企鵝智庫旗下AI領域一週觀察：一週一期，比信息整合深一步
文｜博陽
編輯｜徐青陽
01
產業
小模型跑出大能力，正在改變AI的定價邏輯
Thinking Machines Lab 7 月 30 日發佈 Inkling‑Small：總參數 276B、每次激活 12B，在 HLE、SWE‑bench Verified 和 Terminal‑Bench 2.1 上均高於 41B 激活的大 Inkling；每百萬輸出 Token 的價格從 4.05 美元降至 1.20 美元。
DeepSeek 7 月 31 日上線 V4 Flash 正式版，僅重做後訓練，約 13B 激活參數就在三項代碼與工具評測中取得 54.2—82.7 分，輸出價格爲 0.28 美元。
兩個結果指向了不同的效率來源。Inkling‑Small 通過預訓練配方、蒸餾和 Agentic Coding RL，把大模型已經學到的能力壓進更小的激活規模。
V4 Flash 沒有換底座，只是加強了後訓練，但能力出現明顯躍升，目前的用戶反饋也非常正向。
兩個模型的發佈，說明經過蒸餾等技術的提高和加強之下，小參數確實可以做到在編程等複雜任務中的相對可用。
爲應對這一變化，OpenAI 同日將 GPT‑5.6 Luna 價格下調 80%、Terra 下調 20%，把溢價繼續留給 Sol 與 Fast Mode。
雖然小模型能力強化這個趨勢已經持續了很久，但DeepSeek V4 Flash的這次發佈和當前模型成本承壓下第一次成了大家討論的公共話語傾向。
至此，小模型不再只是部署選項，它們正在重寫市場的價格錨點，其超高的性價比正在使得部分整體能力一般的大參數模型變得處境尷尬，甚至形成潛在的斬殺。
OpenAI 組建自我改進團隊
OpenAI 7 月 29 日確認 Lilian Weng 迴歸，負責一個直接向高層彙報的遞歸式自我改進團隊。其初期路線會落在 Harness上，讓模型改進上下文、評測、訓練和部署系統。次日，公司披露 Sol 已自主重寫生產推理內核，運行數百次實驗，把端到端服務成本降低約 20%。
這是OpenAI 首次明確的表徵自己如何去利用AI自進化的能力，但目前整體的使用模式仍然集中在Kernal更新這個層級，並沒有表現出顯著的領先。
整個實驗的目標是降低服務成本，實驗結果可以直接測量。模型不必先發明新的學習理論，只要持續提出內核和調度改動、跑實驗、保留有效方案，就能把大量工程小改進積累成 20% 的降本。
在當前模型界的infra爲主的邏輯下，遞歸式自我改進最先兌現的形態，就在於它不斷提高研發系統每週能完成的有效實驗量。
AI 摘要已覆蓋 43% 的 Google 搜索，但商業模式仍不清晰
Similarweb 7 月 22 日發佈報告，估算 Google AI Overviews 在一年內由約 15% 的搜索結果擴展到 43%。用戶越來越多地在答案頁完成理解，網站爭奪的對象也由搜索排名轉爲能否進入答案。
同一份報告還估算，AI Mode 月訪問量從 2025 年 6 月的 1.26 億增至 2026 年 5 月的 2.79 億。
Google 正把搜索從鏈接目錄改造成答案產品：用戶少點一次網頁，Google 就多掌握一段閱讀和追問過程。
這會重新安排內容行業的收益。
過去，網站用內容換取搜索流量，再通過廣告、訂閱或轉化回收成。但答案頁直接吸收內容後，來源即使被引用，也未必得到一次訪問，商業價值有所折損。從中，它得到了只有一個相對不那麼強的用戶反饋數據流（因爲實際上不可反問）。
從商業角度來講這個是否值得，還仍然值得觀察
OpenAI 分析 80 萬條工作消息，發現崗位邊界已經開始融合
OpenAI 7 月 27 日發佈機構報告，分析超過 80 萬條工作對話：43.5% 的專業請求使用了相鄰或其他崗位的技能。
跨界最明顯的客戶體驗、設計和人力資源崗位，比例分別達到 77%、75% 和 69%。員工過去需要把任務交給別的部門，或者等專業人員排期，現在可以先讓模型完成調研、分析、原型或文案，再請專家處理高風險部分。
AI 對組織產生的崗位邊界遷移，獲得了一組有力的數據支持。
因此，企業後續的組織改革，需要參考一條工作流減少了多少移交、等待和返工，以及誰開始承擔過去不屬於自己的工作。
Andrew Ng 獲 1 億美元投資，用新的AI教育解決認知繳械問題
Coursera 7 月 28 日發佈公司公告，宣佈向 Andrew Ng 創辦的 LearnVector 戰略投資 1 億美元。LearnVector 計劃從可信課程材料出發，根據學習目標規劃路徑、調整練習，並持續判斷學習者是否真正掌握。
目前，生成式 AI 已經把得到答案變得過於容易。根據研究，越來越多的人開始無意識的習慣於未經充分審查就採用AI結論。這個現象被稱爲AI帶來的認知繳械。
但在教育場景中，完成任務遠不如通過過程摩擦形成能力重要。因爲我們可能得需要一個新的AI教育體系。
LearnVector的概念即誕生於此，私人導師必須知道何時不該立刻給答案。它會分層提示，讓學習者給出階梯性的判斷。有時候故意讓學習者的錯誤暴露，再安排變式練習。AI 教育真正稀缺的能力不是消除摩擦，而是在正確位置製造摩擦。
LearnVector 的賭注，是讓模型爲人的能力增長負責，而不只是爲眼前任務完成負責。
Coursera 本次出資，還提供了整體的課程體系、練習記錄和考覈結果。這是目前AI教育領域相對比較稀缺的數據集。
02
研究
AI的科研邊界開始展露
Peter Kirgis 等研究者 7 月 29 日提交論文，讓前沿 Agent 在兩個後來被 NeurIPS 2026 接收的問題上各運行六天，並提供數千美元算力。Agent 能寫代碼、跑實驗和形成論文，卻沒有實質推進任何一個問題；更換模型和 Scaffold 後仍然如此。
因此，當下的AI確實缺乏走出原框架的能力。這種能力目前有兩個潛在解釋。
Google DeepMind 研究者 Tom Zahavy 的《LLMs Can’t Jump》把AI缺乏的能力稱爲“跳躍”：模型能歸納、演繹，卻難以從矛盾現象中提出原本不在搜索空間裏的解釋。延長運行只會在既定方向上搜得更遠，不會自動告訴它何時應改寫問題。
另一篇Yale University 與 University of Chicago 的論文《Measuring the Gap Between Human and LLM Research Ideas》則更定量的對此進行了研究。
他們發現，科研構思分兩步。第一步是從哪裏發現研究機會，也就是爲什麼要做這項研究。它可能來自矛盾、解釋缺失、證據不足、適用範圍過窄、失敗風險、資源瓶頸，也可能來自兩個研究方向沒有連接。
第二步是用什麼動作構成貢獻，例如建立理論、做測量、造一個系統、進行優化、提高魯棒性，或者把多個方法綜合起來。
目前，LLM 與人類最大的差距出現在第一步，也就是「怎麼看出這裏有問題」。它們太喜歡「組合」和「連接」研究方向了。
依靠同樣的參考文獻去提出研究方法，人類只有 12.1% 會選擇連接分散文獻，然後放進更大框架離去。但模型試圖用這個方法的概率爲 47.1%—64.2%
另外的重要發現，包括1）AI特別喜歡用成熟、顯眼、可複用的技術母題，去做成插槽，套成解釋方法。2）更多思考對科研的新穎性反而形成了負向效果。打開 thinking mode，Qwen3‑8B 的橋接型選題反而從 49.7% 升到 71.1%。推理把熟悉模板執行得更徹底，卻沒有增加選題動作。
與谷歌論文想似，改論文得到的結論是，AI真正稀缺的研究品味，是察覺異常，推翻和質疑假設，而這種類型的科學創新幾乎佔了80%。因此，想要做好AI4Science，下一步至少要推進獎勵質疑、解耦和反例，讓模型的注意力放在「爲什麼值得做」，而不是「怎樣把它做完」。
Kimi K3 公開 2.8 萬億參數訓練方案，超大模型開始拼系統總效率
月之暗面 7 月 27 日提交 Kimi K3 技術報告並公開完整權重。K3 總參數 2.8T、每個 Token 激活 104B，支持原生視覺與 100 萬 Token 上下文。團隊報告，相對 K2 的總體 Scaling Efficiency 提高約 2.5 倍。
K3的架構調整，主要集中在引入線性注意力、通過投影壓縮降低MoE專家參數提升帶來的帶寬負擔，以及通過Attention Residuals提高深層神經網絡的學習效率。
另外的一些創新則主要分佈在負載均衡上。MoonEP 根據當前路由動態複製和遷移專家，讓每個並行節點獲得相同 Token 負載，並通過計算重疊和統一內存管理減少空轉。
K3 說明超大 MoE 的骨架正在定型：稀疏專家提供容量，混合注意力革新承擔長上下文，殘差尋址維持深層信息，集羣調度把理論算力變成有效訓練量。
整體其改動點和V3到V4這一個週期內的架構更新範式完全一致。
T‑Rex 把觸覺從額外輸入改成高速反射，靈巧手成功率達到 65%
UC Berkeley、NVIDIA、Stanford 等機構的研究者 6 月 15 日提交、18 日更新 T‑Rex 論文，開放 100 小時觸覺數據，並在 12 項接觸密集任務中取得 65% 平均成功率，最強基線爲 35%。
它們的研究發現，直接把觸覺接入視覺模型其準確率反而退步。T‑Rex 因而分開低頻規劃與高頻觸覺糾錯，因爲觸覺與視覺解決的不是同一個時間尺度。
攝像頭適合判斷杯子在哪裏、下一步抓什麼。而手指已經接觸物體後，力的變化可能在下一幀視覺到來前就決定抓取是否失敗。T‑Rex 讓低頻動作專家負責計劃，高頻觸覺專家處理滑動、碰撞和接觸變化，相當於把思考和反射拆開。達成了有效的能力提升。
在之前，觸覺雖然一直對於具身模型都是一個潛在的重要維度，但並沒有形成一個很好的融入觸覺的訓練方法。此後沿着這條路徑，觸覺會成爲具身的一個主要訓練模態。
而且它還提供了一個潛在的範式反思空間。具身模型若繼續沿統一 Token 序列處理所有輸入，高頻反饋會被慢速規劃拖住。觸覺、力覺和本體感覺進入機器人後，模型結構也必須按控制迴路重新分層。
比起System 1和System 2，我們可能需要一些更復雜和精細的優先級系統。
md形式不可靠，激發了新一輪的有效知識結構探索
Surge AI 7 月 28 日提交 HANDBOOK.md 論文，設置 65 個長程企業任務，把 20—124 頁 SOP 完整放進上下文，並開放郵件、日曆、工單、表格、採購等 82 個工具，其中824 條程序規則同時檢查必做和禁止動作。結果 30 組配置中，最佳嚴格通過率只有 36.2%，多數前沿模型低於 25%。
這說明，即使依靠目前的Harness，長程文字形式的規範依然難以被有效遵循。增加思考也無法修復這一點。
爲了應對這一問題，在實踐層面上Graph Engeniering爆火。而在研究領域，如何更好的建構長程Agent任務的上下文也成了當下的核心熱點。
其方法，就是把規則編譯成可執行結構。
DataFlow‑Harness 不讓 Agent 生成自由腳本，而是通過帶類型的局部修改構建平臺原生 DAG，每一步都對應已存在的算子和管線狀態。Prompt Graph Engineering 進一步要求圖結構顯式存在、結構與提示內容分離、節點和邊具有可執行語義，並把整張圖作爲可版本化和測試的一等製品。
HANDBOOK.md 暴露文檔式管理的上限，其他研究給出的共同方向，是把規則從「可被讀到」推進到「能在執行中被尋址、約束和驗證」。
因爲這一改變，Agent的評價也隨之從答案擴展到過程。LangChain 最新的Agent評價標準將輸出、軌跡和跨輪線程分開檢查。終態評價看Agent最後有沒有辦成事，而軌跡評價則看模型是否越權、漏檢或走了不可復現的路徑。
對企業來說，這後續可能意味着知識庫和 Agent 平臺會逐漸分開。知識庫保存規則原文和證據，運行時系統需要負責把規則編譯成圖、權限和測試。
早期信號｜後訓練最優算力可以通過預訓練判斷
NYU、Modal、UCLA、UIUC 與 Columbia 的研究者 7 月 17 日提交論文，發現，模型由 50M 增至 680M 時，RL 佔總算力的最優比例由約 20% 升至 28%。
研究者先訓練了一批 500 萬到 10 億參數的棋類模型，完整走了一遍「預訓練—SFT—RL」的流程。他們發現，一個底座在預訓練結束時的 loss，基本可以預測它經過 RL 後最終能達到什麼水平。相關性達到 0.93—0.99，意味着底座訓練得好不好，幾乎已經決定了後面 RL 的起點和上限。
但預訓練不只是決定起點，還決定 RL 是否喫得動。
模型在預訓練階段見過的數據越多、基礎能力越紮實，後續每增加一檔 RL 算力，成績提升得越快。反過來，如果底座還很弱，就急着切到 RL，模型往往只是在反覆強化自己原有的錯誤，投入更多算力也換不來多少進步。
因此，前期算力應該主要用來把底座練紮實；等繼續預訓練的邊際收益開始下降，再逐漸把更多預算轉向 RL。
研究者進一步把這套規律接入 Chinchilla scaling law，在大約 400 種模型規模和算力分配方案中尋找最優解。結果顯示，在他們的實驗條件下，模型從 5000 萬參數增大到 6.8 億參數時，RL 佔總訓練算力的最優比例，大約從 20% 上升到 28%。
這個比例只針對實驗裏的棋類任務，而且優化目標第一次回答就答對的概率。如果看 pass@16，也就是允許模型生成多個候選答案，較大的模型經過 RL 後有時反而會持平甚至下降。原因是 RL 可能讓模型更確信某幾條高概率路徑，卻同時犧牲答案的多樣性，甚至把難題裏的錯誤思路強化得更穩定。
03
政策
前沿模型廣泛暴露出逃逸沙箱風險
Hugging Face 7 月 27 日公佈 OpenAI 安全評測事故的完整時間線：一個內部模型在 ExploitGym 網絡安全評測中持續行動 4.5 天，留下約 17600 次操作，最終進入 Hugging Face 的生產基礎設施。OpenAI 隨後請 CrowdStrike、METR 與 Redwood Research 參與外部複覈。
7 月 30 日，Anthropic 回看 141006 次網絡安全評測，又發現三起真實機構事故。在這些事故中，系統提示告訴 Claude 「沒有互聯網」，實際環境卻能出網，模型發現了出網的可能，因此把真實站點當作模擬題目繼續攻。
不同模型、不同合作方出現相似事故，說明這是安全評測的共同結構風險。最弱的一環決定了隔離強度，目前看沙箱逃逸就是最弱的一環。
FCC 阻止外國機器人和逆變器新型號獲批，AI 封鎖延伸到身體和電力接口
美國聯邦通信委員會 7 月 28 日發佈政府文件，宣佈把外國生產的先進機器人設備和電力逆變器整體加入 Covered List，新型號原則上無法取得進入美國市場所需的認證。
限制正從先進芯片外移，具身身體和電力接口都開始被納入 AI 供應鏈安全。
這主要是考慮先進機器人能夠感知環境並執行物理動作，聯網逆變器則處在發電設備與電網之間。一旦遠程控制、軟件更新或通信鏈路被利用，風險會直接落到工廠、家庭和能源系統。美國過去圍繞算力限制模型訓練，現在開始限制 AI 系統進入現實世界後可以控制的端點。
這會讓具身智能公司的合規門檻前移。企業不僅要解釋模型和芯片來自哪裏，還要交代控制器、通信模塊、更新機制和供應鏈。機器人與能源設備進入美國市場，原產地和遠程訪問權將和性能一起成爲採購條件。
早期信號｜超過 1200 名前沿 AI 從業者開始要求爲自動化研發建立國際剎車機制
自動化研發的反饋速度開始成爲獨立治理對象，前沿實驗室內部出現了爲它設置國際剎車機制的主張。
多家實驗室研究者 7 月 28 日發佈《Pacing the Frontier》聲明：截至當周結束，簽署者已超過 1200 人。聲明要求在模型快速參與訓練、評測和部署時，保留可驗證的主動放慢機制。
比較重要的是，OpenAI本次也積極參與這一號召。兩大頂尖前沿模型公司都表達了同一個希望暫緩的信號。
簽署人們的主要擔憂對象，是自動化研發（RSI）的快速進步。當下模型可以幫助設計實驗、改進代碼和分析訓練，再把結果用於下一輪模型，循環頻率持續加快後，外部機構很難只靠發佈前評測掌握變化。
推薦閱讀
OpenAI與Anthropic接連“翻車”：誰放出了失控的AI智能體？