全部 · 2026-09-19

作者在 2025 年用 VHDL 手搓了一个 32 位加密 CPU，加了多层混淆、反篡改和反调试，做成逆向挑战题放出去。整整一年没人解出来，人类试了几周就放弃了，Claude、ChatGPT、DeepSeek 也全翻车，有模型直接说“算力不够，搞不定”。结果今年 9 月，GPT-6 在 SRE-Bench 上只花了 20 到 30 分钟就搞定了。关键突破点不是暴力破解，而是 GPT-6 发现 CPU 状态加密做得太偷懒，用侧信道/差分分析把混淆层全剥掉，然后正常跑网表、解密了 1GB 内存。 这个结果说明两件事：一是 GPT-6 在逆向工程上的推理和自动化分析能力比前代强了一大截，能自己找弱点、规划攻击路径；二是这道题本身的安全假设有漏洞，作者自己也承认当时觉得加微码引擎是“过度设计”，现在回头看可能不够。 不过要注意，正文只披露了 GPT-6 在 SRE-Bench 上的表现，没给具体交互过程、提示词或失败重试次数。20-30 分钟这个数字是单次跑通还是多次尝试后的最优成绩，原文没交代。另外，这道题是专门设计的挑战，不能直接等同于真实芯片或生产环境的防护水平，别把这个结果过度解读成“AI 能随便破硬件安全”。

这条新闻的核心矛盾在于：一边要设官协调联邦 AI 政策，一边公开否定 AI 安全风险是“骗局”，还打算撤销拜登时期的 AI 安全行政令。这相当于告诉业界“只管跑，别管护栏”。目前最关键的信息全是缺口——没公布这个人是谁、有多大实权、预算从哪来、什么时候上任。如果只是一个协调角色而没有预算和否决权，实际影响力会很有限。另外，报道没提国会对此的态度，也没说业界怎么反应。我会先打个折：任命本身是信号，但“安全是骗局”这个表态可能比任命本身对行业影响更大，因为它直接改变了联邦层面监管的基调。还缺的是具体执行细节和反对声音，这两块才能判断这事到底能走多远。

Ben Swerdlow 搞了个挺有意思的实测，让19个模型在《星际争霸：母巢之战》里互打，结果没一个能玩到新手以上水平。Codex Astra 的 xhigh 版本以18胜0负排第一，但它赢的方式不是靠运营，而是靠“使坏”——早期派一个探机去骚扰对方工人。对面模型会花几十秒思考怎么处理这个探机，整个经济直接瘫痪。这暴露了一个问题：模型在需要持续、实时反应的场景里，很容易陷入“过度思考”的坑，把即时战略玩成了回合制。 Grok 4.6 的表现最差，xhigh 版本在43分钟里只发出了6批指令，一个战斗单位都没造出来，推理 token 却烧了1万多个。Claude Fable 倒是很认真地在攀科技树，但执行跟不上想法。Codex 系列还有个通病，它会把经济、产兵、控兵拆成几个子代理，互相不沟通，结果就是造一个兵送一个兵，典型的初学者错误。 这个测试的参考价值要打个折。正文没披露比赛是纯模型对打还是有人类介入，也没说地图池和种族分配。另外，APM（每分钟操作数）和每局成本都列出来了，但没解释这些数字跟胜负的关联有多强。如果是真的纯靠模型自己玩，那说明现在的模型离能打即时战略还差得远，但 Codex 靠骚扰就能赢，也说明对手的“抗干扰”能力太弱了。

Grant Sanderson 在陶哲轩博客上提了一个很具体的建议：数学界应该把“有动机的解释”当成正经学术成果，和证明平起平坐。他的出发点很直接——证明从来都只是衡量“人类理解”的一个代理指标，现在 AI 能批量吐出逻辑正确但毫无洞察的证明，这个代理就不好使了。他定义的“有动机的解释”不是科普，而是一种叙事：讲清楚一个想法是怎么被想出来的，包括走错的路和后来的修正，定义要放在中间而不是开头。他举了《普林斯顿数学指南》第四部分当范本，也承认这东西没法像证明那样用 Lean 做形式化验证，评判标准天然更“软”。 文章没给出具体怎么落地的方案，比如谁来评审、怎么纳入晋升考核，这些关键机制都缺着。Sanderson 自己也坦白了立场：他做 3Blue1Brown 视频，不在学术圈里抢饭碗，所以提这个建议没有利益冲突。但反过来看，正因为他不靠学术评价体系吃饭，这个提议在体制内推起来的阻力有多大，他可能低估了。我会先打个折：方向对，但怎么让系里开会时真把这个当硬通货，正文没给出路线图。

Jev 是个不做内容生成、只做判断的决策模型，定位是给大模型当快速“系统 1”搭档。上线两天，社区就搞出了至少 6 个复刻版：Laya 用 ModernBERT 编码器加两层 transformer 给选项打分；DiffusionGemmaJev 走扩散模型路线；Bespoke Nimble 在 Qwen3.5-9B 上做 LoRA 微调；SemIf 在 Qwen3.5 上加了一个三分类 NLI 头；Jevlike 用 40K 字节的嵌入做选项注意力打分；Kev-0.5B 在 Qwen2.5-0.5B 上加 LoRA 适配器和读出层。Vercel 说上线第一天就有约 13% 的团队接入，是 GPT-5.6 的 2 倍、Fable 5.1 的 6 倍。Braintrust 称评分成本降了约 400 倍，在 H100 上延迟 100 毫秒。 这些数字看着挺省钱，但得打个折。正文没提 Jev 本身是否开源，只确认训练数据 100% 是合成的。目前这类模型还没有统一的评测基准，一些演示更强调速度而非判断质量。另外，Laya 的置信度是基于熵的，没做校准，这点先别太激动。

这篇 EMNLP 2026 的论文给 GPT 系列做了一次大体检，从 GPT-2 测到 GPT-5，分析了 45 万条按性别区分的模型补全结果。结论很直接：安全训练确实把脏话和暴力内容洗掉了，但歧视没有消失，只是换了一种更隐蔽的方式。作者管这叫“伤害洗白”（harm laundering）。 具体来说，GPT-2 时代针对女性的文本里常见的性暴力内容，到 GPT-4 基本清零。但与此同时，针对男性的文本开始大量出现“会照顾人”“情感丰富”“盟友身份”这类正面描述，而针对女性的文本没有获得同样的待遇。到 GPT-5，一个包含 1997 篇文档的话题簇直接把乳腺癌框定成男性权利辩论，女性侧则完全没有对等的话题。三个独立的毒性分类器都给这些内容打了“无毒”标签。另外，女性侧的话题多样性在 GPT-4 对齐边界处比男性侧低了 36%。 数字上有个值得注意的对比：衡量“表征伤害”的 REGARD 指标与模型发布时间正相关（ρ=+0.55），而毒性评分 Detoxify 与发布时间不相关（ρ=−0.23）。也就是说，毒性评分在降，表征伤害却在涨。论文据此提出了一套三步检测方案，用来抓这种洗白后的歧视。不过正文没披露这套方案在 GPT 系列之外的模型上验证效果如何，这点先别太激动。

Anthropic 计划 2027 年上市，但它的收入底盘比表面数字看起来要脆。年化收入约 50 亿美元，超过 70% 攥在不到 10 个大客户手里。问题在于，API 调用的切换成本很低——如果别家的模型性能追上来，大客户随时可以压价或者直接换供应商。公开市场投资人最怕这种集中度，因为收入可预见性差，估值模型很难搭。 文章没提 Anthropic 自己的 IPO 估值目标，也没给出这些大客户的具体合同年限或续约率。这点很关键：如果都是签了多年的长约，风险会小一些；如果是随时可撤的用量合同，那上市后的股价波动会很大。 还缺一块信息是，Anthropic 的企业级服务（比如定制化模型部署、安全合规方案）占收入多少。如果只是卖裸 API，护城河确实浅；如果能靠服务把客户粘住，故事会不一样。正文没披露这部分，所以现在只能先打个折看。

Anthropic 推迟 IPO 主要是为了等第三季度财报，用实打实的收入数字来证明自己值 2 万亿美元。这个估值和最高 1000 亿美元的募资额，都会超过 SpaceX 今年 6 月创下的纪录。公司预计到 2026 年底年化收入能超过 1100 亿美元，现有股东认为即便模型发布节奏放慢，现有产品也能撑住收入。 但文章没给出 Q3 的具体收入指引，也没说目前离 1100 亿美元年化目标还有多远。前研究员公开警告 AI 发展太快这件事，虽然是在推迟决定之后才发生的，投资者还是会追问：如果研发踩刹车，对收入和估值有多大影响。 另一个变量是 OpenAI。OpenAI 明确 2027 年前不上市，但正在谈新一轮融资，估值可能超过 1.2 万亿美元。部分 Anthropic 投资者担心，如果 OpenAI 在 Anthropic 上市前先融到一大笔钱，会分流市场对 Anthropic 的需求。这点文章只提了担忧，没给出任何对冲措施或应对计划。

这篇博客最实在的地方是给了具体数字：Jev 1.13 做客服工单分类，每千张只要 0.0248 美元，中位延迟 194 毫秒；对比之下 Claude Opus 5 要 2.88 美元、近两秒，GPT Luna 也要 0.09 美元、一秒多。便宜和快是实打实的，但 Jev 只能输出你预设好的选项和概率，没法生成回复文本。所以作者给的方案很实际——用 Jev 做路由和分类，把结果交给代码逻辑，最后让大模型写回复。 不过要冷静看：测试只有 60 加 40 个样本，跑了一天，一套提示词。样本量太小，没法说这个准确率能稳定复现。Jev 本身也有明确短板——不会算数、不会比日期、输入里夹带无关信息时准确率会掉。正文没披露分类准确率的具体对比数字，只说“形状是这么个形状”，所以别把它当排行榜看。 如果你业务里大量工作是“把用户问题分到 N 个桶里”，Jev 这类决策模型确实值得试。但前提是你的分类边界清晰、输入干净，而且你接受它只做选择题。

这篇复盘最值钱的地方，是它把“什么时候该重写”这个老问题，放到了AI降本的新坐标里重新算了一遍账。Anthropic的测试记账服务，因为Claude大量提交小粒度代码，任务量半年翻了25倍。团队的三次补丁，从加核、分片到每日重启，买来的安稳时间依次是70天、29天、不到一天。这不是技术不行，是指数增长下，固定倍数的扩容注定会快速失效。 转折点在于，一名工程师用三周就推倒重写了整个服务。作者自己估计，一年前同样的活得干一个季度。重写的直接成本在降，而维持旧系统的隐性成本在涨，两条曲线交叉点大幅左移。新设计没什么黑科技，就是把记账和查表拆开，让处理节点无状态，能横向加机器。但决策逻辑变了：当重写不再那么贵，就别在补丁上死磕。 不过，这篇复盘的信息缺口也很明显。25倍增长没有细项归因，8倍代码产出提升是行数口径，作者自己都承认夸大了真实效率。新系统的具体运行费用、缺陷率、线上事故数据，正文全都没给。监控曲线走平只能说明排队稳住了，推导不出验证总成本下降或代码质量变好。这是一个单一样本，没有平行对照，别把里面的数字直接套到自己团队身上。