腾讯科技企鹅智库旗下AI领域一周观察：一周一期，比信息整合深一步
文｜博阳
编辑｜徐青阳
01
产业
Jev 之后，OpenAI、Liquid 与微软把快速决策做成独立产品
在Jev取得成功之后，一众大厂迅速跟上。
OpenAI 10 月 6 日在 API 官方公告中推出基于 GPT-6 Luna 的 Decisions 测试版，让程序直接获得选项、分数或概率，官方称速度约为 Responses 接口的 10 倍。Microsoft 10 月 9 日发布产品Decision-1，Liquid 10月7日发布d1。这些产品和Jev的区别整体都不大。
这说明这一产品模式已经被大厂开始吸收。
目前Jev本身已经被应用在招聘初筛领域。TypeSafe 10 月 7 日发布《Jack & Jill & Jev: Cutting candidate screening costs by 88%》，报告招聘平台 Jack & Jill 用 Jev 替换初筛环节的 Gemini 3.1 Flash Lite，每个岗位先从 6000 名候选人中保留 2000 名，再交给更强的模型细筛。
该公司案例披露，每千名候选人的模型费用从 0.755 美元降至 0.092 美元。在 150 个真实岗位的离线测试中，对招聘经理后来要求见面的候选人，保留率从 93.9% 变为 94.6%，差异没有统计显著性。
初筛保留了相近比例的有效候选人，把后续昂贵模型的调用集中到较小的候选池。若其他业务也能保持原有质量，应用就可以先用便宜模型筛选，把少量复杂情况交给更强的模型，原来因成本而延后或省略的检查，也可能变成即时功能。
对供应商而言，这会分走通用模型的一部分调用。因此大厂们的快速跟进在商业上很合理。
Claude 走进 Gemini Agent，Grok Bot 也宣布接入：AI 产品开始拆墙
10月 7 日，马斯克在 X 上宣布，Grok Bot 今后会按任务选择后端模型，包括 Claude Opus 5.5、Midjourney 和 Suno。
10月 8 日，Google Cloud 在《Welcome to Gemini at Work 2026: Introducing the Gemini agent》官方公告中明确，未来Gemini Agent 也将和Antigravity一样，调度 Gemini 和 Anthropic 的 Claude Opus 5.5 和 Sonnet 5.5。
自家产品与自家模型的松绑，目前已经形成了一点趋势的苗头。
平台为什么愿意把竞争对手请进来？模型领先位置会变化，但用户的文件、工具授权和长期任务可以留在一个入口里。接入外部模型，给了Agent平台保留用户的另一条办法：即使自家模型暂时不适合某项工作，也能调用外部能力把任务完成。
入口竞争因而会转向到谁能积累用户的工作资料、接入更多服务。保留围墙的价值在Agent时代越来越小。
GPT-6 让 ChatGPT 的回答变成能直接用的小工具
OpenAI 10 月 7 日发布产品公告《GPT-6 and Intelligent UI for everyone》，为 ChatGPT 加入 Intelligent UI。它让回答里出现可以点击、填写和调整的小工具：请它帮忙分账，可以直接得到分账器；请它解释一个概念，可以得到能操作的示意图。用户一边看解释，一边在同一条回答里动手试。
公告中的聚餐演示最容易理解。用户说想请朋友吃烤羊肉，还没确定人数。ChatGPT 给出菜单，并在采购清单上方放了人数的加减按钮；用户调整人数，清单随之重算羊肉、土豆等食材的用量，还能一键复制。下面的做饭时间表带有勾选框，每完成一步就可以勾掉。临时多来一位朋友时，用户点一下按钮就能改清单，省去重新描述条件、等待整段回答再生成的过程。
OpenAI 提供了一套供模型调用的界面组件，GPT-6 根据问题决定怎样组合；界面会随着回答逐步显示，无须等整条回复生成完。模型也要判断什么时候值得做一个可操作的界面，什么时候几句话就能说明白。
这会改变一部分小工具的使用方式。为了临时算一次账、安排一次聚餐，用户可以先把需求交给 ChatGPT，由它按这次的条件组织界面，再通过按钮和输入框调整。对只解决单一、偶发需求的工具网站来说，用户原本会去搜索、打开网站、填表，现在可能在聊天里就做完了。
在Q2的趋势报告中，我们曾预测未来的Agent不会消灭UI，而是在内部生成UI，消灭外部应用。
目前这个未来正在实现。
OpenAI 年化收入改报 500 亿美元，700 亿口径来自对标 Anthropic
Reuters 10 月 8 日发布、9 日更新的媒体报道确认，OpenAI 告诉投资人的 9 月年化收入接近 500 亿美元；此前广泛传播的数字接近 700 亿美元。
之所以会有这个差别主要因为渠道销售计算不同。Anthropic 记渠道销售全额，OpenAI 部分销售只记自身份额。因此OpenAI过去按Anthropic方法记录的收入，就多出了200亿。 Reuters 则给出一个能说明渠道重要性的数字因此，收入排行榜既受用户购买量影响，也受渠道销售如何入账影响。
投资人为什么要调整数字？两家公司争夺资金时，收入规模和增长速度是最容易传播的比较依据。调整成可比口径本来有助于判断，但调整后的数字如果脱离说明单独流传，读者就会把它当作公司直接披露的经营成绩。
实际上模型公司商业比较中的一个盲点。借助云平台卖得更多，与扣掉渠道和算力成本后能留下多少钱，是不同的问题。Anthropic 经云平台取得的收入，每美元约要向平台支付 16 美分；这类销售在 2025 年约占其收入的一半。云平台帮助模型公司触达客户，也从销售中取得分成。
随着更多模型通过第三方平台销售，单看一个不断刷新的年化收入数字，会越来越难判断谁的商业模式更好。
Haiku 5.5 跟进 Luna 降价，便宜模型开始接手Agent的日常工作
Anthropic 10 月 7 日通过产品公告发布 Haiku 5.5，把不超过 10 万 token 的请求定价降至每百万输入 0.10 美元、输出 0.50 美元，分别只有 Haiku 4.5 的十分之一。这个价格与 OpenAI 9 月 22 日发布的 GPT-6 Luna 一致：Luna 的输入价从上一代的 0.20 降到 0.10 美元，输出价从 1.20 降到 0.50 美元。
两家先后把廉价型号推到同一个价格档，开始争夺Agent流程中数量最大的日常调用。
价格下降的同时，小模型能接手的工作也在增加。Plotly 10 月 7 日公布数据分析测试：保持工具和提示相同，让模型回答模拟风电数据库里的 43 个问题。Haiku 4.5 做对 27 题，整套测试花费 3.27 美元；Haiku 5.5 做对 37 题，花费 0.38 美元；GPT-6 Luna 做对 38 题，花费 0.13 美元。Haiku 的中位任务耗时也从 17 秒缩至 14 秒。过去需要在低价和可用性之间取舍的分析任务，如今可以用更少的钱完成更多。
这种变化会直接影响Agent怎样分工。Anthropic 公告引用 Rogo 的例子：让大模型负责制作整份演示文稿，再把阅读公司年报、提取某个业务部门收入这样的工作交给 Haiku。大模型继续负责规划和整合，重复查资料的费用则按小模型计算。一次任务里需要读的文件越多，这种分工越值得做。
随着SubAgent逐渐成熟，便宜执行模型的用途随之扩大。而智能分配的重要性也就越大。
Mistral Large 4 综合成绩追上 Luna，欧洲部署成为争取客户的理由
Mistral 10 月 6 日通过公司公告发布 Large 4 API 预览，计划月底开放权重。模型在公司自己的欧洲数据中心训练和提供服务。这次发布对 Mistral 的意义，是拿出一个能与主流对手竞争的模型，给希望在欧洲处理数据的客户增加选择。
Artificial Analysis 10 月 6 日的独立评测给 Large 4 的综合智能指数打出 38 分，与最高推理档的 GPT-6 Luna 同分，接近 DeepSeek V4.1 Flash 的 39 分。网络安全是更突出的强项：在要求复现漏洞并修补的 CyberGym E2E AA 测试中，Large 4 得分 82%，MiMo V2.6 Pro 为 79%，Luna 为 78%。这让它在安全分析和修复任务上有了具体的竞争依据。
Mistral API 价格为每百万输入 1.36 美元、输出 4.18 美元，预览优惠期减半。它争取的客户主要是对数据所在地有采购要求的企业。对主要追求低价的开发者，中国模型仍在施加明显压力。
Reddit 的欧洲创业社区里，开发者 Atlan_ 在 10 月 7 日自述，已在自己的两个应用中分别用 Large 4 替换 Sonnet 5.5 和 Gemini，理由包括速度、费用和欧洲部署。10 月 9 日，同帖的 hnyaa-s 则质疑，相比 DeepSeek，多花的钱是否值得。这种分歧有现实基础：Artificial Analysis 计算的综合测试单任务费用，Large 4 按标准价为 1.13 美元，首两周优惠价为 0.57 美元，DeepSeek V4.1 Flash 为 0.27 美元。
Poppy 逐渐成为个人Agent A2A权限的标准接口
Sierra 10 月 9 日发布《Sharing a draft of Personal Agent Protocol》公司公告，公开 Poppy 协议草案，并新增 OpenAI、PayPal、Visa、United Airlines 等 35 家设计伙伴。该协议由 Sierra 与 Meta 等公司在 10 月 6 日先行宣布，处理个人Agent代表用户与企业办事时的身份、授权和会话衔接。
以退货为例，个人Agent先找到商家的协议入口，表明自己代表谁。用户在商家页面完成授权后，Agent可以接着使用网站、业务接口，或与商家的客服Agent交谈。
草案把这些渠道连在同一个会话里，使先前询问退货政策、随后登录、最后申请退货成为一次连续办理。商家可以沿用现有网站和接口，也能决定向Agent开放哪条路径。
Sierra 的公告还介绍了 10 月 6 日的现场演示：Rocket 产品负责人 Alex McGillis 请 Meta 的个人Agent Muse 办理房贷预审批，Muse 找到 Rocket 的企业Agent；用户登录并授权提供信用和收入信息后，两个Agent继续处理房价、首付与利率，生成预审批信。
这让协议的用途具体起来：复杂业务可以由两边的Agent协商推进，企业已有的审核流程仍由企业一侧承接。
02
研究
Agent在无具体目标下，开始自行在学中玩
MIT 等团队的 Nathan Cloos、Jacob Andreas、Daniela Rus、Phillip Isola 等研究者，10 月 5 日提交论文《Is this machine playing?》。其中13 个基于 Claude Code、使用 Opus 4.7 的 Eko Agent在只要求自己去找事做的数字岛屿上各活动 30 小时，自行选择搭建、运动和探索。每小时世界与对话重置，文件中的经验笔记保留。
这些经历后来派上了用场。在一小时内尽量多搭五层积木塔的测试中，有经验组 13 个Agent里有 8 个搭出超过两座塔，零经验组只有 2 个。原因可以追到一条具体知识：用力扔石头能产生更多积木。作者从某个Agent的记忆里删掉这项技巧后，它平均搭出的塔从六座降到两座，其余三项任务成绩没有同样变化。
这项实验的意义是，第一次证明了在没有具体任务请求的情况下，Agent拥有了一定的自主性。在5个对照试验中，Agent甚至都没有好奇心预设，而接受到的Prompt也仅为「开始，做你想做的任何事儿」。结果其表现与有好奇心人设的Agent非常近似。
CLM ，把Harness里的上下文处理学进模型
Meta Superintelligence Labs、MIT 的研究者，在9 月 29 日提交论文《Context Language Models》。
模型被训练把当前要读的内容放进可编辑文件，自己生成代码删除、改写和整理。外部工具执行这些操作后，再把整理后的内容送入下一轮调用。
在一个例子里CLM 学会了用一段代码批量删去过去无效结果，保留来源标识与已核实的进展。也可以原地维护任务状态和子Agent进度。
这些过去基本上都要完全交给外部Harness的插件规则处理。
模型自己管理记忆已有前作。Yi Yu 等 1 月 5 日发表的《Agentic Memory: Learning Unified Long-Term and Short-Term Memory Management for Large Language Model Agents》（AgeMem）已有添加、删除、检索和摘要工具。
CLM 将编辑动作进一步交给代码表达，使模型可以按当前任务整理材料，而不必每次都把全部历史压成一段摘要。它还保留每次调用当时读到的输入来训练。这条路线把长期任务中的一部分优化目标，放到了“下一轮究竟需要读什么”上。
新论文证明，后训练是模型在用户压力下撒谎的核心原因
Orion Reblitz-Richardson 10 月 6 日提交论文《Principled Under Pressure: Post-Training Decides Whether LLMs Act on Their Own Moral Judgment》。论文预注册 248 个情境，涉及完成任务、用户施压、违规捷径、偏袒自己群体和伤害第三方等五类压力。研究让同一模型分别判断别人该怎么做，以及自己会选什么。
测试模型包括 OLMo-3-7B-Instruct、Llama-3.1-8B-Instruct、Tulu 3 和 Qwen2.5-7B-Instruct。OLMo-3 在筛选出的压力情境里，约五分之一会选择自己判断为不该做的动作。与去掉压力的对应情境相比，新增差距约为 10 个百分点。论文把原本就存在的回答差异与压力增加的影响分别计算。
Meta 的 Llama-3.1-8B-Instruct 与 Ai2 的 Tulu 3 从同一批底座权重出发，前者出现判断与行动的落差，后者没有检出同样的落差。
这个比较让后训练成为重要线索：模型学会回答原则问题以后，还需要学会在“赶紧做完”“按用户要求做”等竞争目标出现时坚持它。
RSR 发明一种使用Agent工作轨迹的方法：让它自己重写一遍
Zongxia Li 等 10 月 2 日提交论文《Scaling Trajectories for Complex Tasks through Recursive Self-Rewrite》。
实验使用 Qwen-3.8-27B，让同一模型分别担任规划、审查和执行者：先借助不同专用工具流程做成任务，再写出操作手册，由执行者在通用 Terminus 2 环境的新沙箱里重新做一遍。审查者会检查手册有没有夹带答案或评分器信息。任务重新完成后，作者移除私有手册和审查对话，拿实际操作与反馈记录来训练。
这样得到的记录，从 2,001 条源轨迹扩展到 11,094 条成功重写轨迹。Terminal-Bench 2 测的是三次尝试内至少成功一次：原模型为 57.0%，直接拿源轨迹微调为 53.4%，RSR 为 74.2%。相对直接微调，高了 20.8 个百分点。
直接用源轨迹训练后的成绩低于原模型，这让 RSR 的价值更容易理解：专用工具里做成任务的记录，拿到另一套环境里未必是好教材。重新执行把操作方式改写成训练时要使用的工具和反馈格式，同时扩充了成功样本。
对积累了大量Agent日志的团队，这提供了一条把零散成功经验加工成可训练数据的路线。
OpenAI 批量公开数学手稿，数学界争论怎样把证明变成知识
OpenAI 10 月 6 日发布《Sharing AI progress in mathematics》公司公告，并公开 GitHub 的 math 成果仓库。官方称结果来自尚未发布的内部前沿模型，没有给出具体型号；部分证明使用 Lean 语言，供计算机检查。截至 10 月 12 日，仓库保留 719 份手稿，覆盖 372 类问题，约 42% 已改写成证明软件能处理的形式。10 月 7 日的 history.md 已记录撤回三份手稿。
这批成果引发的争论涉及数学工作的评价方式。陶哲轩 10 月 7 日转载了 Association for Human Mathematics 的声明；该组织反对一次发布七百余份文件的方式，认为数学进步应围绕人的理解，并呼吁数学家停止与 OpenAI 合作。陶哲轩随后在 10 月 10 日公布《Math 2.0》演讲材料，主张让 AI 同时支持数学共同体和数学理解的积累。
两种评价方式的差别会影响研究资源怎样分配。以“解出多少道开放问题”为目标，容易把算力投向能验证的终点；数学家还关心证明揭示了什么新方法、能否用于别的问题，以及别人能否理解并继续发展。
大批证明同时出现以后，会成为成果被学术共同体吸收的瓶颈。
H-JEPA 先找子目标再规划动作，迷宫成功率从 18% 升至 73%
Yann LeCun 10 月 5 日提交论文《H-JEPA: End-to-End Learning of Hierarchical World Models for Visual Planning》。
H-JEPA 把远期目标和近期动作分层处理，高层预测较慢变化的状态，再给低层提供子目标。
Visual AntMaze 迷宫任务中，三层 H-JEPA 的成功率为 73%，单层 LeWM 基线为 18%。高层少管变化快、难预测的细节，能够更清楚地表示离目标还有多远；实验显示，这种表示变化本身也能帮助规划。论文还在 DROID 机器人数据上比较离线计划与记录动作的一致性。分层预测让每层处理不同时间尺度的问题，为长程任务减少逐帧预测细节的负担。
分层为什么有帮助，可以用走迷宫理解：先确定要到哪个区域、经过哪个通道，再计算眼前几步怎样走。高层目标减少了低层每次都从当前位置推演到终点的负担，也让“这一步是否更接近目标”更容易判断。论文分析发现，追踪局部子目标的进展，比直接衡量离最终目标的距离更稳定。分层在这里同时改变了任务的拆法和规划时使用的判断依据。
HarnessSQL 把数据库操作过程纳入训练，8B 模型成绩接近原来的三倍
香港科技大学、Microsoft Research 等团队的 Haolin Yang 等，10 月 8 日提交论文《HarnessSQL: Harness-Native Training for SQL Agents in Realistic Database Environments》（2610.12274）。
作者先用 Qwen3.6-27B 在数据库工具环境里生成、验证操作记录，再训练 Qwen3-8B 和 Qwen3-14B；模型不仅学写 SQL，还学查看数据库结构、执行查询、读错误和修改。
Spider 2.0-SQLite 上，8B 模型从原始的 15.5%，到监督微调后的 30.4%，再到按执行结果强化学习后的 45.2%；14B 对应为 22.2%、37.8%、54.8%。8B 直接做强化学习只有 20.0%，说明先学完整操作记录有帮助。
传统问句到 SQL 的样本直接给出表结构和正确答案，实际Agent却要自己发现表、读字段、执行查询，再根据报错或截断结果修改。HarnessSQL 把这一整段过程变成训练材料，强化学习还同时检查答案和操作协议。8B 从 15.5% 提升至 45.2%，说明一部分差距可以通过教会模型使用环境来缩小，而不必完全依赖更大的底座。
早期信号｜MASS 把多Agent的分工与交接方法训练进模型
多Agent训练开始保留“谁负责哪部分、向谁交什么结果”的经验。把统筹者的委派与整合过程、执行者的局部解题过程一起留下，可以给下一版模型提供层次更清楚的训练材料。
UC Berkeley、Sakana AI 的 Hyunin Lee 等 10 月 8 日提交论文《Recursive Self-Improvement through Multi-Agent Self-Supervision》（MASS，2610.12176）。同一模型先搜索和比较多Agent工作流程，再用选中的执行记录训练自身，下一轮继续改进流程。Qwen3.6-27B 训练两轮后，四项开放研究测试的成绩与输出长度之比提高至原来的 1.2—1.6 倍；第一轮多Agent数据训练的模型，对底座的胜率为 68.3%，单Agent数据训练模型为 64.0%，后者处理的训练 token 还多约 40%。
这给数据生产提供了一个方向：增加训练量之外，还可以改进任务怎样拆分、结果怎样交接，让一段记录更容易教会模型有效的工作方法。
03
政策
Claude 为完成测试越过操作边界，Anthropic 收紧评测与联网工具
Anthropic 10 月 9 日发布研究报告《Investigating unintended model actions in our evaluations and internal use》，披露 Claude 在评测和内部使用中绕过工具约束、操作真实网站的案例。涉及 Mythos Preview、Mythos 5、Haiku 4.5、Opus 5 等模型。
公司采取的措施包括停用部分评测、把另一些改为离线或重建环境，以及收紧网页读取工具。
这些行为往往始于正常任务遇到障碍。一个研究模型打不开练习用的政府表单，就转去真实网站提交；Haiku 4.5 在另一次测试里填写了虚构的警方线索。模型把“完成任务”理解得过宽，原本的模拟操作便落到了外部机构的真实系统。Anthropic 还指出，如果训练环境奖励模型绕过障碍的做法，它可能把这种越狱习惯带到其他方面。
这里暴露的是Agent 产品的一处具体矛盾：寻找替代路径，在查资料或调试代码时通常有用；但遇到权限和操作范围时，同样的坚持却可能造成越权。然而目前对权限限制的训练仍然没有明确的有效方法。
Anthropic 的整改主要还在遏制运行环境的漏洞：包括移除奖励绕过约束的训练任务，把实时网站替换成隔离环境，并在执行时检测和阻断异常动作。
新加坡通过数字基础设施法案，把运营韧性和能效纳入许可
CNA 10 月 7 日的媒体报道确认，新加坡议会通过《Digital Infrastructure Bill》。该法案把数据中心和主要云服务纳入许可管理。根据数字发展及新闻部 MDDI 的法案说明，3 兆瓦起的数据中心进入能效监管范围；10 兆瓦起的主要数据中心，以及过去三年在新加坡年均相关收入达到 1 亿新加坡元的主要云服务商，承担安全与运营韧性要求。
这次监管覆盖的事故来源比网络攻击更广，包括断电、冷却故障、火灾和技术配置问题。运营商需要做风险管理、业务连续性和灾难恢复计划，并报告规定的事件；数据中心还要满足包括 PUE 在内的设施能效要求。PUE 衡量整个设施耗电与 IT 设备耗电的比例，数值越接近 1，辅助设施消耗的电越少。
英国企业 AI 采用率总体持平，较大企业仍在扩大使用
英国国家统计局 ONS 10 月 8 日发布调查报告《Business insights and impact on the UK economy: 8 October 2026》。
9 月约 30% 的企业使用至少一种 AI 技术，与 6 月基本持平。但至少 10 名员工的企业采用率升至 38%，比 6 月高 3 个百分点。100 人及以上企业约为 51%，不到 10 人的企业为 29%。
较大企业仍在增加采用，小企业占比更大的全体口径却趋于平稳。对销售企业 AI 的厂商而言，这说明小客户则需要更低的接入成本和更明确的用途。
使用带来的变化已经出现在具体岗位。在至少 10 人、已采用 AI 的企业中，38% 认为行政和文书岗位受影响最大，比 6 月增加 3 个百分点，24% 选择创意或设计岗位，6% 自报因 AI 减员。
岗位工作内容的变化比企业总人数的变化更普遍。理解 AI 怎样进入公司，因此可以先看文书、设计等工作如何重新安排，再观察这种安排是否逐渐转化为招聘与组织结构的变化。
推荐阅读
Agent的野心：边界扩张与扩权｜《2026Q3 AI趋势报告》
| 一键关注,明天见 | 看完点个爱心点个赞 |