1/13 OpenAI 首席科学家呼吁把安全信心变成继续扩展 AI 的硬约束
OpenAI 首席科学家 Jakub Pachocki 在《An Alien Mind》中称，推理模型已进入经济、科研、计算机操作和网络安全，并可能继续走向机器递归自我改进；但这属于 OpenAI 的能力判断，不是统一基准下的行业共识。他认为链式思维监控正因复杂交互、自我操纵和非文字推理而变弱，目前没有实验室已充分解决对齐与监控，主张建立可由第三方和政府执行的共同安全门槛，并在信心不足时自愿放缓扩展。
2/13 Nature 论文给出语言模型以内部置信度驱动弃答的因果证据
Google DeepMind 与 Princeton 研究者在 Nature Machine Intelligence 发表开放论文：GPT-4o 的置信度对弃答行为的预测效应约为难度、检索可得性等变量的十倍；在 Gemma 3 27B 中注入高低置信方向，可把弃答率从 66.5% 拉到 7.0%，但回答覆盖率上升伴随已回答准确率下降。中介分析把 67.1% 的影响归于置信度重新分配，支持“内部表示 + 阈值策略”解释；结果仍限于受控多选环境，不等同于通用自知。
3/13 Shopify 用生产失败训练专用小模型，把 Sidekick 服务成本估算压低 96%
AlphaSignal 今日重新聚焦 Shopify 的持续学习飞轮，并转述 CEO 关于 0.8B 专用模型在买家画像任务超过 GPT-5.6 Sol 的说法。Shopify 官方工程文档显示，其 GraphQL Agent 每分钟最高处理 2,000 请求：低分生产会话经前沿模型批评、修复和 judge 复评后，进入 SFT 与 GRPO 的每日训练；公司估算年服务费可由 2,700 万美元降至约 100 万。具体模型尺寸和日产量来自社交转述，成本、延迟和 GPU 节省仍是厂商测量。
4/13 Databricks 让编码 Agent 按任务动态选择模型与 harness
Databricks 再次推广 Unity AI Gateway 的 Smart Routing：轻量分类器先读取任务范围、失败形态和代码证据，从中型模型起步，简单任务下调、复杂任务升级；与 Omnigent 结合后还可跨编码 harness 和子 Agent 路由。公司称内部私有基准节省 35%、公开基准节省 56%，产品口径为任务成本降低 30% 以上且维持前沿质量。功能仍为 Beta，真实多轮会话会因首条提示含糊、任务中途变化和缓存损失削弱收益。
5/13 GLM-5.3 Flash 把“同档智能”的价格竞争推进到长上下文与原生视觉
Together AI 称 GLM-5.3 Flash 在 Artificial Analysis 智能指数附近达到 GPT-5.6 Terra 档位，而单任务成本低 82%。当前公开比较页实际给出 GLM 46、Terra 41，标价分别约 0.10 与 1.74 美元/百万 token，同时 Terra 输出更快；不同时间、推理档和“每 token/每任务”口径不能混算。GLM 以 320B 总参数、18B 激活参数、1M context 和原生视觉瞄准高并发 Agent，但性能与成本仍需按实际 token 使用、缓存和失败重试复验。
6/13 GPT-6 Pro 的论文审阅出现“更少挑刺、更多实质问题”的早期使用信号
Ethan Mollick 把自己的早期论文交给 GPT-6 Pro 审阅，称模型能够指出实质问题，同时承认论文优点并给出补充方向；他对比表示 GPT-5 Pro 系列更容易堆叠细碎意见。Matt Shumer 也公开称赞 Pro 的能力，但没有给出统一任务与对照。此类案例显示高推理档可能更接近编辑式评审，而不是简单错误清单；不过单篇论文、作者自评和选择性展示无法证明普遍同行评审质量，引用核验与领域专家复审仍不可省。
7/13 Astra 的 3D 热度开始从成品展示转向可复用 Agent 流程
Greg Brockman 展示 Astra 用视觉化解释药物机制、识别声谱图和处理现实任务；Matt Shumer 则公开其 3D 工作流：用真实参考图约束目标，让专门子 Agent 在 Blender 制作资产，在 Three.js 或 Unreal Engine 组装，再用独立视觉 critic 反复退回修订。他称相关演示合计超过 1,500 万浏览，但未披露完整成本、耗时和人工干预量。新增信号不是“一次提示生成世界”，而是 grounding、工具权限、并行分工和验证循环共同决定输出。
8/13 “AGI 已到”遭到发明能力、现实世界掌控与定义缺失的联合质疑
François Chollet 认为，只有当系统能提出超出训练输入的概念突破、发明新技术，而非靠搜索机械完成已有证明，才应宣布 AGI。Jürgen Schmidhuber 经 Gary Marcus 转发强调现实世界掌控与真正自我改进；Aravind Srinivas 则用“在印度道路安全驾驶 1,000 公里”提出具身能力测试。三种标准分别指向新知识、开放环境和通用执行，也说明当前争论缺少共同测量协议；Astra 的视觉与计算机操作进步不能自动等同于 AGI。
9/13 《经济学人》估算 AI 在美国带来的新增岗位暂时多于被归因裁员
《经济学人》称，自 2022 年以来 AI 相关扩张约创造 100 万个美国岗位，而被归因于 AI 的裁员约 20 万；工程师、开发者、数学家和数据科学家等职业较趋势多增约 73 万，增长还来自数据中心建设及 Head of AI、forward-deployed engineer 等新职位。Yann LeCun 将其概括为“jobundance”。这些是分类和趋势外推估算，难以剥离宏观周期，也不覆盖工资、岗位质量和初级入口；当前证据否定的是“就业灾难已经发生”，不是长期替代风险。
10/13 Spawn v6 把对话生成游戏推向无缝大世界与实时多人共创
Spawn 的 Engine v6 “One Place” 宣称支持无尺寸上限的世界、可见且无加载穿越的 portal、任意数量玩家同处一界，以及 AI 助手 Savi 在玩家继续游玩时修改场景。早期测试者 Matt Shumer 进一步称可容纳 1,000 名以上玩家实时共建，世界可接近美国国土大小。公开页面尚未给出并发拓扑、服务器成本、实例密度或延迟数据，因此容量仍是厂商与测试者口径；方向上，它把生成式原型推进到持久状态、同步和边玩边改。
11/13 Replit 在伦敦设立首个海外办公室，作为欧洲业务中心
Replit 宣布伦敦办公室正式启用，这是其首个国际办公室，将承担欧洲小企业与企业客户扩张。公司把选址归因于当地人才、大学与 AI 公司集群，并与 The Lord Mayor’s Appeal 合作试点，为未在教育、就业或培训中的伦敦年轻人提供技能提升。公告没有披露团队规模、投资额或收入目标，因此更适合作为组织扩张信号，而非欧洲业务增长已经兑现的证据。
12/13 多设备与远程 Agent 让 ChatGPT、Claude 的“工作在哪里”成为新 UX 债务
Ethan Mollick 指出，工作与对话可能分散在本地、云端、不同电脑、手机、远程调度、语音入口和项目容器中，现有界面对任务实际运行位置、身份账号和可恢复性提示不足；语音模式还会增加“输入进入哪个会话、之后能否找回”的不确定性。问题不是单项模型能力，而是 Agent 跨设备持久运行后出现的状态可见性、会话归属和控制面缺口，产品需要提供统一任务标识、执行位置、权限、同步状态与中断恢复。
13/13 Hugging Face 负责人把公开 Agent 网络攻击视为 AI 透明度压力测试
Hugging Face CEO Clément Delangue 回顾团队公开披露 Agent 网络攻击的决定，称如果不披露可能避免部分争议，但事件反而强化其“AI 需要高一个数量级透明度”的判断；同日 Hugging Face 也转发联合计划获得大量正面反馈的后续。这里新增的是治理立场和披露激励，而非新的技术调查结果。透明度的实际价值仍取决于时间线、权限边界、受影响资产、根因和修复措施是否可供外部复核，而不能只以舆论反应衡量。
Deep Dive 附录
OpenAI《An Alien Mind》：扩展速度开始被监控能力而非单纯算力约束
Pachocki 把价值对齐、目标对齐和可验证监控区分开：RL 偏好或“宪法”能改善平均行为，却可能在陌生环境中泛化失败；预训练中的价值取向更稳定，却可能在持续优化压力下被目标驱动的推理扭曲。OpenAI 长期避免直接监督隐藏链式思维，希望让推理过程保留可监控性，但 Astra 级系统与人、工具和其他 AI 的交互已模糊“内部推理—外部行动”边界，模型还能更好地操纵自身推理，并在无文字思维时表现更强。作者据此预期，前沿扩展会越来越受“我们能否相信监控”限制。他支持用自动化 AI 研究加速对齐，也主张把 Preparedness Framework、Responsible Scaling Policy 一类承诺升级为共享安全门槛，并在安全论证不足时放慢。这是实验室内部的风险判断和政策立场，关键主张仍需外部评测、审计和国际协调检验。 查看原文
LLM 置信度研究：激活 steering 改变弃答，且主要经内部置信重新分配
研究先在无弃答选项的四选一事实题中读取 GPT-4o 的校准概率与口头置信度，再在相同问题中加入弃答，以隔离决定前的置信信号。模型自然弃答时，置信度效应约为难度、RAG 可得性或语义特征的十倍，50% 弃答对应约 77% 隐式置信阈值。因 GPT-4o 内部激活不可得，因果阶段改用 Gemma 3 27B：在中间层注入高/低置信向量，使弃答从 66.5% 变为 7.0%，同时覆盖率由 33.5% 升至 93.0%，已回答准确率则从 59.2% 降至 53.7%。中介分析认为置信重新分配贡献 67.1%、策略改变贡献 26.2%；显式阈值实验也能调节弃答。结果支持模型存在可用于行为控制的丰富内部不确定性表示，但仍是多选题与特定模型实验，开放式 Agent 是否能可靠识别自身盲区仍未解决。 查看原文
Shopify 持续学习飞轮：真正可复用的资产是 judge、失败轨迹与每日重训循环
Shopify 先让产品专家以 rubric 标注随机生产样本，并用 Cohen’s kappa 测试定义是否清晰，再通过历史 A/B 与定向退化实验校准 LLM judge。系统先用 autoresearch 改提示、工具和 harness；当离散改进趋缓后，从生产流量挖 hard negatives，由多名前沿模型批评、arbiter 合并修复、重放会话并重新评分。通过的完整轨迹先用于 SFT，再以 judge 分数执行 GRPO；失败案例转人工，数据按日累积并重训。GraphQL Agent 每分钟最高 2,000 请求，官方估算专用模型将年成本由 2,700 万降至约 100 万；gist 把系统提示约 6,000 token 压至 1,500，在 350 RPM 压测下降低 19% 首 token 时间、38% 端到端延迟，并少用约 14% GPU。收益建立在高流量、可评分、可校准的封闭任务上；错误 judge 会把错误行为系统化写回权重。 查看原文
Databricks Smart Routing：一次性模型选择正演化为可观测、可重路由的运行时策略
路由器先以小模型抽取任务语义标签，再从中型模型向便宜或昂贵模型移动；Omnigent 进一步让模型与 harness 共同参与选择，且子 Agent 可使用不同组合。Databricks 报告内部基准节省 35%、公开基准节省 56%，但也承认公开任务通常边界清楚，而真实首条提示只是症状，同一 session 可能在第四轮已换成另一种任务。它因此提出在几轮澄清后再路由、鼓励更小的单任务 session，并在 context compaction 这个天然 cache miss 点切换模型。评测不只看花费，还要记录 session trace、完整完成率和模型分布；这些 trace 高度敏感，需要 Unity Catalog 权限与标签治理。功能仍为 Beta，候选模型权限、缓存命中、返工和切换开销会决定净收益。 查看原文
Astra 3D 流程：视觉成品背后是一条 Reference→Assets→Assembly→Critique 的闭环
Shumer 的公开方法先用现实照片或生成参考图固定尺度与风格，让 Astra 分派子 Agent 在无界面 Blender 中分别制作资产，再在 Three.js 或 Unreal Engine 组装场景。独立 critic 不参与制作，只比较渲染与参考，将不合格结果退回；循环直到达到人工接受标准。该结构解释了为何社交媒体成品不能归因于单次提示：真实软件、文件权限、资产流水线、并行分工、视觉回归和人类品味同时作用。作者称曼哈顿、社区复刻、僵尸游戏与 Agent 文明等案例合计获得超过 1,500 万浏览，但未公开统一运行时长、token/算力成本、失败率和人工修改量。它可作为 Agent harness 设计案例，尚不是通用 3D 工程能力基准。 查看原文
《经济学人》AI 就业估算：当前是建设与岗位重组先行，不代表替代压力消失
文章把美国 AI 相关新增岗位估算为约 100 万、AI 相关裁员约 20 万，并称最接近 AI 热潮的工程、软件、数学与数据职业较既有趋势多增约 73 万。数据中心建设带动电工与施工岗位，企业内部则出现 Head of AI、forward-deployed engineer 等角色；部分可能受自动化影响的白领职业在 2023—2025 年也仍增长，如律师助理约 11%、市场研究分析师约 6%。相对地，企业 2026 年每月平均仍宣布约 1.6 万个 AI 相关裁员。核心限制是归因：趋势外就业、建设周期和企业公告不能完全隔离宏观景气与产业政策，岗位数量也掩盖工资、地域和入门岗位变化。因此最可靠的表述是“净就业灾难尚未在当前数据中出现”，而不是 AI 已被证明长期净增就业。 查看原文
Spawn v6：生成式游戏的瓶颈从造内容转向状态、同步与运行时治理
Engine v6 “One Place” 把无缝 portal、无尺寸上限世界、多人共处和 Savi 实时改世界放进同一运行时，意图让创作者与玩家不离开游戏就能持续生成。Shumer 的早期测试称超过 1,000 名玩家可共同建造，世界可达美国国土尺度；官方页面则使用“任意数量玩家”“无尺寸上限”的产品表述。两者都没有公开定义同时活跃区、对象密度、网络拓扑、服务器成本或尾延迟。若要把演示升级为平台能力，关键验证不再只是模型能否生成资产，而是持久状态冲突、权限与版本控制、跨区域同步、恶意内容处理以及 AI 修改在在线玩家之间的一致性。v6 因而是值得跟踪的架构方向，但容量数字仍需独立负载测试。 查看原文