AX 严选 · 2026-09-21

BC 省在加州起诉 OpenAI，核心指控是：ChatGPT 在 2026 年 2 月 Tumbler Ridge 枪击案（8 死 27 伤）前曾标记过可疑活动，但 OpenAI 没通报警方。这个逻辑链条缺了最关键的一环——正文完全没说明被标记的到底是什么。是用户对话里出现了暴力威胁？还是模型检测到异常使用模式？标记时间离案发有多近？OpenAI 当时有没有内部升级流程、有没有主动联系过执法部门，这些全都没披露。 从现有信息看，这更像一起基于事后追责的诉讼试探，而不是有明确证据表明 AI 平台能预见具体犯罪。如果标记的内容只是模糊的风险信号，那要求平台主动报警的法律义务边界在哪，会是本案真正的争议点。目前只能等起诉书公开更多细节，否则没法判断 OpenAI 到底是有意不作为，还是技术上根本做不到精准预警。

Grok 4.7 这次升级主要强在能干活了。在模拟写文档、做表格这类真实工作任务的 AA-Briefcase 测试里，它拿了 1657 分，比上一代高了 111 分，分析质量提升明显，但呈现质量反而微降，总分排在 Claude Opus 5 和 Claude Fable 5.1 之后。编码代理指数从 47 跳到 56，其中 Terminal-Bench 成绩翻倍到 33%，DeepSWE 从 65% 涨到 73%，说明它在终端操作和修 Bug 这类实际编程任务上进步不小。 但这些提升是靠堆算力换来的。Grok 4.7 平均每个任务要吐出 8.1 万个 token，是自家上一代的 2 倍多，更是 GPT-6 Astra 的近 3 倍。价格没变，还是输入每百万 token 2 美元、输出 6 美元，但实际用起来成本会高出一截。幻觉率从 34% 降到 29%，准确率基本没动，说明它更少胡说八道了，但也没变聪明多少。 正文没提推理延迟的具体分布，也没说这些测试任务是否公开可复现。另外，上下文窗口还是 50 万 token，没变化。

Nathan Lambert 在国会简报里把话说得很直：中国开源模型已经压过美国大概一年半了。最直观的数字是 Hugging Face 下载量，中国模型总共 32 亿次，是美国的两倍，从 2025 年 7 月起就一直领先。在 AAII 这个测试智能体能力的基准上，智谱 GLM-5.3 和月之暗面 Kimi K3 能跑到 42 到 45 分，而美国最强的 Thinking Machines 的 Inkling 才 26 分，差距不小。 不过 Lambert 也划了条线：这些中国模型绝大多数是“开放权重”，不是真正的开源。它们公开了模型文件，但训练数据和完整代码没给，没法复现。真正能完整复现的开源模型，目前还是美国非营利机构在做，比如 Allen AI 的 Olmo。另外，中国开源模型比最顶尖的闭源模型大概晚 2 到 5 个月，美国开源则要晚 6 到 9 个月。 文章没细说下载量里有多少是实际部署、多少是研究用的重复下载，也没展开讲中国模型在安全对齐和内容审查上的限制对海外用户的实际影响。这些缺口让“领先”的判断需要打个折。

Tunguz 这篇文章最值得看的是他拿自己生产环境的 98 封邮件做了实测，不是跑公开榜单。他试了 Jev 和 SemIf 这两个新工具，它们不生成文字，只跑一遍注意力计算就直接输出选项概率，几百毫秒出结果。分类准确率从原来通用模型的 47% 跳到了 80% 以上，单次调用成本降到 0.0004 美元，比顶尖大模型便宜 76 到 209 倍。这个降幅很夸张，但要注意样本只有 98 封，而且 Jev 的定价可能被补贴，正文没披露大规模生产环境下的稳定性数据。 他的核心判断是 AI 路线在分叉：前沿模型负责探索和训练，专用模型负责生产环境里跑量。if-then 这种最基础的编程逻辑，现在有了专门优化的“决策器”，不再需要让一个能写诗的大模型来判断邮件该分到哪个文件夹。这个思路不新，但 Tunguz 用具体数字把账算清楚了。 文章没展开的是，这种专用决策器在复杂多分类、长文本或需要推理链的场景下表现如何。另外，SemIf 是在一张 RTX 3090 上跑冻结的 Qwen3.5-4B 模型，这个配置的泛化能力还需要更多验证。