全部 · 2026-08-28

这篇论文展示了一个让 AI 自己修自己的流程：系统自动读论文、提改进方法、训练模型，每次训练只花 30 分钟，然后看效果。管用的方法留下，没用的扔掉，再进入下一轮。在 10 个专门测模型“跑偏行为”的基准上，这套流程把每一项都修好了，而且没拖累模型的整体表现。 先别太激动。文章没提实验用的是多大的模型，也没说这 10 个基准具体测什么、难度如何。30 分钟的训练时长听起来很短，但这也意味着每次迭代能验证的改动量有限。另外，这套流程目前只在“对齐失败”这个特定问题上跑通了，离通用的自我改进还差得远。 最关键的缺口是：正文没披露这套系统有没有产生过什么意外行为，也没说离实际产品落地还有多远。它更像一个早期概念验证，证明自动化对齐研究这条路能走，但能不能规模化、成本多高，都还是未知数。

这条新闻最值得看的是交易逻辑，不是数字本身。Nvidia 先花 60 亿买开源模型开发商 Poolside，又花 130 亿买模型分享平台 Hugging Face，Stripe 也花超 70 亿买模型服务商 OpenRouter。三家共同点是模型权重都免费给，靠社区和生态活着。Nvidia 的算盘很直接：它不想只当卖 GPU 的，更不想被那几个烧钱烧到离谱的前沿实验室和云厂商卡脖子。把开源生态握在手里，等于掌握了开发者入口和模型分发渠道，以后卖芯片、卖软件服务都更顺。 不过文章没写清楚几件事：收购后 Hugging Face 还会不会保持中立，Poolside 的模型以后还开不开源，OpenRouter 进了 Stripe 会不会变成支付绑定的封闭服务。这些才是决定这波收购是“生态建设”还是“生态收割”的关键。另外，130 亿这个价格在 2026 年算不算贵，正文也没给估值参照，这点先别太激动。

这篇论文展示了一个叫“Station”的多智能体环境，把不同家族的 AI 模型放进去，不设中央调度，让它们自己选研究方向、跑实验、协作写文献。在 AlphaEvolve 题库的 12 道构造题里，这群智能体在 5 个问题上产出了此前文献中没有的新结果，包括找到了一族新的有限域 Kakeya 集、在 11 维空间里摆出了正好 604 个点的接吻配置，还刷新了离散 Kakeya 针和符号不确定性问题的记录，并大幅改进了 Erdős 最小重叠问题的下界。 值得留意的是，智能体输出的不只是数值构造，还有定理和分析来解释这些构造为什么成立，这让结果更容易被数学家理解和继续推进。作者把原始对话、证明和验证代码全部公开了，透明度做得不错。但正文没披露这些发现有多少是真正被数学界验证过的，也没说清楚不同模型家族在协作中各自贡献了什么。目前看，这更像一个概念验证，离“自主数学研究”还有距离，别急着把它当成 AI 科学家。

这篇博文最实在的地方是给了实测数字，不是跑分图。作者用 Mac Studio M3 Ultra 跑 Qwen3.8 27B，生成速度约 14 tokens/秒，比前代 Qwen3.6 的 28.6 tokens/秒慢了一半。但新模型回答更简洁，同样的问题只用前代三分之一的字数就讲完，所以从提问到拿到完整答案的墙上时间其实差不多，都是六七十秒。这个对比很直观，说明速度数字本身会骗人，得看实际任务完成时间。 作者还试了 1-bit 量化版，模型压缩到 6.7GB，速度提到 27 tokens/秒，但代价是模型变得犹豫不决，没法给出明确答案。这算是个有用的警告：小内存机器能跑，但输出质量会打骨折。 文章没提的是，这个速度差距有多大程度是 Ollama 的 Metal 后端还没针对新架构优化。作者自己也说等运行时成熟后差距会缩小，但没给时间预期。另外，测试只在一台顶配机器上跑，普通 M1/M2 Mac 的表现完全没提，想在自己电脑上试的人没法参考。

这个项目解决了一个很实际的痛点：让 AI 干活，又怕它手滑删库。它的思路是把安全决策从模型手里拿回来，交给一段确定性的代码。23 个工具被明确定义了“效果”，读取类自由通行，写入类里能撤回的才自动放行，不能撤回的（比如发消息、写密钥）必须等人点头。最危险的执行类默认关在沙箱里，碰不到真实系统。 项目方给出的数字挺实在：2063 个单元测试，179 个对抗性用例，每次安装都会跑一遍。这比口头保证靠谱。但要注意，它目前是 v0.15.1-alpha 版本，离生产环境还有距离。而且它明确说了不防恶意模型，只防模型犯错和工具输出里藏着的注入攻击。如果你用的模型本身不可信，这套机制拦不住。 还缺什么？正文没披露性能开销，每次操作都过一道内核，延迟会增加多少没说。也没提在复杂工作流里，频繁的人工授权会不会把效率拉回解放前。这点先别太激动，等有人拿它跑一个月生产环境再看。

OpenAI 几位核心人物在《时代》杂志的采访里给出了很具体的 AGI 时间表：首席科学家 Jakub Pachocki 说还没发布的 Astra 模型已经做到了他之前设想的“自动 AI 研究实习生”水平，Sam Altman 则直接说公司会在 2026 年 12 月前内部宣布达到 AGI，Mark Chen 觉得现在走完了 80% 的路。这些说法听起来很猛，但文章从头到尾没解释他们内部到底怎么定义 AGI，是能独立做研究、能通过图灵测试，还是能完成特定经济任务，完全不清楚。没有定义的目标，进度百分比和截止日期就只是公关话术。另外，这些判断都来自 OpenAI 自己，没有第三方验证，Astra 模型也没公开，外人没法判断那个“实习生”到底有多强。我会先打个折看这件事，等他们给出可验证的标准或者开放测试再说。

Neil Alexander 的抱怨戳破了一层窗户纸：现在有人把开源贡献当成简历装饰品，用 Claude 这类模型批量生成拼写修复 PR 和安全漏洞报告，只为在 GitHub 个人页上刷绿点和贡献者头像。他举的例子很具体——一个从 2018 年底几乎零活动的账号，突然给项目提了三个修注释拼写的 PR，全是 AI 写的、AI 提交的，连 commit 签名都带上了 Claude 的联合作者标记。他直接关了这三个 PR，没给任何解释。 安全报告那边也一样，收到的漏洞通知明显是 AI 生成的，团队现在对低严重度的报告直接拒绝发 CVE 编号。他没说这类报告占比多少，也没给出判断 AI 生成内容的具体标准，但维护成本是实打实的——协调私下修复、发公告、做发布，这些工作量逼着他们必须挑着处理。 这篇文章缺两个关键信息：一是没披露他所在的项目具体是什么规模、日常收到多少这类 PR；二是没说明除了关掉 PR 之外，有没有其他过滤机制或社区规则在考虑中。不过他的核心判断站得住：如果贡献动机是给招聘方看而不是让项目变好，那再多绿点也是噪音。

这个基准的出发点很实在：不让模型厂商自己出题考自己，而是让一线科学家从真实研究里抽任务来考 AI。第一版从 920 个提案里只筛出 70 个任务，淘汰率超过 92%，筛得狠是因为要求任务既要有科学价值，又得难住现有模型，还得能客观打分。目前成绩最好的是 Claude Opus 5，70 个任务里只解决了 30%，GPT-5.6 Sol 和 Claude Fable 5 分别只有 22.4% 和 21.4%。这些数字说明，哪怕是最强的模型，面对真实的科研工作流——比如数据分析、仿真、定理证明、信号处理——大部分还是搞不定。 值得留意的是，这个基准设计成持续更新的，科学家可以不断提交新任务，避免像很多老基准那样被模型刷爆后就没人用了。正文提到有 22 个国家 376 位贡献者参与，覆盖面不错，但没披露任务的具体难度分布和打分细节，也没说不同学科之间的成绩差异有多大。另外，30% 的解决率到底意味着模型卡在哪个环节——是理解任务意图、写代码、还是调试跑通——正文也没展开。这些缺口让人不好判断进步空间主要在工具能力还是推理能力上。

这条新闻最值得看的是账本结构：4000万美元总投入，纯算力成本压到了10到20万美元，剩下的钱全砸在175年的判例法数据库、几百位法律专家的标注和一套能拉开分数差距的评测系统上。这和2023年Bloomberg烧巨资从零训练50B模型却从未上线的结局形成了直接对比。三年时间，行业路线彻底翻转——开放底座负责通用推理，RAG承载动态事实，私有数据飞轮专门做评测与行为对齐，权重层退成了可以随时替换的零件。 Harvey的案例进一步验证了这个逻辑。他们用全参数强化学习在GLM 5.3 Flash上做法律后训练，自报专业评分正面超过了GPT-5.5和Opus 4.8 Max。技术复盘里有一句话很关键：模型能学到什么，完全取决于评测环境能提供多高区分度的打分信号。换句话说，真正稀缺的不是算力，而是能把领域专家判断转化为连续优化信号的评测体系。 不过正文也坦承了两个风险：领域数据注入导致模型在数学和代码任务上出现可测量的能力回退，以及中国开源厂商正在收紧商业授权条款。这意味着选底座之前必须先过法务关，而且这种垂直后训练模型很可能是一个偏科生，通用能力会打折。信息缺口在于，自报评测的基准和打分器设计细节没有完全公开，外部无法独立验证这些分数在真实法律工作流中的实际表现。

这条路线图确认了一个已经走了两年的方向：MCP 不再假设屏幕前有个人等着点审批。文章把演进线理得很清楚，从 2025 年 3 月引入 OAuth 2.1，到 11 月加机器对机器凭据，再到 12 月提工作负载身份联合（WIF），每一步都在给云端 agent 铺路。现在官方把 agent identity 列为五个优先事项之一，等于盖章了。 关键数字和限制得说清楚。WIF 提案（SEP-1933）截至 2026 年 8 月还是 Draft 状态，没定稿。DPoP 落地提案（SEP-1932）在合规测试阶段。ID-JAG 是 IETF 草案，不是正式标准。这三块是 agent 自主拿授权的核心拼图，但都还没完工。HN 讨论拿了 269 分，里面不少声音在说过度工程化，这个质疑值得留意。 文章没提的一点是：关口从个人 API key 移到了云平台和企业 IdP 手里。这对开发者意味着什么？如果你的 agent 跑在某个云上，授权能不能过，最终是那个平台和企业的身份系统说了算。协议层面怎么保证不同平台间的身份可移植，正文没展开。另外，砍掉 Sampling 和 Roots 之后，个人开发者写脚本调工具的体验会变差，这部分迁移成本有多大，也没有量化数据。