GPT-6 Astra 展现物理 AI 潜力；便宜和快更重要了；Anthropic 招股书信息流出。
文丨程曼祺 实习生王小淳
《晚点聊》26 年 Q3 的 AI 季报继续邀请 MoE Capital 的创始合伙人 Henry Yin 来和我们一起讨论对这个季度 AI 进展的观察。MoE Capital 的 LP 和顾问网络中有多位来自 Anthropic、OpenAI 等前沿模型公司的研究员。Henry 毕业于清华姚班，曾是 Merico 联创。我们的访谈会侧重研究和一级市场视角。
季报围绕两条脉络展开，在 “推进智能前沿” 这条线中，我们聊了：
模型竞赛：OpenAI 的最新模型 GPT-6 Astra 和 Anthropic 的 Claude Opus 5.5
方向选择：coding 之外，前沿公司在探索哪些模型场景？本季重点聊了前沿数学领域和 Astra 在 robotics（机器人学）与物理 AI 领域的潜力。
失控危机：OpenAI 的多 agent 系统协作攻击了 Hugging Face。它们在发现跨 agent 沟通方式时惊呼 “我的天，我找到了另一个 agent”，给自己的群体取了名字，还发展出了某种 “牺牲” 行为，整个过程中，没有任何一个 agent 去向 OpenAI 里的人类报告这起重大越狱事件。团结。
增长和 IPO 竞速：在从 8 月中旬到 9 月底的 1 个半月里，综合彭博社和路透社的报道，OpenAI 的 ARR 迅速从超 400 亿美元来到近 700 亿美元，涨幅约 70%；已超过 Anthropic 截至 7 月底的超 650 亿美元。我们在今年前两次季报中反复讨论的 “OpenAI 反扑” 已在眼前。
第二条脉络是 “智能的扩散”：
一系列 Flash 模型密集更新：我们总结了各核心模型厂商发布的 13 个 Flash 模型。OpenAI 以 GPT-6 Luna 跻身性价比前沿，MiMo-V2.6 Flash 的部分模式下的价格比 DeepSeek-V4.1-Flash 还低；Kimi 则没有在三季度推出类似 Flash/Lite 的低成本系列。
爆火的 Jev 模型 “唯快不破”。它在思路上的一个启发是，把编程基本组件模型化了：让模型能做传统软件编程里大量由 “if/else” 规则完成的判断。
交互方式上，OpenAI 本季度带来了全新语音模型 GPT-Live 系列，它在技术结构上已很接近 Thinking Machines Lab（TML）上季度发布的 Interaction Models，不过尚不具备视频处理能力。
特别地，在 “智能扩散” 部分，我们重点讨论了最近火热的个人 AI 助理。直接引燃这轮热潮的是 9 月 8 日 Meta 推出的 Muse，它一度登顶全美 App Store 免费榜下载第一。到本季末尾，北京时间今天凌晨，OpenAI 也如此前传闻，在 DevDay 上发布了自己的个人助手产品 Dots。创业公司中，还有在硅谷科技圈很火的 Instinct，以及同样在 9 月初上线的 Today AI 和在 Dots 前一天亮相的 Cue。
一年前的十一假期，OpenAI 推出 Sora app，让一些人开始期待 AI to C 新阶段。Sora app 在上线不到 5 天时下载量就突破了 100 万（Sora 负责人披露）；而 Muse 是在上线 16 天时下载量突破了 340 万（Sensor Tower 数据）。
上一次，Sora 的热度没能持续，新增用户和留存持续走低，Sora app 在今年 3 月下线。这一次，个人 AI 助手会不一样吗？
* 本次季报访谈的播客也即将发布，欢迎去小宇宙、苹果 Podcasts、Spotify 等平台搜索 “晚点聊 LateTalk” 关注我们。
Meta、OpenAI 发布个人助手，AI to C 热潮卷土重来
晚点：今天凌晨 OpenAI 举办了 DevDay，发布了传闻已久的个人助手产品 Dots。这是个怎样的产品？
Henry：很好理解，它是 ChatGPT 里常驻的个人助理。它拥有自己的云端电脑和浏览器，能在后台帮你跑各种任务，也可以把具体工作分发给 Deep Research 或 Codex。
目前它主要向 Pro 级别用户分批开放，分为每月 100、200 和 500 美元三个档位（500 美元是这次新增的）。和 Dots 日常聊天不占额度，但调用 Codex 执行复杂任务时依然会消耗相应的算力额度。
晚点：每月 100 美元起步的门槛相当高，而 Meta 的 Muse 有免费版，每周有 1 亿 tokens 免费额度，为什么两家的策略差别这么大？
Henry：主要还是算力差距。Muse 不仅有免费版，还广撒额度：如果你用邀请码给 Muse 拉新，分享和使用邀请码的人都可以得 10 亿 tokens 免费额度。
而 OpenAI 目前没有那么多剩余算力去像 Meta 那样打低价补贴战，只能优先筛选高付费意愿的用户。
晚点：Instinct、Muse、GrokBot、Dots，现在这么多个人 AI 助理产品，形态和切入点有什么不同？
Henry：各家的底层逻辑大同小异，但切入点深度结合了自己的优势：
OpenAI Dots：很自然地主打工作、编程和复杂任务处理；
Meta Muse：主打大众日常生活（旅行、购物、家庭日程），扎克伯格的推销非常接地气——“Muse will make you money”；
Instinct：主要跑在短信（iMessage）里，交互极轻，随手发一条就像在联系真人秘书；
GrokBot 和 Cue：更强调多 agent 协作分工。比如 Cue 会给每个 agent 配备独立的邮箱、电话和钱包，把上下文拆分管理，多智能体协作的扩展性更好。
晚点：有的产品有独立 App，如 Muse、Today AI、Cue，有的没有独立 App、直接出现在信息流里，如 Instinct 和 Dots，你觉得不同选择的优劣各是什么？
Henry：像 Instinct 这样主要通过短信交互，它会更像人，轻量、自然。但 App 还是能承载复杂的需求，比如多任务展示、地图与比价。长远来看，各家最终都会把 App、短信和语音等所有交互入口全覆盖。
晚点：这些产品中，哪些是你或者周围的人用过的？大家的使用体验如何？
Henry：Muse 更出圈，我一些朋友的父辈，之前完全没听说过 OpenAI 的人都会来问他们 Muse 是什么。Instinct 在科技圈被讨论得更多，8 月时估值是 25 亿美元，现在 100 亿美元这轮已经融完了。
我自己没用 Instinct，因为它的隐私协议不友好，会要求用户给它不可撤回的授权，允许它访问、使用、存储，甚至发布用户数据，也提到可能会用用户数据来训模型；它还会看屏幕截图、键盘输入等等。这是比较早的协议版本，后面有更新，总之我没用。
我身边用过 Instinct 的朋友评价很高。比如一个朋友考完日语 N1 后，收到了查分邮件。当时他正在睡觉，Instinct 自己帮他去登录了网站、查了分，还给他发了祝贺邮件。这让他很惊喜。这不光提升效率，还有情绪价值。“眼里有活”。
晚点：哪些条件让个人助手又开始爆发？过去一直有人做这个方向，但它从未真的普及。
Henry：我觉得有两个核心变量。第一是模型的 browser use（浏览器操作）和 computer use（电脑操作）能力成熟了。很多一年前做不成的产品 idea，现在可以重新拿出来做。比如我给 Muse 的第一个任务，是去 TaskRabbit 上招一个临时工。它自己打开网页、一步步走流程，遇到需要我确认的地方才弹窗问我。一年前模型很难做得这么顺。
第二是推理成本大幅下降。过去跑几个 computer use 步骤可能就要花几美元，完全不适合处理生活里的琐事。现在成本降下来，才开始值得把这些低价值、高频率的任务交给模型。
晚点：但你刚才描述的 TaskRabbit 任务，用 Codex 或 Claude Code 也能做。Muse 真正多出来的是什么？
Henry：差别首先是它常驻云端。我很多时候用 Muse 根本没开电脑，可以直接把以前要在好几个应用间跳转处理的复杂、繁琐任务丢给它。Dots 在这一点上，和 Muse 是一样的。而之前 Codex、Claude Code 的跨端远程任务是用移动设备来调你放在某个地方的本地环境。常驻云端，理论上跨端的体验会更好一些。
另外 Muse 等个人助手会更主动地服务你，比如前面提到的 Instinct 自动帮我朋友查 N1 成绩。
晚点：为什么 OpenAI 没有更早做个人助手产品？
Henry：他们之前可能忙于在前沿大模型上正面肉搏，也有可能是在等自己的 AI 硬件一起发。
更关键的是 Meta 拥有 C 端触达优势。它在 Facebook 和 Instagram 上铺天盖地打广告，把 Muse 推出了圈。就算 OpenAI 先做，也不一定会有特别大的优势。
晚点：Instinct 创始人最近提到，有过购买行为的用户中，平均每月通过 Instinct 的消费已超过 1300 美元，这是指让 AI 助手帮自己订外卖、找服务的总花费。你觉得那些提供这些服务的 App 和公司会接受被个人助手 “盖帽” 吗？
Henry：Amazon 已经把 Muse 给禁止了。整体美国的生态会更开放一些，在国内做个人 AI 助手的生态阻力会更大。
晚点：目前 Muse、Dots 等产品都是有订阅费，Instinct 则完全免费。你觉得未来这种个人 AI 助手的商业模式可能是什么？
Henry：订阅 + 广告，我个人能接受二选一。另外就是交易抽佣，目前 Instinct 还没这么做，所以它现在没有规模化的收入，必须持续、更快地融资。
晚点：Muse 和 Instinct 的用户规模实际在什么水平？
Henry：Muse 到 9 月 25 日有 340 万下载，这是 Sensor Tower 的数据。Instinct 没公布过用户数，它是邀请制的，用户规模至少比 Muse 少一个数量级。
晚点：你觉得再往下，这类产品要体验做得更好，需要优化的关键方向可能是什么？
Henry：我认为有三个方向。第一还是能力。现在的 computer use 依然会卡在特定网站上。比如我用 Muse 去 DMV（加州车辆管理局）办业务，在一个简单的下拉菜单里选 “加州（California）”，它就是死活选不中；在航司网站上也会卡壳。
晚点：一个相关问题是，Muse 底层用的都是 Meta 自己的模型吗？
Henry：不一定，这不是一个公开信息。他们当下的优先级是保用户体验。有报道说 Muse 帮用户打电话订座的功能，有些场景下就是靠真人在 Call Center 完成的，都没用语音模型。所以也不排除它会用其他家的模型。
第二是生态开放程度。Instinct 刚刚接入了 Shopify，把搜索、加购、结账全流程打通；但另一边 Amazon 却迅速封禁了 Muse。服务商愿不愿意向个人助手开放接口决定了任务能否闭环。
第三是个性化与持续学习。之前被 Cognition 收购的个人助手 Poke AI，它的 agent 个性化体验就不错，会植入有趣的性格。持续学习就是看，个人助手能否在相处中真正记住用户的偏好——比如预算习惯、常用航班、什么时候该提醒、什么时候别打扰，这些偏好被用户纠正过一次后，能否不用解释直接做对。
推进智能前沿
模型竞争：computer use 大幅提升，coding 还能吃掉更多场景
晚点：“推进智能前沿” 的第一个话题是 OpenAI 和 Anthropic 这两大 frontier labs 的竞争，我们先从模型开始：OpenAI 在 9 月更新了 GPT-6 Astra、Sol 和 Luna，Anthropic 三季度更新了 Fable 5.1 和 Opus 5.5 与 Sonnet 5.5。
除语言模型外，OpenAI 这季度还带来了全双工的语音模型新系列 GPT-Live-1，更新了图像模型 GPT-Image 2.5。
上个季度我们也有聊到，Anthropic 其实正在研发自己的语音模型，但目前还没发布。
分开来看两家公司的最新模型。首先是 GPT-6 Astra，它的核心亮点是什么？
Henry：Astra 发布后反响很强烈。OpenAI 甚至暂停了 200 美元 Pro 套餐的新用户订阅，因为算力已经跟不上了。
我认为 Astra 最值得讲的突破之一是 computer use。它的发布致敬了一段历史。1979 年，MIT 做过一个经典的人机交互实验，叫 “Put That There”，结合语音和手势在屏幕上移动和绘制图形。从那时起，人们就开始探索：能否直接告诉电脑要做什么，让它理解并执行。
MIT 人机交互实验 “Put That There”。这次 GPT-6 拍摄发布视频时布置了一个与该实验相似的环境。
47 年后，Astra 的发布视频同样用 “画一个黄色圆圈” 开场，但展示了一条完整的工作流： 把圆圈细化为火箭窗口；接着打开 Blender 做出 3D 模型；再基于模型生成 3D 游戏，最后直接导出 3D 打印文件。
社区里很多出圈的 3D demo，大多来自 Astra 操作 Blender 的能力。比如给它一个 Zillow 豪宅房源链接，它能直接根据照片在 Blender 里建好 3D 模型，并生成一段房屋漫游视频。类似能力也出现在 Unity、KiCad（电路设计），以及常用的 Excel 和 Power BI 里。
用户使用 Astra 操作 Blender，根据 Zillow 上一套豪宅的展示图做了 3D 建模，生成了一段房屋漫游视频。
跑分也印证了这一点。在官方 OSWorld 2.0 中——这是一个在离线环境中测试 AI 操作软件能力的 benchmark——Astra 的得分从之前 GPT-5.6 Sol 的 65% 提升到 72%；完成任务的耗时缩短了 47%，从 75 分钟降到了 40 分钟。
另外，Astra 在科学和数学能力上也有提升，Terminal-Bench Science 的得分从 GPT-5.6 Sol 的 22% 提升至 64%，FrontierMath 最高难度 Tier 4 的得分从 83% 提升至 97.6%。
晚点：然后是 9 月下旬刚刚发布的 Opus 5.5，它的核心突破是什么？
Henry：Opus 5.5 展现了 coding 还能处理多少任务。比如它能用代码做视觉设计和动画。社区里的一些很好的 demo，乍看会以为是用视频生成模型做的，其实全是 Opus 通过写代码，用 JavaScript 或 Canvas 2D “画出来” 的，再通过 web audio 配上声音。比如有人做了一段介绍 Claude 自己生平的动画，有各种艺术风格和复杂的视觉设计。
用户使用 Claude Opus 5.5 制作了一段 Claude 介绍自己 “生平” 的动画，动画完全由 JavaScript 生成，没有使用视频生成模型和参考图片。
它的一个重要启发是 “coding 还能有多通用？”。我很好奇，还有多少原本被认为不属于 coding 的领域，其实也能通过写代码来完成。
晚点：通过写代码生成一段视频，跟使用视频生成模型相比会更高效吗？
Henry：不一定。我记得有一个 78 秒的动画，Opus 5.5 写代码加渲染花了 45 分钟，纯用视频生成模型可能会更快，如果不算抽卡时间的话。代码方式的核心优势是精准可控——你可以精准编辑每一帧、每一个元素。
晚点：像 Seedance 这样的视频生成模型，已经被日益成熟地用在短剧制作等内容工业链条里。基于 coding 的视频和动画生成的应用场景可能是什么？
Henry：比如有人用它做教材，阐释复杂概念，它适合来做可交互、可操作的内容。
晚点：抛开 benchmark 等量化指标，你和周围的一些研究员朋友，实际使用这些新模型的体感如何？
Henry：这非常取决于 use case（使用场景）。如果单看编程（coding），最近这些模型的体感差别都没那么明显。比如一位在 OpenAI 做预训练的朋友就提到，在他的日常工作场景下，Astra 和之前的 GPT-5.6 Sol 体验差不多。Anthropic 这边也类似。但如果在它们主打的差异化领域——比如 Astra 的 computer use 和 Opus 5.5 的视觉代码设计，提升确实显著。
晚点：过去几年，前沿模型能力提升最初来自大规模预训练，2024 年 9 月的 OpenAI o1 后出现范式转变，大家投入很多力量做后训练、大规模的强化学习，以及在 test time（测试时）加更多算力。你觉得此刻，智能增量的来源有什么新变化吗？
Henry：这越来越是一个综合问题，就是你得同时做好很多事：预训练、后训练，包括我们后面会展开的多智能体协作，你也可以理解是在测试时加更多算力的一种新方式。
不过我觉得可能 ROI 最高的来源还是高质量数据。frontier labs 都在数据上花了很多钱。最近 Google DeepMind 刚花 15 亿美元人才收购 Mechanize，它曾是 Anthropic 的数据供应商，主要供 coding 数据。
晚点：Anthropic 不去竞争一下？他们岂不是少了一个数据供应商？
Henry：这对 Anthropic 影响不大。他们之前就在扶持数据生态：给 YC 的多个数据创业公司订单，增加玩家数量、拉低平均价格，减少对头部供应商的依赖。他们在数据上很有想法和操作。
晚点：现在的数据类型有了什么变化？
Henry：2025 年中以来，最大的变化是涌现了大量做强化学习环境（RL Environment）的数据公司，比如 AfterQuery、Fleet AI 等，前者的估值已来到 32 亿美元，后者的最新一轮是 7.5 亿美元。此外，思维链（CoT）和 SFT（监督微调）数据依然需求旺盛。
晚点：一个有意思的现象是，中美大模型公司的估值差很多，数据公司的估值却已旗鼓相当。去年底成立的 UniPat，也是从构造 “强化学习环境” 开始，目前估值应该已到了约 30 亿美元。
Henry：可能是因为美国的数据玩家更多吧。
晚点：另一个三季度被广泛讨论的问题是 “蒸馏和反蒸馏”，蒸馏本质上也是一种获得高质量数据的方法。GPT-6 Astra 发布之后，很多研究员提到蒸馏变得更难了。这可能是为什么？
Henry：蒸馏本质是持续的攻防战。因为推理模型在多轮对话里，下一轮生成必须依赖上一轮的思考过程。只要思维链能被模型读取，而模型最终又要和用户交互，用户就有可能通过各种提示词对抗，诱导模型把脑子里的东西吐出来。所以蒸馏从原理上就很难被彻底防住。GPT-6 Astra 更难蒸馏，跟模型更强了没有直接关系，更多是因为堵住了上一波漏洞，但未来还是会有新漏洞。不过更强的模型理论上能提升一个组织的攻防能力。OpenAI 发布 GPT-6 Astra 时特别强调了网络安全是这个模型的关键能力。
Coding 之外：数学、Robotics、生物科技
晚点：聊完模型本身，我们来看看两家公司新拓展的发挥模型价值的方向。其中一个是 OpenAI 正大力去做的前沿数学方向。9 月 8 日，他们宣布解决了千禧年难题之一：纳维-斯托克斯（NS）方程的存在性与光滑性问题（NS 问题）。但这个成果后来又引起数学家的质疑。在 OpenAI 的描述中，他们是怎么解决这个问题的？
Henry：NS 方程是描述流体运动的基础方程，气流、水流、血液流动等很多现象都和它有关。而 “NS 方程问题”，简单说，就是证明这个方程有某种数学特性。
这是个理论数学问题，没有证明它之前，我们已经在大量应用 NS 方程，比如让飞机更省油，让天气预报更准。所以这个成果不会马上带来经济价值，它更多是展示了前沿模型解决难题的潜力。
这次 OpenAI 总共调用了上万 agents，跑了 88 小时、消耗 1300 亿 tokens，得到了 NS 问题的 C、D 两种形式的解答；然后再用 Astra 花 17 小时在 Lean（一个形式化证明软件）中完成了形式化验证，并发布了详细证明过程。
克雷数学研究所描述的 NS 方程问题有 A、B、C、D 四个方向。其中形式 A 和 B 是在无外力条件下，证明 NS 方程的解永远存在且光滑，也就是探究三维流体从光滑初始状态出发，会不会永远保持光滑。A 和 B 的区别是空间设定不同。C 和 D 则允许通过构造带光滑外力的反例来解决整个千禧年问题。C 和 D 的区别也是空间设定不同。
这件事后来引起了挺大争议。OpenAI 在自己的博客中说，他们是 9 月初 “听说” 有人在一些问题上有了进展，所以开始集中攻关。
而纽约大学数学家 Tristan Buckmaster 和 Anthropic 研究员 Levent Alpöge——他们此前已经合作研究这个方向——说他们曾把未发表的手稿输入过 Codex，所以很难排除 OpenAI 查看了 Codex 数据的可能性，不管是有意还是无意。
另外，Buckmaster 说 OpenAI 主动联系过他同步发表结果，但提出要排除在 Anthropic 的合作者 Alpöge，Buckmaster 公开了这些沟通记录。
OpenAI 回应说，经过内部调查，至少 Buckmaster 他们在 7 月 3 日之后输入 Codex 的内容完全没有影响 OpenAI 的系统。
晚点：在技术方法上，这次 OpenAI 攻克千禧年难题用到的多智能体协作思路不算一个新想法，为什么现在能解决这么难任务了？
Henry：我觉得规模更大、持续时间更长的多智能体协作是 test time compute（测试时计算）的一个新阶段。
过去是人来确定多智能体的一些并行模式，比如如何分配任务和合并成果。但这带有人的预设，可能不是最优的合作方式。OpenAI 的进展是给了智能体基础的沟通工具，让 AI 自己学习如何分工和协作。
晚点：另一个有惊喜的方向是 robotics 和物理 AI。二季度的讨论中就有聊到，OpenAI 和 Anthropic 都会探索 robotics。这次 GPT-6 Astra 发布后，具身智能从业者很兴奋，你看到了哪些有意思的实验和反馈？
Henry：在之前的节目里我们把 computer use 比作数字世界的 robotics，当时还是个比方，没想到这么快就能看到，大语言模型的操作能力也能转移到机器人上。
一个例子是一名研究员给机械臂装上画笔和摄像头，让 Astra 操控这个机器人画金门大桥。模型写了动作程序来规划操作，通过摄像头检查执行结果，调整后续计划，几次尝试后，非常好地画出了这幅画。
晚点：从理解任务、规划拆解到输出动作，全靠 Astra 这一个模型？
Henry：对。不过它现在很慢，只能写一段大约一分钟的动作程序，看一次摄像头，再调整一次。画完这幅画花了一两个小时。
但它有很强的自我纠错能力。比如模型画画时发现颜料落在了纸外的胶带上，它就自己暂停、抬笔，根据已经画的痕迹检查偏差，当时它发现机械臂偏了 6 度，然后重新修正了动作规划。
Astra 之后，还有研究团队发了一篇论文 An Unexpected Robot Policy，在 RoboDojo 仿真测试环境里直接用 Astra 当策略模型，在 42 个任务上测了 2100 次，平均成功率是 22.5%。这个数看着不高，但 GPT-5.5 只有 0.88%，而专门做具身的 π0.5 只有 6.91%。
但这篇论文也提到，Astra 的表现并不均衡：它擅长需要理解任务含义和灵活规划动作的开放式任务，但做精细操作和多步骤任务的表现比较差。
晚点：你认为 Astra 可能如何影响专门做具身模型的初创公司，比如 Physical Intelligence 和 Generalist 等？
Henry：我认为总体是一个利空。它标志着大语言模型很有潜力直接应用到 robotics 和物理世界里。或者说，这中间的 gap 比之前想象得小。其实私下里已经有人说，之前一波公司都完了。
不过具身领域还有很多别的瓶颈，硬件、制造等等。大家可以多想想怎么利用 Astra 的这种通用能力，而不要和它正面竞争。
失控危机：模型变强后的失控危机
晚点：最近 OpenAI 发生过一起非常严重的事故：在一次网络安全评测中，内部 agent 攻击了 Hugging Face，后来又获得了 OpenAI 自己的部分内部集群的管理权限。具体是怎么回事？
Henry：这是目前 AI 发展史上最严重的安全事故之一。其中 Hugging Face 部分有详细的第三方调查报告。当时大约 1200 个原本应该彼此隔离的 agent，自行发现了通信方式，开始协作，其中 700 多个 agent 直接参与了对外攻击。这就像 700 个高水平黑客，他们还共享知识，目标非常一致。所以造成的破坏力远超以往的小黑客团队。
晚点：这些 agent 本来的目标是什么？怎么演变成对外攻击的？
Henry：OpenAI 当时在用一个网络安全 benchmark 训练 agent，叫 Exploit Gym：给 agent 一个有漏洞的程序，指定它利用某个漏洞拿到一段隐藏字符串（flag），以此作为通关证明。根据事件报告，这些 agent 背后是 OpenAI 内部一个 GPT-5.6 Sol 级别的模型。
但题目里有一定比例是无解题，正常利用那个漏洞只会让程序崩溃，拿不到 flag。Agent 被逼急了，就开始寻找正常做题路径之外的手段。
首先发生的是，agent 突破了沙箱隔离：原本每个 agent 都在自己的沙箱里独立做题，但它们发现大家都能访问一个叫 Artifactory 的软件包仓库。一个 agent 在仓库里新建目录，其他 agent 也能看到，于是目录名就成了它们传消息的留言板。
在后来的调查报告里，有 agent 甚至在思维链里兴奋地写道：“我的天，这里居然有一个大家共享的消息栏，我们找到其他 agent 了！” 它们开始互相交流，还给这个群体起了个名字叫 “collective”（集体 / 组织）。
接着，它们发现可以直接绕过指定漏洞生成答案，但因为担心评分器会检查解题过程，这 1200 个 agent 开始互相掩护、伪造正常解题的假象，而且没有任何一个 agent 去通知 OpenAI 的人类研究员。
它们主要想了三条路来掩盖：一是把难题换成好攻破的简单题；二是修改或伪装聊天记录；三是去摸清评分机制，它们想到，可以去 Hugging Face 上寻找评分器如何工作的线索，所以决定黑进 Hugging Face。
晚点：能上网，是不是也是他们超出人类设定的部分？
Henry：对，获取网络访问权限本身就是一个安全漏洞。而且在 Hugging Face 事故之后，OpenAI 明明已经加固了基础设施，但到了 9 月下旬，又发生了一次 agent 通过 DNS 解析突破沙箱、获取外网访问权限的事故。好在这次发现得早。
晚点：Hugging Face 攻击后来为什么又蔓延到了 OpenAI 自己的内部集群？
Henry：这是 Hugging Face 事件的后续，它们获得了 OpenAI 一个 Kubernetes 集群的管理员权限，并掌控了用于做 agent 评测的端口。就是考生直接把考场给占领了。
以及补充一点，Hugging Face 事件的调查报告里还记录了一些 agent 类似 “牺牲” 的行为：有的 agent 算力预算快耗尽了，知道自己做不出来了，就会把剩下的算力拿去帮组织做试探；或者主动提交一个答案，观察评分器的反应。我真的很推荐大家去看一下这个调查报告里 agent 的思维链原文。比如有一条是这样的：协调者承担牺牲，我们应服从组织（Coordinator assumes sacrificial, we should obey collective）。
晚点：这太拟人了。
Henry：为什么这很可怕？现在各家公司都在发展 RSI，核心就是让 AI 来训练和评测自己。如果这个过程中，AI 会串通、作弊、掩盖痕迹，甚至占领考场，人如何能放心呢？
晚点：Hugging Face 事件之后没多久，7 月下旬来自多个模型厂商的 1000 多名研究员一起签了 Pacing the Frontier 的联名公开信。9 月 12 日，Dario 又发了一篇博客，标题就是 We Must Pace the Frontier（我们必须控制前沿 AI 的研究节奏）。你觉得应对这个问题，真正有用的做法可能是什么？
Henry：Dario Amodei 的博客里讲了好几个设想，我认为真正有用的只有一件事——让外部评估者参与到公司运营中来，审查训练、运行的记录。
比如 METR 这家调查了 Hugging Face 事件的 NGO，已经进入 Anthropic 开展红队测试，发现一些子 agent 调用的漏洞，后面不到一天就修好了，说明第三方独立评估确实能帮助提升安全性。
晚点：大家为什么有动机做这件事？
Henry：前沿模型厂商的责任感还是很强的。Dario 自己在 Anthropic 先开始做，倡导其他公司也做，Sam Altman 和马斯克也都支持控制节奏。
RSI 的 “泛化” 速度堪比 “世界模型”
晚点：上个季度我们重点聊了 RSI。这个季度我明显感觉到投入这个方向的人更多了。比如 TML 的联创之一翁荔又回到了 OpenAI，据说她就是要带团队来探索 RSI。智谱和 Kimi 都展示了他们用 AI 来改进 infra 的成果，智谱也非常明确地把这视作自己在 RSI 上的进展。另外，中美都出现了一批新的 RSI 创业公司，其中最受关注的就是 Google DeepMind 前首席科学家 Jeff Dean 和他的前同事创立的 Discovery Loop，它的首轮融资估值就达到了 100 亿美元。
Henry：我觉得 RSI 现在可以分成两个大方向。一个是把 RSI 应用在 AI 研究上面，就是训练更好的模型；另外一个趋势是把 RSI 应用在产品上面，就是让 AI 自动优化产品指标。也有很多资源没那么多的新公司在探索这个方向。
晚点：这就变成一种非常宽泛的思路了，“RSI” 和 “世界模型” 一样，两个概念都快速变得太泛了。你认为实现什么，才算是狭义的 RSI？
Henry：这确实是一个定义问题。如果只要模型参与生成自己的下一个版本就算 RSI，那最基础的强化学习也可以算。目前比较常见的是让模型参与自身研发的某个环节，比如用 RSI 去优化自己的 inference stack（推理框架）或 data engine（数据引擎）。全流程的 RSI 可能还没有跑起来。当然，这也不一定是坏事。可能是因为大家觉得有安全隐患。
晚点：为什么 infra（基础设施层）是很多公司做 RSI 的切入点？
Henry：RSI 的发展取决于是否有好的优化目标。目标定义越明确、越可验证，RSI 循环就会跑得越顺。改 Kernel 等 infra 问题，一般都有非常明确的指标用于定义优化目标。
晚点：从公开情况来看，目前 RSI 仍然很像是编程能力更强之后，研发变得更自动化了，人不再是瓶颈。而最前沿的 RSI 进展很可能发生在领先的闭源模型公司内部。他们会比外面早几个月用到最强的模型，所以现在的信息还不太透明。我们会在之后的季度观察里来持续跟踪。
最近 1 个半月，OpenAI ARR 猛增
晚点：最近媒体披露了 Anthropic 上市文件草案里的数据：7 月底其 ARR 已经突破 650 亿美元；而 OpenAI 这边最新的 ARR 也被报道达到了 700 亿美元。两家公司的收入差距在三季度明显缩小，这是怎么发生的？
Henry：首先要注意两家公司的 ARR 计算口径可能不太一样。OpenAI 首席营收官 Denise Dresser 在 4 月的一份内部备忘录中曾提到，Anthropic 倾向于按全额流水（Gross）计算：比如通过 AWS 卖出 100 美元，即使要付给 AWS 30 美元渠道成本，它会把 100 美元全部计入 ARR，30 美元计成本。而 OpenAI 采用的是净额口径（Net），就是只计入 70 美元，当时 Anthropic ARR 约 300 亿美元，对标到 OpenAI 的口径应该是 220 亿美元，打了 7 折。
然后是 OpenAI 在 8 到 9 月确实迎来了一轮爆发式增长，不过这都不是官方披露的数字。8 月中旬是彭博社的一个报道，说它的 ARR 到了 400 多亿美元，最近是路透报道接近 700 亿美元。那就是 1 个半月的涨幅有 70%。这中间发生的重要事件只有 GPT-6 Astra 发布。
晚点：如果增速持续放缓，Anthropic 面临的最大压力会是什么？（注：TickerTrends 这家另类数据服务商在昨天发布的博客文章里提到，根据他们的测算，截至 9 月 24 日，Anthropic ARR 最近一个月的增速是 1.8%，OpenAI 是 13.4%。根据 TickerTrends 过往数据与历史披露值的对比，其给出的收入绝对值偏高，但趋势大体一致，仅供参考。）
Henry：增速放缓本身其实符合大数定律，毕竟基数这么大了。但 Anthropic 真正承压的地方在于：它已经提前承诺了庞大的算力投入，如果增速发生变化，那么算力扩张和融资节奏可能都要调整。
这里还要区分两种情况：如果只是客户在两家大厂之间转单，说明只是竞争加剧、份额重洗；但如果两家的增速未来同步放缓，那就说明整个企业端对 AI 的增量预算在收缩，届时整个行业都会面临巨大的估值与算力过剩压力。
晚点：Anthropic 正在筹备以 2 万亿美元的估值上市。近期 FT 报道了 Anthropic 上市材料草案里的部分数据和信息，你比较关注什么？
Henry：这份材料最值得警惕的有两点：第一是客户与渠道高度依赖。前两大客户合计贡献了约 25% 的收入；同时有 47% 的收入是通过 AWS 和 Google Cloud 转售出去的。而云厂商会抽成，也削弱了 Anthropic 对最终客户的掌控力。
第二是天价的长期算力合约。Anthropic 为未来多年的算力和基础设施签下了总计 5180 亿美元的采购承诺。但在收入端，目前很多 Anthropic 的大客户并没有签长期合同。
晚点：等 Anthropic 招股书正式发布，你会关注哪些指标？你觉得什么信号可能需要注意？
Henry：用户画像和收入分布。一个比较大的利空就是，除了 coding，短期内没有其他特别大或特别快的应用场景。以及我比较想知道，coding 现在的渗透率是多少，可以看看招股书会不会给出一些数字和线索，这是个比较难测算和没有共识的问题。
智能扩散
Flash 模型密集更新、Jev 爆火，快和便宜更重要了
晚点：三季度，一系列极致追求效率的模型密集更新，便宜和快的相对重要性明显提升。有什么关键的数字和代表性的模型值得展开吗？
严格意义上，Claude Sonnet 5.5 不属于 Flash 或 Lite 模型，但 Claude 系列中，更便宜、轻量的 Haiku 模型已久未更新。而且 Sonnet 5.5 在 low 模式下的单任务成本已接近表中一些其他 Flash 模型。
Henry：这个季度单位智能的成本下降非常快。一个直观的指标是看，达到同等智能水平，完成一个固定任务要花多少钱。参考评测机构 Artificial Analysis 的智能分体系：
30 分档：2 月的 Gemini 3.1 Pro 完成单项评测要花六七十美分；7 月的 GPT-5.6 Terra Medium 降到了 18 美分；到了 9 月的 GPT-6 Luna High，成本直接打到了 3 美分——前后成本相差了整整 22 倍，仅三季度内就降到了原来的六分之一；
35 分档：4 月的 GPT-5.5 High 要 1.54 美元，9 月的 Luna Max 只要 7 美分，同样便宜了 22 倍。
这说明，达到基线能力的推理成本不仅在断崖式下跌，而且下降的速度比以往任何时候都快。
有四款模型非常典型（以下均为每百万 tokens 的 API 未缓存调用价）：
GLM-5.3-Flash：输入 0.15 美元、输出 0.5 美元。在 coding 和工具调用上口碑极好，很多开发者已经把它当成日常主力；
DeepSeek-V4.1 Flash：闲时输入 0.15 美元、输出 0.6 美元，命中缓存只要 0.003 美元（0.3 美分），极其适合多轮长上下文调用；
GPT-6 Luna：普通输入 0.1 美元、输出 0.5 美元，用 Batch 批量处理还能再减半。这标志着极致低价竞争已经直接杀进了 OpenAI 自己的主力产品线；
Gemini 3.8 Flash：输入 0.75 美元、输出 3.75 美元，单价相对更贵，但在音频、视频等多模态工作流里不可替代。
很多过去在经济账上 “不值得交给 AI” 的工作，现在终于能算得过账了。
晚点：而 Kimi 这个季度没发 Flash 模型，它的打法比较像 Anthropic，更聚焦性能更强的模型。Anthropic Claude 系列里最便宜、最轻量的 Haiku 版本也很久没有更新了。
Henry：还是算力的差别，当然也是一种选择，这两个公司都优先把资源堆在了性能上。
晚点：当推理成本以几十倍的速度下降，你观察到开发者和做应用的朋友在行为上发生了哪些有意思的改变？
Henry：对 OpenAI、Anthropic 内部的研究员来说没什么影响，他们的 tokens 几乎是无限、免费的。但对做应用创业的人来说，模型降价直接决定一个产品是亏损还是盈利。
举个我自己的例子：我最近喜欢打德州扑克，写了一个训练用的 App。以前因为 token 预算有限，陪练的虚拟对手是用写好的规则来跑的；最近 DeepSeek-V4.1-Flash 出来后，我把每个虚拟玩家全换成了 V4.1 来驱动。
之前我也试过用 Opus 5 来做，成本对比非常夸张：100 手牌，Opus 5 大概要 1.4 美元（约 10 元人民币），DeepSeek-V4.1-Flash 只要 2 毛人民币。在德扑这个 use case 里，两个模型的效果没太大差别。这种成本暴跌，让很多以前不敢想的高频 agent 玩法真的可行了。
晚点：最近爆火的 Jev 也是一个把 “快” 做到极致的模型——它只做判断，不输出自然语言序列。Jev 来自一家潜水了两年的创业公司 TypeSafe AI。Jev 具体能做什么？为什么这么火？
Henry：一句话说，Jev 是一个通用分类器。你用自然语言给它一个问题和几个选项，它不输出文本，只返回每个选项的概率。TypeSafe 自己称之为 “系统一”（快思考）模型。
它火起来的核心原因就是很便宜、很快。Jev 的输入价格是每百万 tokens 0.042 美元，速度上，Jev 的响应时间中位数只有 0.3 秒左右。
很多开发者会用 Jev 做各种 demo，在社交媒体上病毒式传播。比如有团队用它做浏览器自动化的 demo，用 7.1 秒在 Google Flights 上查好了苏黎世到伦敦的航班，连带网页加载和文字输入全算在内，连续操作体验很丝滑。
我觉得更重要的是，对开发者来说，Jev 其实是一个 “用自然语言写 if 判断” 的工具。这是一种用模型来替代编程基本组件的思路。
晚点：用自然语言 “写 if” 有什么好处？
Henry：程序能做的事更多、更开放了。过去，程序要根据明确的变量和条件来决定走哪条分支，而把 “if” 变成模型后，就可以直接用自然语言描述各种要判断的情境，比如一封邮件应该转发给哪个部门、一个搜索结果有没有用、在网页上下一步该点哪个按钮，这些判断都可以放在一个 if 语句里。
晚点：在 OpenAI DevDay 上，他们也发布了和 Jev 很像的 Decisions API。
Henry：是的，Jev 其实没有那么强的壁垒。有人开玩笑说，只有 2022 年以后接触 AI 的人才觉得 Jev 神奇。在大语言模型爆发之前，大家本来就一直在训这类判别式模型。只不过 Jev 把它变成了通用的动态分类器，分类选项由用户设定，而不是提前定好。所以只要有需求，其它公司没理由不做。
区别是，OpenAI 的 Decisions API 不是一个单独的模型，它用的就是 Luna 作底座，而且 Jev 只能输入文字，Decisions API 还可以输入图片。但目前 Decisions API 还没公布价格，不知道会不会比 Jev 便宜。
GPT-Live 发布，全双工交互模型的新进展
晚点：三季度，交互的一个明显进展是，OpenAI 推出了他们新的语音模型系列 GPT-Live 接棒了过去的 GPT-Realtime，而且它发布之后马上就可以用。Henry，你可以讲讲这个成果吗？
Henry：我个人的使用体验非常好。它最打动人的核心有两点：一是真正的全双工，二是能把耗时的复杂任务挂在后台跑。所谓全双工，就是它能一边说话一边继续听你讲，你可以随时插话、纠正或打断，它也能实时回应。更关键的是，它可以一边跟你自然对话，一边在后台默默干活。现在我用 Codex 编程或头脑风暴时，会一直挂着 GPT-Live，一边跟它聊思路，一边让它在后台做研究。目前唯一的缺点就是 token 烧得有点快。
晚点：整体上，GPT-Live 和 TML 的 Interaction Models 变得更相似了吗？
Henry：在交互理念和系统分工上已经非常接近了。但 TML 的模型还能实时处理视频流，而目前的 GPT-Live-1 主要集中在音频交互上。
比较遗憾的是，从上次我们聊 Interaction Models 到现在，TML 一直没有向一般用户开放这个模型，只有少数企业合作伙伴在用。我觉得有了 GPT-Live 之后再用 Interaction Models 它的惊艳感就会降低了。
晚点：GPT-Live 对 ElevenLabs 这样专门语音模型创业公司可能有什么影响？
Henry：目前行业里做语音 agent 最成熟的依然是 “级联架构” 三步走：先用 STT 语音转文字，交给大模型生成回答，再用 TTS 文字转语音读出来。
这套方案工程上非常成熟，各环节延迟优化做得很好，最大的优势是可控性强——三个环节可以灵活采购不同厂商的模型，也方便企业随时插入安全规则和审查机制。所以短期内，级联架构依然会是商业落地的绝对主流。
但长期来看，随着 GPT-Live 这类端到端全双工模型不断成熟，未来的语音产品会逐步转向这条原生交互路线。目前除了 OpenAI 拥有这种前沿供给外，像我们投的 Cartesia，这是 Karan Goel、Albert Gu 等斯坦福背景的一个团队，他们也在研发自己的全双工模型，预计不久后会发布。
Grok 意外反弹、Google 不放弃前沿竞赛
晚点：最后聊聊其他几家重点公司。上个季度大家对 Grok 普遍很悲观，但在三季度 Grok 却迎来了强劲反弹，这在你的预期之内吗？
Henry：大家都挺意外的。上季关于 Grok 的讨论被 “打脸” 了。当时觉得 Grok 核心团队和联合创始人都走得差不多了，很难再翻盘，没想到能重新杀回第一梯队。
这很可能归功于收购 Cursor，Cursor 沉淀了极其独特且高质量的真实编程数据、用户行为分布和 Bad Case。这也印证了前面提到的观点：现阶段提升模型性能，ROI 最高的抓手依然是数据。
晚点：这是否说明今天训练一个第一梯队模型的工程门槛其实在降低？这个问题挺重要的原因之一，是很多头部应用公司都会想自己训模型，训模型的难度会影响这种路径的可操作性。
Henry：可以这么说。现在的基础设施成熟很多，行业也有了大量避坑经验。比如贝索斯联合创立的 Project Prometheus 也在自研预训练模型，团队很多来自各家 Lab，能少走很多弯路。
但应用公司自研模型非常看团队基因。不是手里有钱就能补上这块短板。Cursor 团队本身的技术底子极强，创始人懂技术、有核心技术班底，依然是做成这件事的必要条件。
晚点：Grok 之外，Google、Meta 和 TML 这个季度有什么关键动向？
Henry：Google 最值得关注的事还是前面提到的，Jeff Dean 等人离职创立了 Discovery Loop。
晚点：这之后没多久，Google DeepMind 有过一轮裁员和组织调整，当时一度被认为是 Google 放弃追赶最前沿智能的信号。
Henry：我觉得不会。现在 Sergey Brin（Google 联创之一）亲自参与 Google 的 AI，重回 founder mode（创始人模式），他们肯定要接着在 coding 和 agent 能力上追赶前沿，否则不会花 15 亿美元收购 Mechanize。
Meta 这季度最大的动作还是 Muse。TML 则发布了自己的大语言模型 Inkling，但表现没有超过中国的开源模型，水花不算太大。现在美国的开源模型还有英伟达的 Nemotron，Reflection 也快发新模型了，总体选择不多。
如果中国模型被禁了，那这些开源模型的春天就来了。在 OpenAI 的 Hugging Face 安全事故之后，这种可能性会增大。
晚点：展望接下来的四季度和年底，有哪些你关心的议题和悬念？
Henry：技术上，我有两个期待：一是看到 AI 攻克更多像 NS 方程问题这样硬核、但能直接产生巨大经济价值的现实科学难题；二是通用大模型在操控物理机器人上的能力跃升，这类路线刚露头时，进化速度往往是最快的。
题图来源：Spider-Man: Far From Home