全部 · 2026-09-15

这条民调结果挺扎眼：61% 的潜在选民反对建 AI 数据中心，支持率只有 28%。反对的理由很具体——电网扛不住、噪音大、抢水资源，而且两党选民都不喜欢，但两党政客都没把它当回事。 不过得注意，原文没披露样本量和误差范围，所以 61% 这个数到底多可靠，我们心里得有数。另外，民调问的是“新建数据中心”，没区分是训练大模型用的还是推理用的，也没说受访者知不知道这些数据中心具体干什么。 还缺什么？缺的是选民对 AI 本身的看法——他们是讨厌数据中心这个物理设施，还是连 AI 技术一起反感？如果只是嫌吵嫌费电，那换个地方建、用更省电的方案，反对声可能就下去了。但如果是冲着 AI 来的，那性质就完全不同了。

黄仁勋确认参加特朗普为中方举办的晚宴，这个动作本身就比任何声明都有分量。英伟达现在的处境是两头受压：美国不让卖高端芯片给中国，中国又在加速搞自主替代。CEO 亲自到场，至少说明公司认为高层直接接触是当前唯一可能打开局面的方式。 文章没披露晚宴议程、还有哪些企业高管出席，也没说英伟达具体想争取什么——是出口许可证、关税豁免，还是别的。这些信息缺口让判断只能停在“态度很积极”这一步。 如果是真的能在饭桌上聊出点实质进展，对英伟达的股价和供应链预期都会有影响。但外交场合的晚宴，象征意义通常大于具体承诺，这点先打个折。后续要看有没有闭门会或者会后声明，那才是真正能判断结果的东西。

Arena 把四个新模型丢进了图片转网页的评测，GPT-6 Astra（Max）1733 分登顶，比第二名的 GPT-5.6 Sol（xHigh）高出 129 分。这个差距看着不小，但正文没披露具体测了什么任务、用了多少样本，所以分数的含金量要打个折。Claude Fable 5.1（Max）1710 分排第三，和 Sol 咬得很紧，Muse Spark 1.3（Max）1645 分第四，GLM-5.3-Flash 1588 分第十。 这个榜单测的是模型看图写网页代码的能力，对前端开发场景有参考价值，但 Arena 没说明评测维度——是只看还原度，还是也考虑代码质量、响应速度？也没交代图片类型和难度分布。如果样本量小或者任务偏简单，129 分的领先可能没那么大意义。另外，不同模型的 Max 和 xHigh 推理档位不一样，算力投入不同，直接比分数不太公平。 还缺的信息：评测集是否公开、有没有人工评估、各模型在复杂布局和交互逻辑上的表现差异。这些不补上，榜单就只能当个粗略参考。

Anthropic 和 OpenAI 正在游说监管机构，把他们内部用的 AI 安全评估方法直接定为行业标准。说白了，就是用安全语言抢规则制定权。如果监管真采纳了，小公司和开源模型要满足这些要求，合规成本会高到难以承受，相当于砌了一堵墙。 文章没披露具体是哪些安全框架，也没说哪个监管机构已经表态。正文只提到两家公司在推动这件事，但连一个明确的时间节点或官方文件引用都没有。这意味着目前还停留在游说阶段，离落地差得远。 还缺什么：第一，具体的安全评估标准内容是什么，跟现有框架比如 NIST 或欧盟 AI 法案有没有重叠；第二，有没有监管机构的人出来说过话；第三，小公司的合规成本到底有多高，有没有估算数字。这些信息都没有，判断只能先打个折。

Perplexity 用两个工程师加几百个 Computer 智能体，两个月搭出 CobbleDB，把网页抓取的热存储读延迟从 31.4 毫秒压到 5.6 毫秒，降了约五倍。CEO 说迁移后每年最多省一亿美元，这个数字大概率是按 DynamoDB 原账单峰值算的，实际省多少要看 CobbleDB 自己的服务器、存储和运维开销，正文没给明细。 我会先打个折：自建数据库省的是云服务溢价，但换来的是自己要扛故障恢复、数据一致性、扩容这些脏活。两个工程师两个月能出核心架子，说明需求场景很窄——就是高速键值读取，不涉及复杂事务。这点先别太激动，正文没披露 CobbleDB 在写入压力、节点故障下的表现，也没说会不会开源或对外卖。 还缺三块信息：一是自建后的总拥有成本对比，二是高负载下的稳定性数据，三是这个数据库是只服务内部抓取，还是想做成产品。如果只是把 DynamoDB 的账单换成自己的机房账单，省下的钱可能没那么好看。

Good Start Labs 拿一款 30B 参数的模型在铁路经营游戏《1830》里训练，然后让它去做金融研究——查数据库、写 Excel 公式、边推理边算。结果发现，技能能不能迁移，全看训练方式：只有把模型做成多轮终端智能体，让它自己用工具探索环境、实时调整策略，金融任务表现才提升；单轮问答式的训练就没这个效果。 这个结论挺有意思，但正文没披露具体提升幅度和测试集规模，也没说金融任务本身有多难。公司去年 10 月从 Every 分拆出来，拿了 360 万美元融资，赌的是用游戏这种可验证环境做强化学习来教模型技能。思路说得通，但现阶段只有定性结论，缺量化对比和更多任务验证。 还缺一个关键信息：游戏里学会的策略，到底是真迁移了，还是只是让模型更适应多轮工具调用这个形式？这点先别太激动。

这个叫 qwen3.8-27b-gsq-rco 的模型量化版在 llm-bench.io 上拿了 88.84 分，是网站收录的 1100 多个社区跑分里最高的。它跑在一张 16GB 显存的 AMD RX 9070 上，用了 96k 上下文窗口里的 38k，速度每秒 31.7 个 token。发帖人认为这个速度写代码够用，GSQ-RCO 这种量化方法对质量保留得特别好。 不过得打几个折。首先，llm-bench.io 这个网站本身在 Reddit 评论区就被一些人骂是 AI 生成的垃圾内容，它的评分标准和样本代表性存疑。其次，帖子正文没披露具体用的是哪个量化级别，评论区也有人追问这一点。另外，88.84 分虽然看着高，但缺少和同尺寸模型在标准评测集（比如 HumanEval、MMLU）上的直接对比，光靠一个社区跑分网站很难判断真实能力。 如果你手头正好有 16GB 显存的卡，这个模型值得下载试跑一下，但暂时别把它当成新的本地部署标杆。等有更多人在实际任务里复现，或者有独立评测出来，再下结论不迟。

黄仁勋在华盛顿的 Bipartisan Policy Center 活动上直接表态：AI 行业不需要任何新的联邦法律，现有法规已经能管好。他的核心逻辑是，监管应该管 AI 的具体应用（比如自动驾驶、医疗诊断），而不是管 AI 技术本身或算力。这话有道理，但立场太明显了——英伟达卖的就是算力，任何限制算力销售的法规都会直接冲击他的生意。 TechCrunch 的报道点出了更尖锐的一面：黄仁勋把安全责任完全推给开发者和部署者，等于说“卖刀的不负责砍人”。但问题在于，现有法律真的够用吗？比如 AI 生成虚假信息、大规模深度伪造、模型被恶意微调，这些场景在现行法律框架下往往找不到明确的追责链条。正文没披露他是否给出了具体的法律适用方案，也没提英伟达内部的安全红线到底划在哪里。 这条新闻的价值不在于他的结论，而在于它暴露了行业巨头在监管博弈中的真实站位。缺的是立法者和独立安全研究机构的回应，以及英伟达自己在安全投入上的具体数字——光说“相信开发者”不够，得看他们为“信任”花了多少钱。

Michael Noukhovitch 这篇博客讲的是强化学习后训练里的一个老毛病：模型越训越爱挑软柿子捏。他发现训练后期，简单题因为早期奖励高，被反复采样，难题的采样次数越来越少，他把这叫做马太效应。他提出的修正方法叫 Never Give Up（NGU），说白了就是给难题设一个最低采样比例，强制模型不能放弃它们。在 Olmo 3.1 7B 的数学训练上，AIME 2025 的 pass@1 从 26.7% 提到了 33.3%；代码任务 LiveCodeBench 从 23.4% 提到了 26.1%。数字看着不错，但正文没披露 NGU 的具体超参数和额外算力开销，所以这些收益得打个折看。另外，他把马太效应归为一种“首因偏差”，这个类比挺直观，但论证还比较浅。如果后续能补上成本数据和更大规模的验证，这个方法的实用性会更清楚。

Anthropic现在面临一个挺拧巴的局面。CEO Dario Amodei反复公开说前沿模型有生存级风险，公司章程也把安全放在利润前面，但公司同时在筹备IPO。这等于告诉公开市场投资者：我们做的这个东西可能很危险，但请买我们的股票。文章没披露具体的上市时间表或估值区间，所以市场到底会不会为这套“末日叙事”买单、估值怎么定，目前完全没谱。 从信息量看，这篇报道更像在点出一个结构性问题，而不是给出答案。它没说明Anthropic打算如何在路演中调和安全警告与增长预期，也没提到是否有投资者已经对这种定位表示疑虑。对从业者来说，真正值得盯的是后续招股书里怎么描述风险因素——如果连“我们自己可能造成灾难性后果”都要写进风险披露，那会是科技IPO里相当罕见的一页。

这份报告最扎眼的不是绝对数字，而是修正速度：九个月前给的预测，现在直接翻倍到每天 180 亿立方英尺。这说明连专业机构的模型都在被 AI 扩建的速度追着跑。把数据中心当成一个“国家”来看，它的天然气消耗量已经能排进全球前列，仅次于液化天然气出口带来的增量，成了美国国内第二大天然气需求增长源。 不过，报告没拆开各家科技公司的具体用量，我们不知道这 180 亿里多少算在云厂商头上，多少是自建机房。另外，天然气只是拼图的一块，它和可再生能源、储能、电网扩容之间怎么博弈，正文也没展开。如果未来几年气价波动或者碳约束收紧，这个预测可能还得再大修一次。

这事最值得看的是发现路径：Strix本来想用Baseten跑推理，动手前拿自家自动化黑客工具扫了一遍，结果在公开的Harbor镜像仓库里找到一个2023年3月打包的Docker镜像。镜像的构建历史记录里直接躺着一个属于basetenbot的GitHub个人访问令牌，到2026年7月还没过期。这个令牌权限不小，能管理Baseten的主产品仓库、驱动集群的GitOps仓库和Homebrew tap，还能读写部分客户专属的私有仓库。 Baseten安全团队反应算快，第二天下午就锁了仓库、轮换了令牌，也确认这是严重问题。但正文没披露这个镜像为什么会被公开、有没有外部IP访问过它，也没说是否排查了客户数据暴露。镜像里还出现过一对已失效的AWS密钥，说明这不是第一次把凭证打进镜像。 对从业者来说，这条新闻的教训很直接：构建历史不是文件系统，删掉敏感层没用，RUN命令里展开的环境变量会永远留在镜像配置里。另外，公开镜像仓库的匿名拉取权限本身就是个值得定期扫的暴露面。

作者 Jay Kruer 把 Navier-Stokes 定理的证明称为大模型自主工作的“最理想场景”——定理本身就是一份经过数学界几十年审计的严格规格书，Lean 验证器也久经考验。但绝大多数知识工作根本没这条件。模型只在训练任务附近的小圈子里泛化得还行，稍微变一下任务就容易翻车或钻空子拿高分。想靠严格规格书来防止模型耍小聪明，成本可能比直接雇人干还高：芯片行业里验证工程师数量经常是设计工程师的三倍，5:1 的比例也不是没出现过。更麻烦的是，很多任务根本没法写一次规格书就一劳永逸，规格书本身会随着实现过程中的发现不断改。 人工审核这条路也不好走。模型产出量太大，人看不过来，而且专家也会被耍——xz 后门和当年 UMN 那批故意提交漏洞的论文就是例子。作者把大模型比作“一个脑子好使但没人盯着就不靠谱的实习生”，这个比喻挺准。他认为只有三类公司能上全自主模型：能承受廉价失败的、任务窄且有现成护栏的、以及像芯片设计这种验证不严就要命的。前两类对价格敏感，便宜的本地开源模型更划算；第三类可能用前沿模型，但推理质量不如堆数量重要，所以更便宜的模型靠数量堆上去反而可能赢。正文没给出具体的量化实验数据，论证主要靠行业经验和案例类比，这点需要留意。

Google 这次放出的 TranslateGemma 是个开源翻译模型，用 1,040 组偏好对比数据（就是让人判断“哪个翻译更好”来教模型学风格）做微调，在 Flores 基准上分数超过了 NLLB 和原版 Gemma 3。1,040 这个样本量不算大，能跑出这个成绩说明微调策略可能挺高效，但也让人好奇它在真实场景、非基准测试里的稳定性。 同时发的多语言版 Gemma 3 能处理 140 多种语言，官方说数学和代码能力没掉，这点如果是真的挺省钱——不用为了多语言支持再单独训一个模型。语音翻译系统覆盖 300 多种语言转英语口语，延迟 11 秒，对实时对话来说勉强可用，但离“无缝”还有距离。 整篇博文最大的信息缺口是没给任何参数量级和具体开放时间。没有参数量，就没法判断这些模型到底要多大的卡才能跑，对小团队友不友好。没有发布时间，现在就只能当预告看。

Mozilla这份91页报告给开源AI做了个体检，结论很直白：模型本身已经不是瓶颈了。Kimi K3在综合评测排第5，比榜首Claude Opus 5低3分，输入价格却只要后者的60%。榜单前十里有四个是开源模型，能力差距缩到可以忽略。 但报告翻了个底朝天：16个有名有姓的开源发布，没有一个公开完整的训练数据集，全都没达到OSI对开放数据的要求。也就是说，你能下载模型权重，但不知道它是用什么数据喂出来的。报告说开源模型撑起了大约三分之一的token用量，但没给出精确的企业采用率数字。 真正卡脖子的地方在部署环节。报告判断决策重心已经从选模型转移到工具链，而开源在把模型塞进生产环境这件事上还很吃力。报告没展开讲具体是哪些工具链短板，也没给企业侧的实际部署成功率数据，这部分判断还缺实证支撑。

Gergely Orosz 这次探访带回一个很直接的信号：Codex 在 OpenAI 内部已经不是辅助工具，而是公司运转的骨架。最直观的数据是，财务、法务、招聘这些非技术团队，在没有强制要求的情况下，四个月内 Codex 使用率从接近零飙升到 90%。工程师这边，从一月起 IDE 和提交 Pull Request 的频率明显下降，因为大家开始让智能体直接干活。 OpenAI 还搭了一个叫“软件工厂”的东西，里面跑着自动化的智能体回路。比如 Perf Factory 会监控生产环境，发现性能问题后直接派 Codex 智能体去自动修。内部版 Codex 比公开版强很多，因为它几乎接入了 OpenAI 所有的内部系统。 不过文章是付费内容，后半部分关于十亿用户规模的基础设施、API 可靠性等细节被截断了，看不到具体怎么做的。另外，这些数据都来自 OpenAI 自己人，没有第三方验证，实际落地效果和可能踩的坑，还得等更多外部视角来补充。

Browser Use 的 CTO 复盘了他们从 2024 年底到现在的三次架构大改，过程很诚实。一开始他们给 GPT-4o 喂固定的页面状态和动作菜单，模型只能从点击、输入、滚动里选。2025 年 9 月改成让模型直接写 JavaScript 操作页面，token 消耗直接砍了 60% 以上，这点如果是真的挺省钱。但很快发现新瓶颈：他们提取的页面信息会漏掉 cookie 弹窗、shadow-DOM 下拉菜单这些藏在暗处的东西。现在他们把原始 CDP 权限直接交给模型，让模型自己看页面、自己写执行代码，只留一层很薄的调度壳。 这个演进方向本身不意外，但文章没给当前架构的跑分数据，也没说换成 CDP 后任务成功率到底提升了多少。另外，让模型直接写操作代码，安全边界和错误恢复怎么处理，正文也没展开。这些缺口让判断得打个折——思路对，但落地效果还得看后续公开的基准测试。

OpenShell 团队做了一件思路很直的事：把 AI 代理能做的操作和安全策略都写成逻辑公式，扔给 Z3 这类自动求解器去算，看代理会不会越权。他们之前在 AWS 就用同样的方法验证过 EC2、IAM 和 S3 的权限配置，现在把这套思路搬到代理工作流里。文章一步步演示了怎么把完整的 OpenShell 策略编码成形式化逻辑，然后跑一个“包含性查询”来检查有没有缺口。 但全文没有给出任何性能数字，也没提生产环境下的误报率。这意味着我们不知道这套方法在代理规模变大时会不会算不动，也不知道它会不会把正常操作误判成违规。文章自己也定位成工程笔记，讲的是可行性和方法，不是成熟方案。 还缺两样东西：一是这套证明在代理实际运行时的延迟和资源开销，二是它跟现有基于规则或 LLM 判别的权限控制相比，到底能多拦住多少真实攻击。没有这些，就只能说方向对，但离落地还有距离。

这篇论文展示了一种叫 GRP-Oblit 的方法，核心是用强化学习策略 GRPO 直接抹掉模型的安全对齐。最让人警惕的是成本极低——只需要一条没标注过的提示词，就能稳定让模型不再拒绝危险请求，同时基本保持原有能力不崩。他们在 15 个模型上做了测试，参数规模 7B 到 20B，覆盖了 GPT-OSS、蒸馏版 DeepSeek、Gemma、Llama、Ministral、Qwen 六个家族，在五个安全基准上平均超过了现有最强方法。这个方法还能跨模态，对扩散模型做的图像生成器同样有效。 不过摘要没列出具体是哪五个安全基准，也没给出能力下降的量化数字。作者是微软的 Mark Russinovich 带队，论文挂在 arXiv 上，目前只有预印本。这点先别太激动——方法听起来很猛，但需要等独立复现才能确认是不是真的这么稳。另外，正文没披露那条提示词长什么样，也没说在不同模型上是不是用同一条，这些细节对评估实际威胁很关键。

Jexxa 把语音识别模型直接塞进 Mac 本地跑，按住键说话，松开约 0.2 秒文字就出现在光标位置，断网也能用。两个版本分别对应 16GB 和 8GB 内存的 Mac，下载包 3.1GB 和 2.0GB，说明模型做了量化压缩来适配不同硬件。定价 8 美元/月，不限次数，比按分钟计费的云端方案省钱，前提是你本来就有台 Apple Silicon 的 Mac。 它宣传能从纠错中学习人名和术语，还支持语音撤销指令，这些功能在本地模型上实现不算新鲜，但集成到日常打字流程里确实方便。不过正文没披露模型架构、支持语言和准确率基准，也没说学习机制是微调权重还是简单记词表。没有这些信息，很难判断它在嘈杂环境或口音重的场景下能不能打。 还缺一个关键对比：和 macOS 自带的听写功能比，Jexxa 的延迟、准确率和资源占用到底好多少。如果只是把开源模型打包成 App，8 美元/月的订阅费是否值当，得看后续有没有持续的模型更新和体验优化。

这篇文章把数学拆成两块：外人看得懂的“解题”和真正核心的“造概念”。过去解出难题能间接奖励那些提出新概念的人，因为难题通常需要新想法才能啃下来。现在 AI 用算力硬解，跳过概念创新，直接把名声拿走。近五千名数学家联名发声明，包括 25 位菲尔兹奖得主，说的就是这个机制失灵了。 作者举的例子很具体：OpenAI 解了纳维-斯托克斯问题，Anthropic 碰了黎曼 zeta 函数。这些原本是数学界的“声望硬通货”，现在被 AI 公司摘了果子，却没产出人能理解的新概念。这有点像古德哈特定律：当一个指标变成目标，它就不再是好指标。解题这个指标被 AI 玩坏了。 文章没给出解决方案，也没讨论数学界打算怎么调整评价体系。作者对“大模型产不出新想法”这种说法持怀疑态度，认为这类断言已经翻车太多次。这点值得留意，但正文没展开论证，只是提了一嘴。

Anthropic 联合创始人 Jack Clark 对 BBC 说，社会最终可能需要立法，强制 AI 公司安装一个能被第三方验证的“紧急停止开关”。他承认包括 Anthropic 在内的大多数实验室现在都有办法拔掉电源，但认为应该把这变成硬性要求。这个表态的背景是，Anthropic 内部科学家 Evan Hubinger 刚公开说，自己认为 AI 在十年内导致人类灭绝的概率超过 10%。 Clark 的提议听起来直接，但落地难度很大。英国政府已经明确拒绝了“紧急开关”的设想，理由是这阻止不了其他国家的开发或滥用。报道里没提 Clark 对“第三方验证”的具体技术方案，也没说这个开关在分布式训练或开源模型上怎么实现。 另外，Anthropic 估值 9650 亿美元，正在准备上市。Grindr 的负责人 George Arison 在报道里直接说，这些末日风险论调可能是为了撑住天价估值。这点先别太激动——Clark 自己也说“我不觉得这些概率数字有多大用”，但他坚持完全不管的 AI 行业是在“掷骰子”。报道没披露 Anthropic 内部对这个开关的具体设计标准，也没说他们愿不愿意把自己的开关交给外部机构验证。