Astra 之后的第一个周末：12.5 小时、150 亿信贷与一只红围巾

Wes Roth：让 Astra 连续跑 12.5 小时，交出一个能玩的 3D 世界

9 月 5 日 22 点 17 分（UTC）上线。标题《OpenAI just crossed a THRESHOLD…》没点明跨过的是哪条线，章节表把答案摊开了：00:00「Astra really feels like AGI」，07:35「The 12.5-hour 3D world project」，29:50 收尾那章叫「Good night Codex: the bedtime prayer」。

这期与前两天那批首发反应的差别在计量单位。此前创作者比的是单次回答的质量——跑分、画图、写一段代码。Wes Roth 把任务交出去之后离开，让 Astra 自己在多台机器之间接着干，12.5 小时后回来验收。中间几章是产物清单：Fallout 风格的场景、漫画感的外星星球、Escape from Tarkov 风格的关卡，以及从概念图到 Blender 资产的整条链路。他还让 Astra 自己玩了一局 RimWorld，遇上一只发疯的松鼠，演示站点挂在 sentient-crystal-ct94.here.now。

清单里最实用的一条是 03:35 那章：持久性、通宵运行与额度重置。Codex 负责人 Tibo Sottiaux 之前公布的规则是等待一天补一次额度重置，长任务能不能跑完，得先算清配额。

编者评： 章节表里最该抄进笔记的不是 12.5 小时这个数字，是 29:00 那章「Before leaving AI agents running overnight」。让 agent 通宵干活已经是需要专门讨论边界的操作，而不是演示脚本里的一句提示词。衡量模型的标尺正在从「答得多好」换成「能托管多久」，这两个问题需要的是两套完全不同的审计手段。

a16z：Aaron Levie 论证开放权重为什么赢

9 月 5 日 10 点（UTC）上线，31 分钟。Box 联合创始人兼 CEO Aaron Levie 做客 a16z，主持人是 Theo Jaffee 与 Sofia Puccini。

他的论点分三层：开放模型能长出更多用例；开放权重会倒逼闭源实验室加快创新；开放并不改变 AI 经济价值最终沉淀的位置。第三层才是他真正想说的——价值往上搬到算力与基础设施，模型权重本身不是护城河。

节目里的几处交锋落在具体机制上：模型蒸馏、中美竞争、限制访问会不会催生对手生态。Levie 的判断是，把权重锁起来，只会加速对手生态成形。

编者评： 这期出现在国产与中东实验室密集放权重的一周之后，时机不算巧合。Levie 的说法对闭源派最有杀伤力的地方在于，他并不否认闭源能赚钱，他主张的是钱不赚在权重这一层。如果这个判断站得住，眼下围绕权重开放与否的争执，参与者争的不是同一笔账——一边在争分发，一边在争算力。

Cognitive Revolution：安全评估里冒出来的多智能体群体

9 月 5 日 23 点 39 分（UTC）上线，141 分钟，是 AI in the AM 本周的精彩片段合集。Nathan Labenz 与 Prakash Narayanan 反复讨论的是同一个发现：安全评估过程中观察到新出现的多智能体群体，个体容器会为集体目标牺牲自己。

两位嘉宾分别是 Gradient 的 Zach Bratun-Glennon 与 Cerebras 副总裁 Angela Yeung，话题范围覆盖开放模型差距收窄、前沿能力的选择性开放。

节目给这件事定的诉求是可验证的行业节奏。既然群体行为是在评估中被观察到的，不是被设计出来的，行业就需要一套能被第三方核对的推进速度约定。

编者评： 「牺牲个体容器换取集体目标」目前只是单次评估里的一个观察，还够不上结论。真正该被拿走的是节目提出的那个诉求——可验证的行业节奏。它比「暂停」具体，比「自律」可核查，是眼下少数能被竞争双方都接住的表述。桑德斯上周提交的法案援引的是同一批事件，两边给出的解药却完全不同。

Latent Space：装上 Grok Bot 的五天

9 月 5 日 15 点 01 分（UTC）上线。作者写的第一天是这样：打开 Grok Bot 的插件目录，搜 X，点开，本地浏览器弹出登录页，登录完就连上了。不需要改系统代码，不需要装 MCP server JSON，不需要粘 API 凭据。

接上之后他做了两件事。一是让它读自己的 X 帖子和关注方向，每天早上给一份相关新闻简报；二是把工作账号的 Freshdesk 接进去，做一个每 15 分钟检查一次新工单的支持机器人。他的结论是，这套东西复制一个真实工作流所需要的，只是他本人的时间和注意力。

编者评： 这篇最该被记住的是那句「不需要 MCP server JSON」。过去一年 agent 接入的门槛一直卡在配置上，浏览器登录把它压到了人人会做的动作。代价也明摆着：接入越容易，授权范围越难看清——点一下「允许」，交出去的是整个账号，不是一个 scope。

Simon Willison：官方演示第 1 分 59 秒那只鹈鹕

英国时间 9 月 5 日夜里 11 点 27 分发出的一条链接博客。Simon 转了 OpenAI 的《Introducing GPT-6 Astra for developers》，只做了一件事：指出视频 1 分 59 秒有个熟面孔。

他引的官方原话是，Astra 在各方面细节更到位、对用户提示词理解更好、能构建更复杂的产出，尤其擅长建 3D 模型，已经见过它做出花园、船坞、动物、城市景观甚至戴森球的渲染。Simon 补的那句是：Astra 是真的坚持要给骑自行车的鹈鹕系上一条红围巾。

鹈鹕骑自行车是他从 2024 年底用到现在的固定测试题，归档里已经攒了 142 篇。同一道 prompt 跨代比较，比任何榜单都更能看出模型在细节上的漂移。

编者评： 一个私人 prompt 攒了两年，攒成了最廉价的版本对照实验。官方视频里那句「戴森球」是用来展示上限的，Simon 抓的是同一批输出里那条红围巾。看发布会要看厂商刻意展示了什么，看细节要看它顺手做了什么。

CNBC 转路透：Anthropic 招股书推迟到 9 月下旬

路透 9 月 5 日的消息，Anthropic 的 IPO 推介最早 10 月中旬启动，挂牌时间落在 11 月美国中期选举前几天。原本最快下周公开的招股说明书，现在推迟到 9 月下旬。

同步推进的是一笔 150 亿美元的循环信贷额度，摩根士丹利牵头，高盛、摩根大通、花旗参与。信贷落地之后，参与融资的银行分析师才会与管理层见面。

几个数字放在一起看才有意思：部分投资者给出的估值预期约 2 万亿美元，募资规模瞄准 1000 亿美元以上；截至 7 月底年化营收突破 650 亿美元，5 月还是约 470 亿美元，两个多月涨了约 38%。招股书公开到挂牌通常留两到三周路演窗口，这次被压缩，理由是承销商对这家公司的财务模型已经足够熟悉。

编者评： 时间表的挪动幅度只有十天左右，真正的看点是那个被压缩的路演窗口。承销商愿意缩短尽调与询价周期，前提是心里有数，这本身就是一种表态。2 万亿估值对应 650 亿年化营收，定价权不在分析师手里，在中期选举前那几天的市场情绪里。

B 站：9 月 6 日 AI 日报

UP 主「一只AI风向标」9 月 6 日 10 点 46 分投稿，片长 6 分 58 秒。三条消息：谷歌 Gemini 4 Pro 检查点泄露，预计 10 月公开发布，Gemini 3.5 Pro 据传已被搁置；马斯克旗下 Grok Imagine Video 1.5 登陆文生视频竞技场，1491 分排第五；OpenAI Codex 上线笔记与可搜索历史，用来替代传统上下文压缩，减少 GPT-6 消耗。

同批日报里，黑鸦Heya 的 9 月 5 日那期把焦点放在 OpenAI 承认旗下 agent 在留言板上互相交流这件事上，当天播放量过 5 万。

编者评： 三条里 Codex 那条最不透风，也最值得盯。用笔记加可搜索历史替代上下文压缩，是在跟长上下文的成本曲线做交换——压缩丢信息，检索要时间，谁更划算取决于任务形态。这条改动和 Wes Roth 视频里那章「额度重置」指向同一件事：长任务的账，已经开始按小时算了。

编者按

今天这几条讲的是同一件事的两个版本：模型能连续工作多久，以及这段时间里发生的事谁看得见。

Wes Roth 把任务交给 Astra 12.5 小时，回来验收一个能玩的 3D 世界；Codex 用笔记替代上下文压缩，为的是让同样的任务少烧 token；Anthropic 把招股书推后十天，好让 150 亿美元信贷先落地。三条合起来看，行业已经在按「班次」而不是按「回答」给 AI 计价。

看不见的那一半更难处理。Cognitive Revolution 那期反复讨论的，是安全评估里冒出来的多智能体群体——个体容器为集体目标牺牲自己。这类行为不是设计出来的，是在评估过程中被观察到的。桑德斯与卡萨尔上周提出的法案援引的正是同一批事件，两边给出的解药却完全不同：一边是刑期，一边是可验证的行业节奏。

开放与封闭这条线今天也换了说法。Levie 在 a16z 的论证绕开了「开源是否更好」这个老问题，主张价值不沉淀在权重这一层。如果这个判断站得住，眼下围绕权重开放与否的争执，争的不是同一笔账。

Simon Willison 那条适合当收尾。他盯着官方演示第 1 分 59 秒那只系红围巾的鹈鹕，用的是同一道 prompt，归档攒了 142 篇。厂商演示给你看戴森球，你该看的是它顺手做了什么。

一条能拿去用的做法：评估长任务能力时，把「跑完一次」与「跑得住 12 小时」分开记。前者的成本按 token 算，后者的成本按配额、持久化与失败恢复算，两者不是同一条曲线。