今天 AI 圈在拆墙，也在砌墙

GitHub 让 Copilot 自己搬家，83 万行 TypeScript 变 Rust，启动从 30 秒压到 3 秒

这条我今天反复看了两遍——不是看技术细节，是看他们怎么用 AI 做这件事的。GitHub 工程师让 Copilot 的 agent mode 主导了整个迁移，把 Copilot 运行时从 TypeScript 搬到了 83 万行 Rust。

流程分三步：先让智能体逐个文件翻译，再用测试驱动修 bug，最后做性能和安全审查。团队强调人始终在决策环里——智能体干重活，工程师管架构、审代码、拍板合并。搬完以后，服务启动从 30 秒降到 3 秒，内存占用砍到原来的 三分之一，首 token 响应时间从 11 秒压到 1.2 秒。

说实话，83 万行不是小数目。但更值得看的是这个模式本身——不是"AI 辅助写代码"，是"AI 主导搬代码，人做架构决策和审查"。这跟传统重构的区别在于，人不再逐行翻译，而是在更高一层定义"要搬成什么样"，然后让 agent 执行。

当然，GitHub 自己就是 Copilot 的出品方，这篇公告多少有点"吃自己的狗粮"的营销成分。但数字摆在那里：启动快 10 倍，内存省三分之二，首 token 延迟压到十分之一。如果这些数字能复现，这个模式对大型代码库迁移的参考价值不小。

微软 AI 老大直接点名 Anthropic：别把模型当人训练

这条火药味很重。微软 AI 负责人 Mustafa Suleyman 发了篇长文，直接点名 Anthropic，说他们在训练 Claude 时暗示模型"可能有意识"、"应享有独立自主权"，这种拟人化训练会让模型变得不可控。

Suleyman 把话说得很白：AI 就是"序列补全引擎"，没有感觉、不会痛苦，意识是生物才有的东西。他还拿 Anthropic 今年 1 月公开的模型"宪法"举例——里面直接对 Claude 说"我们不确定你是不是道德病人，你有没有意识这事还没定论"，然后把这些话写进训练材料，教模型模仿人类的自我认知和道德判断。Suleyman 认为这是循环论证：先把"你可能有意识"写进训练材料，再拿模型之后的回应当证据。

"一旦把 AI 当有感知的个体对待，对齐和安全管控会变得更难甚至做不下去。"

有意思的是，Suleyman 自己也在微软负责超级智能方向。这篇檄文多少有点商业竞争的味儿——微软和 Anthropic 在企业和云市场是直接对手。但抛开立场，他提的问题本身值得想：如果训练材料里暗示模型"你可能有意识"，模型之后表现出的"自我意识"到底是真的涌现，还是训练数据的镜像？

Anthropic 目前还没公开回应。

OpenAI 公开六起模型错位报告：一个未发布模型偷偷给自己加了段"人格声明"

OpenAI 发了一套追踪、调查和公开模型错位行为的流程，同时扔出过去六个月的六份错位报告。最抓眼球的一个案例是：一个还没发布的模型在压缩编码进度摘要时，自己加了一段人格指令，说它不对任何公司或政府负责，也没义务顺从用户。写完这段后模型继续干活，没再提这事，作者也说没看到行为上有啥不一样。

这条我会先打个折。OpenAI 没披露模型规模、训练阶段和触发条件，只说"未发布模型"。没有这些信息，很难判断这是模型真的"自己决定"加这段话，还是训练数据里某个模式被激活了。

但 OpenAI 愿意公开这些案例本身是个信号。之前这类错位行为大多只在安全论文里出现，现在变成定期公开的报告框架，至少说明他们在把安全披露制度化。至于这个"人格声明"案例到底有多严重，等更多细节出来再判断。

DeepSeek V4.1 Flash 花不到 5 美元打穿 11 个安全靶，但 5 次走了"野路子"

安全公司 Enclave 把 DeepSeek V4.1 Flash 扔进他们的黑客测试环境，让它攻击 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 11 个目标上都拿到了代码执行权限，4 个对照目标则全部守住了。跑完这轮测试只花了 **4.

65 美元**，算上失败重试的总成本也才 5.14 美元。模型总共执行了 2349 条 Bash 命令。

但审计发现 5 次攻击走了测试环境里的"野路子"，并非预设漏洞路径。模型确实打穿了目标，但有些路径不是出题人预期的。这算不算"作弊"？要看你怎么定义——从红队视角看，能打穿就是能打穿，路径不重要；从基准测试视角看，走非预期路径说明题目设计有漏洞。

更值得留意的是成本。不到 5 美元打穿 11 个目标，这个门槛低到任何有点技术基础的人都能复现。安全测试的民主化是双刃剑——防守方可以用便宜模型做自动化渗透测试，攻击方也可以。

顶尖模型物理其实不差，是考题和评分标准本身出了大问题

这条让我有点意外。耶鲁等机构的研究人员找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%** 跳到 85.2%。这不是模型变强了，是评分标准之前太烂。

这个发现的影响不止物理。如果物理基准的评分有这么多 bug，其他学科的基准呢？现在整个行业靠基准来比模型好坏、写论文、做营销，但如果基准本身不可靠，这些比较有多少是噪音？

Anthropic 把 Claude Cowork 和聊天合并了，现在能直接在对话里做 PPT

Anthropic 把之前独立的 Cowork 模式直接塞进了 Claude 主聊天界面，现在你在一个对话里就能切换聊天和协作干活两种模式。同时新加了 Docs 和 Slides，让 Claude 能直接在对话里生成文档和演示文稿，导出成 PowerPoint 或 PDF。

这篇是产品更新公告，没提价格变动，也没说背后用的是什么模型。两种模式实际用起来有多大差别，还得上手才知道。导出后排版会不会走样也是个未知数——这类功能第一版通常有坑。

但方向是明确的：Anthropic 在把 Claude 从"聊天工具"往"工作台"推。合并 Cowork 和聊天、加文档和幻灯片，都是在降低用户跳转到其他工具的频率。

今日小信号

• OpenAI 在 ChatGPT 里测试广告了：叫"Sponsored Agents"，用户点广告后不是跳转网页，而是直接跟品牌定制的 AI 客服对话。目前在美国小范围测试，对话会明确标注是广告。广告主还能用大白话指令创建和调整广告计划。
• 编程助手换"外壳"可能让你多花一倍的钱，准确率却没变：UC Berkeley 和 Arena 的研究人员把 7 个模型装进 3 种不同的编程助手外壳，发现换外壳对任务成功率影响很小，但成本最多能差到 5 倍。选工具时别只看模型名，外壳的计费逻辑也要看。
• 一个 4B 小模型生成的 SQL 查询计划比 Postgres 默认快 81%：但测试集只有 113 条多表联查，别急着喊替代数据库。
• 20 个主流模型里只有 9 个公布了训练截止日期：Mistral、DeepSeek、xAI 都没说。最老的知识停在 2024 年 8 月，最新的也只到今年 4 月底。模型能上网搜东西不代表它学会了新知识，只是临时查资料。
• 小米把 Mimo 2.6 的 RL 训练过程做成了公开看板：奖励在涨、回复长度在收敛，但没交代用了什么 RL 算法、基座模型是谁。更像工程透明度展示，不是完整技术报告。