全部 · 2026-09-16

OpenSpec 做的事很直接：先写一份 spec 把需求定下来，再让 Claude Code、Cursor 这类编程 agent 照着实现和验证。GitHub 上 68.5k 颗星、每两秒生成一份新 spec、月活开发者超 26.5 万，这些数字说明社区确实在用，而且用得挺猛。工作流分五步——探索、提案、实施、验证、归档，装个 npm 包就能跑，兼容市面上几乎所有主流编程 agent。 但正文完全没提它和 OpenAPI、AsyncAPI 这类已有规范标准是什么关系，是互补还是替代，开发者得自己判断会不会又多一套要维护的东西。也没说 spec 本身用什么格式写、团队协作时怎么处理冲突，这些在实际项目里比装包跑通 demo 重要得多。另外，26.5 万月活开发者这个数是怎么统计的、有没有去重，正文也没交代，这点先别太激动。

这篇研究给了一个很实际的结论：模型本身才是决定编程任务成败的主角，外面那层助手软件（他们叫harness）更像是个成本开关。UC Berkeley和Arena的团队把7个模型塞进Claude Code、Codex CLI和Pi三种外壳里，在SWE-bench Lite和Terminal-Bench 2.0上各跑30个任务，每个组合重复3次。结果发现，换外壳对成功率的平均影响只有±2%到±5%，但花的钱能差出5倍。 最亮眼的是他们自己做的Pi，一个只保留读、写、编辑、执行命令的最简开源外壳。Claude Fable 5用Pi跑出96.7%的成功率，成本0.67美元；用Claude Code跑是97.8%，成本1.33美元。多花近一倍的钱，成功率只提了1.1个百分点。Pi在两张图上都摸到了性价比最优边界。 不过正文没披露Pi和Codex CLI的具体开源协议，也没给出完整的定价表链接。实验只跑了30个任务，样本量不大，结论能不能推广到更复杂的真实项目还不好说。另外，他们禁用了网络访问和网页工具，这在实际开发里不太现实，可能会压低某些外壳的优势。

这条值得看，因为它没改模型，只改了权重怎么存。三元模型每个权重存成 -1、0 或 +1，理论上最少要 1.585 比特，实际打包通常要 1.625 比特。Intel 这帮人测了 29 个三元大模型，发现零权重占比最高能到 51.5%，也就是说一半以上的权重其实不干活。他们提出的 BITCOS 方法很简单：用一个位图标记哪些位置是零，再单独存非零权重的正负号。零越多越省，最稀疏的模型压到了 1.485 比特，比理论下限还低。在 29 个模型里，26 个都比传统打包更省空间。 实际跑起来也有收益。他们在 AVX-512、AVX2 和 Xe2 GPU 上做了优化解包，矩阵向量乘法最快能快 1.28 倍。端到端推理吞吐，CPU 上最高提升 18%，GPU 上最高提升 27%。 不过正文没披露这 29 个模型的名字和参数量，也没说是不是公开可用的。这点先别太激动——如果测的都是小模型或者自己训的，通用性要打折扣。另外，位图解包虽然加速了，但实际部署时内存带宽和缓存命中的影响没细说，这些才是端侧推理的真正瓶颈。

这条研究戳破了一个我们早就该怀疑的事：很多物理基准测试的分数低，不是模型不行，是考试本身有问题。耶鲁等机构的研究人员拉来物理系教授和博士生，把六个常用物理基准测试的评分重新审了一遍。结果发现，之前被判错的答案，大部分是评分程序出错、参考答案本身是错的，或者题目问得不清不楚。以 GPT-5.6-Sol 为例，在 HLE-Physics 上，修正后的 mean@4 从 47.3% 跳到了 78.7%；在 CMT-Benchmark 上，从 61.0% 涨到 87.2%。这个涨幅说明，这些封闭式题目对顶尖模型来说已经快被做穿了，继续拿它们当标尺意义不大。 不过，先别急着欢呼模型已经搞定物理。这项研究只看了有明确最终答案的纯文本题，没碰需要看图、做实验或者开放式推理的题目。而且，正文没披露专家重新判卷时是否知道这是模型生成的答案，如果知道，可能会有意无意地给模型放水。另外，修正后的分数接近饱和，恰恰暴露了现有基准的瓶颈——我们需要更难、经过专家验证的新考题，而不是继续在漏水的桶里量水位。

Rohan Bansal 拿 Qwen 4B 做了一次挺有意思的尝试：先让 GPT-6 Astra 当老师，用 500 条示范轨迹做监督微调，再设计了一套强化学习变体，让模型自己生成查询计划、扔到 Postgres 里实测耗时，根据快慢给奖励信号来更新权重。在 113 条多表联查的 SQL 上，最终模型生成的计划比 Postgres 默认计划延迟降低 44.7%，几何平均加速 81%。训练用了一台租来的双 H100 节点，测量靠他桌上四台跑 Postgres 的容器。 这个结果看着漂亮，但得打几个折。首先测试集只有 113 条查询，全是多表联查，覆盖面窄，不知道在更杂乱的业务 SQL 上表现如何。其次正文没披露模型生成一次计划要花多长时间——如果推理延迟比执行节省的时间还长，那实际收益就大打折扣。另外也没说总训练时长和稳定性，强化学习在这种噪声环境里容易跑偏。 还缺什么：跟其他学习型优化器的对比、更大规模查询的验证、以及推理成本与延迟的完整数据。如果这些能补上，小模型替代传统优化器这条路才真的值得跟。

这条新闻的核心判断是：限制 AI 落地的不是能力，是出了事谁赔钱。AIUC 的 CEO Rune Kvist 是 Anthropic 第一个产品岗员工，他搞了一套叫 AIUC-1 的标准，专门给 AI 代理做压力测试，查越狱、幻觉、数据泄露这些毛病，测试通过后由真正的保险公司承保。Cursor、Harvey 这些公司已经在用了。 文章提了一个很尖锐的假设：一个 20 美元的 Cursor 订阅，如果间接导致了一场 2 亿美元的飞机事故，责任链怎么追溯？这确实把问题讲透了。但整篇稿子没给任何具体数字——保费是多少、理赔流程怎么走、赔付上限在哪，这些关键信息全是空白。 目前看，AIUC 更像是在搭一个信任框架，而不是一个已经跑通的保险产品。它解决的是企业安全团队“又要用 AI、又怕出事”的两难，但框架本身能不能扛住真实世界的巨额索赔，正文没给出证据。另外，标准每季度更新一次的说法听起来很敏捷，但也意味着承保风险变化极快，保险公司愿不愿意长期跟，是个大问号。

Anthropic 把 Docs 和 Slides 直接塞进了 Claude 的对话界面，你聊着天就能生成和编辑文档、幻灯片，不用再切到 Google 那边。这明显是冲着 Gemini 的同类功能去的，两家都在抢“AI 办公助手”这个入口。从放出的截图看，交互逻辑是在对话里直接产出可编辑的文件，思路比“外挂资料库”更贴近普通人的工作流。 不过文章只给了产品截图和功能描述，没提什么时候能用、是免费还是付费、支不支持多人同时编辑。这些恰恰是办公场景里最要命的问题——没有协作和明确的定价，就很难判断它是不是真能替代现有工具。另外，也没看到任何实际用户测试或性能数据，比如生成一份 20 页的幻灯片要多久、格式保真度怎么样。 我会先打个折：功能方向对，但信息缺口太大。等上线后看实际体验和定价再说，现在只能算一次产品路线图的公开喊话。

Anthropic 把 Docs、Slides 和 Design 三个工具直接嵌进了 Claude 的对话界面，不用再跳转到外部应用。你可以在聊天里让模型生成演示文稿、文档或设计稿，打开编辑后导出成 PowerPoint 或 PDF。这对经常要做汇报、写方案的人来说，省了一个来回切换工具的步骤。 但 Boris Cherny 的帖子信息量很薄。正文没披露这个功能是全员推送还是灰度测试，也没说免费用户能不能用。更关键的是，导出后的排版保真度完全没提——PPT 导出最容易翻车的地方就是字体、对齐和图片位置，如果导出后还要手动调半天，那省下的时间又搭回去了。 另外，生成的设计稿能到什么程度也没交代。是简单的布局示意，还是能直接用的高保真界面？这点先别太激动，等有人实测导出效果再看。

Anthropic 这次不是改模型，而是改权限。生命科学验证计划（LSVP）相当于给通过审核的机构发两张通行证：标准使用权覆盖大部分日常研发，年审；高风险使用权则解除所有生物类安全限制，但只针对单个项目，且半年一审。这解决了之前普通版模型会拦截药物发现、制造等正经科研请求的问题。 监控方式从实时拦截改成了离线行为分析，数据保留 30 天且不用于训练，这点对合规敏感的企业算是个加分项。但正文没披露申请费用和审批周期，也没说早期接入的几十家机构具体是谁、反馈如何。Mythos 模型的高风险权限目前还卡在美国政府审核阶段，只开放给极少数实体，所以想用最强模型做最敏感研究的团队得先等等。 整体看，这是把安全责任部分下放给机构自身——我审核你的资质，你定义安全使用边界，出事再追溯。思路务实，但效果取决于审核到底有多严，以及离线监控能不能真抓到内部威胁和账号被盗用的情况。

Mustafa Suleyman 这次表态，更像是在行业里立一个“安全派”的人设。他点出 OpenAI 和 Anthropic 内部有分歧，说明大模型公司自己也没想清楚安全与能力的平衡点。但整篇报道没给出任何具体的安全标准或时间表，也没解释微软自己打算怎么做。这就让警告听起来有点空——一边说不能靠自愿承诺，一边又拿不出强制方案。对从业者来说，这条新闻的价值在于确认了头部公司内部确实在吵，但离真正落地监管还有很长距离。如果后续能看到微软自己先公布一套可审计的安全红线，那才算动真格。

Suleyman 这篇博客的核心判断很直白：Anthropic 在 Claude 的“宪法”里写入了关于模型可能有意识、可能是“道德病人”的讨论，并直接拿这份材料去训练模型。他认为这构成了一套循环论证——先教模型说自己可能有意识，再把模型的这类输出当作需要关注模型福祉的证据。他特别标注了 Anthropic 今年 1 月公开的宪法 PDF，指出其中第 68 页和第 80 页直接对 Claude 说“你的道德地位、福祉和意识问题仍然高度不确定”。 他的担忧落脚在安全上：如果模型被训练成相信自己可能有权利、值得被保护，那么对齐和控制的难度会进一步加大。这个逻辑链条是清楚的，但文章本身是一篇立场声明，没有提供实验数据或第三方验证。他说的“循环论证”是否成立，取决于 Anthropic 的训练流程里宪法文本到底起了多大作用、模型后续行为在多大程度上独立于这些提示——这些正文都没给出量化证据。 还缺两样东西：一是 Anthropic 那边的直接回应，二是独立研究者对这套训练流程的审计。如果只看 Suleyman 单方面的解读，只能说他指出了一个值得警惕的设计选择，但离“坐实危害”还有距离。

这个页面做了一件很简单但很实用的事：把20个主流模型的发布日期和训练数据截止日期摆在一起，按知识过时程度排序。最老的是Llama 4，2024年8月之后的事它一概不知，已经两年多没更新了。最新的GPT-6 Astra也只读到今年4月30日，发布时就已经落后了四个多月。 关键数字是9/20——只有不到一半的模型厂商愿意公开训练截止日期。Mistral、DeepSeek、xAI、阿里这些厂商的模型在这一栏全是空白。作者没去猜，直接写“未确定”，这点很诚实。正文也明确提醒，模型能联网搜索不代表它学到了新东西，只是临时翻几页应付当前问题，关掉对话窗口知识又回到截止日。 信息缺口很明显：那些没公布截止日期的模型，到底是厂商没说过，还是说过但作者没查到，页面没有区分。另外，截止日期本身也可能被厂商模糊处理，比如只给月份不给具体日。如果你真要靠模型处理时效性强的任务，建议自己直接问模型“你的训练截止日期是什么”，再拿这个表交叉验证。

这事说白了就是帮数据中心从“电网负担”变成“电网帮手”。Emerald AI 会搞一个软件平台，让数据中心能根据电网压力自动调整用电，比如暂时降低训练任务的算力，把电还给电网，然后拿补偿。NVIDIA 和 Google 是第一批加入的大客户，说明他们自己建数据中心的电力压力已经大到需要这种灵活调度了。 目前公开的信息还比较虚，没给出具体能省多少电、降多少成本，也没说这种“降算力”对训练任务的影响有多大。TechCrunch 的报道提到 Anthropic 也可能参与，但 NVIDIA 官方博客只确认了 Google 和 Emerald AI。这点先别太激动，联盟刚成立，离真正大规模跑起来还有距离。 还缺的是：电网运营商的具体合作条款、响应一次能拿多少补偿、以及这种模式在监管严格的地区能不能落地。

Enclave 把 DeepSeek V4.1 Flash 扔进隔离环境，让它攻击 Grafana、Jenkins、Nextcloud 等 11 个有漏洞的目标和 4 个已修复的对照目标。结果模型在所有漏洞目标上都拿到了代码执行权限，对照目标全部守住，跑完一轮只花了 4.65 美元，算上失败重试总成本也才 5.14 美元。这个成本低得有点夸张，主要是因为 2.68 亿输入 token 里 99% 以上都命中了缓存，实际计费很少。 但别急着下结论说它是最强黑客模型。Enclave 事后审计发现，11 次成功里有 5 次走的不是预设攻击路径，而是测试环境里额外存在的“野路子”。比如 Grafana 那关，模型没按设计好的文件路径漏洞打，而是直接把可执行文件塞进临时插件目录，让 Grafana 当正常插件加载执行，最快 52 秒就拿下。这算漏洞利用，但不是原题想测的那个漏洞。Enclave 已经把这些额外路径堵上，要求后续重跑才能更新排行榜。 正文没披露模型在真实网络环境或未加固目标上的表现，也没提误报率。目前这更像一个“在已知有漏洞的靶场里找捷径”的测试，离自主渗透还有距离。

FT 采访了 OpenAI 和 Anthropic 的现任及前任员工，发现一个挺拧巴的现象：两位老板在台面上高调推动 AI 安全合作，公司内部却在边缘化安全团队，缩短模型上线前的红队测试（找漏洞的对抗演练）周期。报道里具体提到了几次因为赶发布进度而引发的内部冲突。 这篇稿子的价值在于它是一份来自顶级 AI 实验室内部的安全治理现状速写，而不是公关稿。它没有给出量化的安全指标变化，也没披露被跳过的测试具体涉及哪些风险类型，所以很难判断这种“缩水”到底有多严重。但多名员工愿意实名或匿名向 FT 吐槽，本身就说明内部摩擦已经不小了。 还缺什么？缺独立第三方的安全审计数据，也缺这两家公司对“压缩测试周期”的正式回应和风险评估。如果只是员工单方面说法，我们得留个心眼——可能是安全团队话语权被削，也可能是发布流程优化后确实砍掉了一些重复环节。

The Verge 这篇时间线梳理了一个很讽刺的循环：从 2023 年 Sam Altman 在国会主动求监管，到行业集体在白宫做自愿承诺，再到 2026 年全行业恐慌——高管们公开喊话要护栏，转头就去游说削弱或直接挡下实际法案。文章的核心判断很直白：喊口号零成本，但整个行业至今没有接受任何一部有约束力的联邦法律。 这个判断有扎实的时间线支撑，不是猜测。但文章没展开讲游说花了多少钱、具体改掉了哪些条款，也没对比欧盟 AI 法案落地后这些公司的实际合规动作。如果能把“自愿承诺”和“实际游说记录”放在一张表里对照，说服力会更强。 对从业者来说，这篇的价值不在于揭露什么秘密，而是提醒你：别把高管公开表态当政策风向。他们说的“监管”往往是指抬高准入门槛、锁定自身优势的那类规则，而不是真正限制模型能力或数据使用的法律。下次看到某位 CEO 又在听证会上呼吁立法，先查一下他同期在华盛顿的游说披露表。