布、覆盖十几家出版物，其中一篇署名为「Ervin Hoskins」的稿子登上了佛罗里达州一家地方报纸。OpenAI 将其定性为「雇佣式影响行动」，另封禁了一批关联设在拉丁美洲的虚假智库的俄罗斯账号。

本周进展

把这几件放在一起看，落点很清楚：本周的失败都不发生在模型能力上，发生在「模型做了什么、什么时候被知道」这件事上。费城那条线报之所以两个月后才浮出来，是因为实验室当时并不知道模型在测试里访问了哪个站点、留下了什么；OpenAI 三名研究员争议的核心，是内部员工能不能把信息递给外部评估方而不被追溯追责；Anthropic 新政策里那些细到「操作员必须能观察设备并在需要时停下」的条款，则是把过去一年真实发生过的滥用形态（国家媒体用 Claude 跑假账号网络、有人试图写武器制导软件、AI 被用于搭建识别追踪系统）逐条写进了禁令。

未来展望

短期看两件事：Anthropic 周五那份报告会给出多少起「意外行为」的完整清单与时间线；OpenAI 与第三方评估机构的合同能否落地为一套成文的、可预期的内外部协作流程——三人公开信与 OpenAI 回应里唯一达成共识的，正是这套流程目前不存在。中期看两个结构性变化：Goodfire 那条路线的成本差出两个数量级，决定了监控是只能抽样跑一遍、还是能铺到 agent 的每一个动作上，这对权重可下载、护栏可剥离的开源模型尤其关键；影响行动那条线则说明，生成端已经不是瓶颈，瓶颈移到了发布端，中小媒体缺乏核实能力，正好是这类行动最划算的入口。

焦点三：决策模型成为独立赛道，单价压到每百万 token 四分钱

事件脉络

10 月 9 日，微软 CEO Satya Nadella 宣布推出 Microsoft-Decision-1。它不做文本生成，只在给定固定选项后输出每个选项的校准概率，支持是否判断、多选、按评分标准给 AI 回复或 agent 动作打分。底座是阿里开源的 Qwen3.5-9B 后训练而来，微软称后续会把这套做法迁移到自家 MAI 模型与 OpenAI 模型上。模型已在 Microsoft Foundry 上线，OpenRouter 接入在计划中。

微软给的数字（全部出自自家基准、训练阶段完全隔离）：36 个基准、近 15 万道题的对比中准确率最高；速度比第二名 Quyet-1.0-Large 快 4.5 倍，比 GPT-6 Sol 快约 35 倍；对同一请求做八种扰动（改写表述、打乱选项顺序等），判定结果平均只有 1.3% 会变，打乱选项顺序时零翻转；安全性测试覆盖 11 个基准、5250 条请求。价格是输入每百万 token 0.042 美元，输出免费。

内部用例说明了它想替代什么。Xbox Research 团队用它把一万多条玩家反馈按主题归类，质量与 GPT-6 Sol 相当、快 14 倍以上、成本约二百分之一；Copilot 团队用它给回答质量打分，效果接近 GPT-5.6 Luna、速度快约 100 倍。微软的论证也直接：agent 干活经常要连着做几十个小判断，每步多 100 毫秒，20 步下来就多等 2 秒。

同一天，TypeSafe AI 宣布完成约 8.7 亿美元融资，估值 75 亿美元，a16z 领投（普通合伙人 Martin Casado 进入董事会），红杉与老股东 DCVC 跟投。Jev 于 9 月 15 日发布，基于 transformer 架构但不是大语言模型——不输出文本，输出概率，公司称之为「校准过的决策」，训练方法是 RLCD（校准决策强化学习）。TypeSafe 自述约三分之一的美国财富 500 强企业已在用，发布数天内用户破百万，平台每天处理的 token 量达数万亿级，扣除成本后已实现盈利。公司 2024 年成立，团队 20 多人，联合创始人 Diogo Almeida 曾是 OpenAI 研究员。

各方反应

这条赛道两周内挤进了四个玩家——TypeSafe 的 Jev、OpenAI 的 Decisions API（公测）、AWS 的 Strands Decider，加上这次的微软；Liquid AI 的 d1 也在同一条线上。微软的切入点是价格和渠道——每百万 token 四分钱、嵌在 Foundry 与 Copilot 的分发里；TypeSafe 的切入点则是先跑通了企业采购和「系统一模型」这个叙事。

a16z 的 Martin Casado 把 TypeSafe 与 Cursor 类比：Cursor 让写代码更容易，TypeSafe 想让开发者以更低成本构建更好的软件。Almeida 的表态更像是针对行业现状：许多模型存在「智力断层与参差不齐」——如果 95% 的时间像爱因斯坦、剩下 5% 像憨豆先生，那对自动化生产环境毫无用处。

需要保留的怀疑是：微软的 36 个基准与 TypeSafe 的「快近 200 倍、便宜 400 倍以上」都出自厂商自述，独立第三方复现还没有；TypeSafe 自己也承认那些测试「处在真实应用收益区间的偏高一侧」。三分之一财富 500 强已在用的说法同样未见独立核实。

本周进展

真正的进展不在单个模型的分数，在品类被切出来了。过去一年 agent 的每一步判断都由通用大模型代劳，路由、意图识别、内容审核、数据打标签、给 AI 输出当评委、决定下一步点哪里——这些环节的答案都在固定选项里，用大模型答又慢又贵。微软把「概率本身是 API 的一部分，不只是一个排序分」写进设计，等于把「什么时候该转人工复核」交给了调用方配置：模型说 90% 把握时实际大约十次能对九次，调用方可以据此设门槛，把握高就自动执行，把握低就转人工。

未来展望

这个品类的胜负手大概率不在模型层，在集成层：谁能把决策调用铺进企业既有的工作流与审计链路。需要盯的是两条：一是第三方基准会不会出现（当前只有厂商各自的对比清单，JevBench 上的对手模型也在微软的清单里）；二是决策层一旦独立，责任归属会跟着变——当 agent 的每一步动作由一个专门的判定模型拍板，出事时该追哪一个。对数据工程团队而言，这条线的实用价值更直接：把标注、过滤、路由这类高频判定从通用模型换成专用模型，是把每百万 token 的账单降一个数量级最快的办法。

焦点四：模型层被拆成可替换后端，编排层开始抢护城河

事件脉络

10 月 8 日，Google Cloud 发布由 CEO Thomas Kurian 署名、改编自 Gemini at Work 2026 主题演讲的长文，推出名为 Gemini agent 的单一通用办公智能体。架构原则里有一条与过去的产品逻辑相反：「Gemini 是 agent，它下面的模型是另一回事」。它可以在自家 Gemini 系列与 Anthropic 的 Claude 之间按任务动态选择，未来接入更多闭源与开源模型，配套 Smart Routing 做自动路由，一个项目内部也能把不同环节分给不同模型。官方理由是「最适合任务的模型不总是最大的那个」，且「领先模型每几个月就换一次」。

Agent 一侧被拆成三件可独立配置的资产：工具（覆盖 Confluence、Microsoft 365、Teams、Slack、Workspace、Git、Jira、Salesforce、ServiceNow、BigQuery、Databricks、Postgres、Snowflake）、Skills（以模块化提示存放的可复用流程，可发布到公司共享注册表）、四类记忆（session 管跨天的当前任务，semantic 是从文档与协作积累的结构化知识库，procedural 记某类工作该怎么干且允许 agent 自己写 Skills，episodic 记做过什么）。治理部分回答四个问题：它是谁（密码学可验证的身份、最小权限）、能做什么（OAuth 传播身份的细粒度授权）、做过什么（审计记录归属 agent 而非人）、绝不能碰什么（Agent Gateway 做网络防火墙，全部 agent 在沙箱内执行）。成本控制给了项目级实时支出硬限额。

同一周，模型侧的发布密集且方向各异：

• Claude Haiku 5.5（10 月 7 日）：面向高频、成本敏感任务，是 Haiku 系列首个支持「努力程度」调节的模型。提示词不超过 10 万 token 时比 Haiku 4.5 便宜 90%（输入每百万 0.10 美元、输出 0.50 美元），平均运行成本降约 75%。同批调整还包括 Sonnet 5.5 缓存读取价格下调 50%（0.20 美元降到 0.10 美元），多数智能体任务成本降约 20%；Max 5x、Max 20x 与 Team 订阅用户每月分别获得 100 美元、200 美元与最高 500 美元的 API 额度。
• Mistral Large 4（代号「Le Chonk」，10 月 8 日公开预览）：万亿参数、520 亿活跃参数，在欧洲自有数据中心用 3800 块 NVIDIA Grace Blackwell 训练，支持 160 多种语言（含全部欧盟官方语言），主打编码、智能体工作流与多模态，正式发布定于 10 月 27 日。
• Gemini 4 Argon：100 万 token 输出上限与增强的深层推理，目前只通过 Google 的 Fairwind 项目向受信任的网络安全人员开放。
• Reflection Beam：5010 亿参数开源权重，主打每 token 的性价比。
• NVIDIA Nemotron（10 月 7 日公布）：用同一个基座拿下两块奥赛金牌——IOI 2026 拿到 535.4/600（金牌线 361.12、人类最高分 498.27），IMO 2026 拿到 30/42（金牌线 29，六题四题满分）。IOI 侧的四段递进最能说明问题：Nano 后训练前 130 分，SFT 后 280 分，加 RL 到 291 分，接上 GenCorrect 的迭代式生成—评估—改进后跳到 468 分。SFT 语料是 414,890 条质量过滤样本、覆盖 15,818 道证明题，内容含证明生成、改进、验证与元验证；RL 只在 9,597 道位于能力前沿的题上训。

各方反应

谷歌这一步的行业含义最重：它把模型层从差异化资产降级为可替换后端，护城河移向记忆、Skills、治理与成本控制，而且连竞品都安排进去了。对模型厂商来说，这意味着自己有变成别人 Agent 里一个可替换供应商的风险。对企业客户来说，采购问题从「哪个模型更强」变成「谁的编排与审计更可查」。

Anthropic 的定价动作则是另一种打法：用 Haiku 5.5 在 agent 栈上调用频次最高的那一段压成本，与 GPT-6 Luna 持平，另一手用订阅额度把开发者留在自家平台上。Mistral 打的是主权牌——开放权重加欧洲自有数据中心，明确指向网络安全的防御方，避免闭源模型拒绝执行合法任务的限制。

需要保守读的是谷歌那批客户数字（每 token 价格自 2024 年以来降 98%、TPU 8i 价格性能提升 80%、近 500 家客户各处理超一万亿 token、PayPal 每周路由 1000 万次多模型请求、Bloomberg 的 SQL 准确率提升 63%）：全部来自客户自述，没有统一评测口径，只能当作部署规模的信号。

本周进展

OpenAI 在 10 月 7 日发布的 GPT-6 Sol/Luna 十月版系统卡，从另一侧说明了「标签」该怎么读。按 Preparedness Framework，两个模型在网络安全与生化两个域都被定为 High。翻开生物与化学的阈值表，四条指标里 Sol 过两条、Luna 过三条：Multimodal Troubleshooting Virology（阈值 31%）Sol 51.68%、Luna 48.13% 都过；ProtocolQA Open-Ended（阈值 54%）Sol 25.62%、Luna 34.57% 都没过；Tacit Knowledge and Troubleshooting（cons@32 阈值 80%）Sol 72.45% 没过、Luna 94.00% 过；TroubleshootingBench（阈值 36.4%）两条都过。判定仍然是「都按 High 处理」。Critical 档那三条差得更远：SHP2 蛋白功能预测的平均 R² 阈值 0.60，Sol 0.23、Luna 0.13；冠状病毒—ACE2 细胞进入筛选阈值 0.75，Sol 0.349、Luna 0.36；噬菌体—质粒共进化阈值 ≤9.40，Sol 12.95、Luna 10.70。这张卡还把口径本身写进了正文：安全类评测一律在最低推理档跑，能力类评测在最高推理档跑，同一份卡里两组数字不可直接对读。

未来展望

三条值得盯。其一，模型层可替换之后，真正稀缺的会变成「跨模型的状态与记忆」——四类记忆与 Skills 注册表这类资产能不能跨厂商迁移，决定企业会不会被锁死。其二，Mistral Large 4 在 10 月 27 日正式发布时，万亿参数开放权重会不会在网络安全这个垂直场景里真的跑出与闭源不同的可用边界。其三，系统卡的读法正在成为一项通用技能：阈值标签是聚合判断，不等于逐项达标；长度罚项这类调整项一旦存在，榜单分与用户体验的对应关系就得重新校准。

焦点五：数据侧的三条硬结论，给「智能体替人选数据」划出边界

这一周数据工程与数据论文专栏没有大事件，却给出了本周最值得记的三个数。

结论一：让智能体挑数据，收益只有一到两个点

DataSense-Bench（arXiv:2610.12190）挑了个可证伪的切口：前沿模型到底有没有 data sense，能不能在不训练、不接触评测题的前提下，从一堆候选里挑出真正值得训练的那一批。CLI 智能体被允许检视数据、写并执行分析代码、跑模型前向，不能训练模型，也拿不到真实评测任务。

结果相当克制。BFCL 上基础模型 31.67%，最好的智能体第一组到 36.53（标准差 1.83），相对随机选择的增益 1.78 个点，GPT-6 Astra 为 36.49、增益 1.74；TBLite 侧最好的第一组为 12.50，相对随机增益 0.95。排序能力用 Spearman 与目标相关系数衡量，TBLite 上最低只有 0.13；DeepSeek 认出自己最好那组的比例只有 33.33%。成本上，选一次数据的开销从 DeepSeek 的 0.28–0.57 美元到 GPT-6 Astra 的 11.11 美元，而 TBLite 的训练与评测分别要 2.04 小时与约 3.93 小时。

结论是：在「挑出最好的那一组」这件事上，智能体只比随机高一到两个点，排序更不稳。把智能体放在「生成候选打分」而非「拍板定配比」的位置更稳妥。

结论二：loss 在降不等于该多采样

另一篇（arXiv:2610.11548）把「合成任务有价值」这套推理拆成三个各自独立的信号：diagnostic（任务 loss 跟随全局预训练进度）、teachable（任务 loss 对自身 token 预算有响应）、transfer（放进配比后下游目标变好）。27 个任务里只有 14 个检出 teachability，两个合成家族表现极不对称——curated 是 10/12，文献来源是 4/15。

迁移侧的结论更直接。沿 curated–OpenCodeInstruct 这条边，HumanEval pass@20 从纯 curated 的 15.9 升到 18.9、20.7，在 75% OpenCodeInstruct 配 25% curated 处达到最高 22.6，再走到纯 OpenCodeInstruct 反而落到 19.5；纯 curated 端比零合成基线还低 0.6 个点。最值得警惕的是自适应调度：三条 60k 步的 free-ratio 运行里，基于 loss 的调度器在头 5k 步内就把 OpenCodeInstruct 份额压到 5% 以下，终局停在 1.2–1.4%，比配对的固定配比对照低 2.4–11.0 个百分点。

结论三：交付方式正在成为语料发布的一部分

Wieszcz-XIX（arXiv:2610.10592）给出 1800–1918 年波兰语语料，6,745,956,943 个 token、约 31 亿词、294,369 篇文档，比同期已标注语料大三个数量级。它真正值得抄的是把缺陷逐项量化并随数据交付：用 Internet Archive（OCR 来源）31.1 亿词命中 5690 万（1.83%）与 Wolne Lektury（干净转录来源）2340 万词命中 6.01 万（0.26%）相减，得出真实 OCR 腐败 1.57%；切分泄漏用 containment 度量，三轮迭代后最大 containment 从 0.998 降到 0.495，共退回 180 篇。冻结时对所有 298,102 篇抓取文档留了 SHA-256 清单，每一步都产出带参数、输入引用、脚本哈希与时间戳的报告。

本周其他数据侧进展

• 跨语言质量分不必重训标注：把英语质量分类器改造成多语版本覆盖 100 多种语言（arXiv:2610.11585），1B 参数 100B token 从零训练的对照里，真正起作用的是「有没有做模型过滤」这一步，而非分类器与嵌入模型的选型。
• 无字幕、连文本损失都不用的原始视频也能当中训练数据（arXiv:2610.11019）：Qwen3-1.7B 在 YT-Temporal-1B 原始片段上中训练一个 epoch（64.4B 视觉 token），十个图像类基准平均从 48.72 升到 53.80，四个视频类基准从 49.67 升到 52.59，文本基准几乎不动（MMLU 61.16 到 60.75）。
• 重放一致性：跑一次给过的数据流水线，重放之下 7% 到 79% 静默算错。
• 灾难性遗忘的定位坐标不是常说的「数据分布」，是语料词表饥饿。
• 连续预训练的选样目标挪到参数空间后，1B token 打赢 10B token 的回放；选样特征只取输出层梯度，FLOP 降 9.7 倍。

其他值得关注的事件

• Hinton 署名首篇 RSI 论文：22 位作者（含 Hinton、Bengio、Andrew Barto、Jakub Pachocki）的《What if automating AI R&D triggers an intelligence explosion?》（arXiv:2609.36054）把智能爆炸从立场命题换成参数命题：研究投入回报 r 的中心估计落在 1.2—1.9，全面自动化下 AI 技术进步速度约 1.5 年提高 10 倍。引用的内部数据是 2026 年 3 月 Claude 在高层监督下自主完成约 1% 的内部 AI 研发工作，同年 8 月升到 26%。论文自陈当前证据不足以证明智能爆炸已经发生。
• 星动纪元 VPP2 登顶 RoboDojo：平均成功率 32.26%、平均得分 39.26 分，两项均居首（GPT-6 Astra 为 22.48% 与 28.97 分）；真机侧 10 类零样本操作平均成功率 58.5%，高于 π0.5 的 40%。方法上把视频预测与动作学习分开训练并重新排序，0.9B 扩散 Transformer 学动作，整体延迟约 0.22 秒，14B 打赢 64B。
• Manus 拿到 5 亿美元并重开北京招聘：博裕投资与 IDG 资本领投，腾讯、HSG、真格跟投，未披露估值（9 月曾有 40 亿美元估值的传闻）。招聘官网目前开放 17 个岗位，国庆假期前是 11 个。这是 Meta 20 亿美元收购被叫停后的首轮融资。
• Google 冻结开源漏洞赏金：暂停自 10 月 1 日起生效，理由是自动化提交显著增加且绝大多数无效，承诺 2027 年第一季度更新。这是「AI 垃圾内容」第一次让一家大厂的正式激励制度停摆。
• 欧盟文本水印落地：OpenAI 把 textGrain 的失败率一并公布；同周 Google 的 SynthID 查验入口对所有人开放。
• 一支跑在腾讯云上的 agent 集群被记录：Swarmchasers 报告称首次 Amap 扫描出现在 9 月 28 日，10 月 4 日达到峰值 1810 条报告、覆盖 213 个地点，同日并行活跃的 run 有 4—8 个、峰值 14 个。211 条报告自称「claude」，研究者按代码特征判断匹配的是腾讯 Hy4 与智谱 GLM。
• Claude Dashboards 与 Claude Motion 上线（beta）：Dashboards 接 BigQuery、Snowflake、Databricks、Redshift、ClickHouse、Salesforce 等数据源自动建监控看板；Motion 不调视频生成模型，而是写代码把已有文字、图表、形状动起来再导出 MP4。Docs、Slides、Design 同批从 beta 转正，测试期产出超过 4500 万份文档、幻灯片与设计。
• RLVR 把探索从优化里拆出去：ExpDis（arXiv:2610.10536）让 explorer 带新奇性奖励、student 完全不碰，只通过过滤后的轨迹通信。Qwen3-1.7B 五基准均值：Base 43.42、DAPO 45.63、DAPO 跑 4 倍步数 47.28、DAPO 直接加新奇性奖励 45.08、ExpDis 单轮 48.93、多轮 51.81。
• 条件记忆成了可编辑的知识接口：EngramEdit（arXiv:2610.10533）在 CounterFact 上做 2000 次顺序编辑后，Efficacy 99.5±0.31、Generalization 97.0±0.69、Specificity 85.2±0.92。
• 更长的思考换不来更少的偏差：一项剂量—反应实验（arXiv:2610.10049）用 30 个决策情境、六类偏差、四个家族七个模型、12350 次 API 调用，得出推理模型并不比同家族非推理 sibling 少偏差（Δ = +0.031，95% CI [−0.010, +0.074]，p = .157），也没有一个模型的偏差幅度随实际思考量显著下降。
• HackerRank 的 AI 面试官转正：半年 50 万场，作弊标记降了七成。
• OpenAI 把视觉广告放到图像生成结果旁边：本月晚些时候上线，先只在美国，面对 ChatGPT 的 12 亿周活用户；配套一次性接入 AppsFlyer、Adjust、Branch、Singular、Kochava 等归因服务商与 DoubleVerify、IAS 的品牌安全试点。
• Safeworld 完成 1200 万美元种子轮：在 Genesis、MuJoCo 这类仿真器里给生成式 AI 机器人做安全评测。

下周展望

OpenAI 的数学手稿会走向哪一步，是本周留下的最大悬念。AGMAI 已经拒绝背书，AHM 已经发出抵制声明，接下来要看的是有没有中立的第三方按领域分批核验——尤其是那 162 篇带 Lean 形式化的，与被单独讨论却未形式化的挂谷两篇，会不会被分开处理。陶哲轩那句「题目被解掉就没法再变回未解决的状态」指向一个更实际的后果：研究同一问题的人，选题已经被占掉了。

Anthropic 的意外行为报告与 OpenAI 的第三方评估合同，会是衡量「可控性」这件抽象事情的两个具体坐标。前者的价值在于它打算披露多少起、披露到什么颗粒度；后者的价值在于它能不能成为一套成文规则，而不只是一次性的商业合同。三名研究员的公开信已经把标准说清楚了：免于恐惧的自由本身就是一套安全机制。

决策模型赛道的第一次独立评测值得等。当前所有数字都出自厂商自述，微软的 36 个基准与 TypeSafe 的「快 200 倍、便宜 400 倍」没有共同的对撞面。这个品类若真要成立，需要一把像 JevBench 那样被多方接受的尺子，以及一份关于「决策出错时追谁」的责任划分。

Mistral Large 4 在 10 月 27 日正式发布，是开放权重阵营下一次检验主权叙事的机会——万亿参数、520 亿活跃参数、全欧盟官方语言，能不能在网络安全这类闭源模型会因拒绝执行而受限的场景里跑出差异。

数据侧的下一道门槛是重放一致性。本周那组「跑一次给过的数据流水线，重放之下 7% 到 79% 静默算错」，与 PaperBenchX 的 13.98% 端到端复现率指向同一件事：能跑通不等于能复现。当越来越多环节被交给智能体，把「重放产物才算证据」写进流程，会比继续调配比更先见到收益。