本周，AI刀刃向内，开始对自己下手了。
模型开始直接检查并改写另一个模型的权重，智能体开始优化推理内核、迁移生产系统，形式化工具把数学文献变成机器可检查的代码。与此同时，图像和视频模型继续降价提速，长程智能体获得更轻的上下文传输方式，模型身份与代理身份也开始被当成需要证明的对象。
这些变化预示着：AI不再只生产答案，也在参与改造承载答案的模型、代码和基础设施。速度会继续上升，真正稀缺的资源却是清晰的规格、可靠的测试、可追溯的身份和人类判断。
一、模型开始改模型：权重空间编程露出雏形
MIT CSAIL团队公布了一组“权重空间编程”实验。他们让GPT-6 Astra检查小型神经网络，解释其行为，并在不做梯度训练的情况下直接修改权重。最受关注的一项实验针对Qwen3.5-0.8B：模型经常陷入重复推理，Astra定位到两个MLP层中的相关方向，修改约0.016%的权重后，研究者报告MATH-500得分从7.9%升至48.1%，指令遵循也明显改善。
这组数字不能解读成“模型凭空学会了更多数学”。改动主要减少了循环和超时，让原本可能完成的答案顺利结束。较小的前向运行预算提升有限，在不易循环的Gemma小模型上也没有复制出同等收益。它更像一次模型维修：AI找到了故障方向，做了小范围补丁。
洞察与点评： 如果后续能稳定复现，模型维护会多出一条路线：除了重新训练、微调和蒸馏，还可以诊断并局部修补权重。但这种操作必须配套回归测试，因为修好一个行为，也可能悄悄损伤工具调用或其他能力。
二、智能体开始改推理引擎：性能优化变成持续循环
Together AI发布Together Compiler，用一组智能体持续改写GPU内核，再由持久测试引擎检查速度和正确性。公司报告，在部分开放模型和硬件组合上，系统能在24小时内把吞吐提高至既有开放配置的2.6倍，并把候选代码的实验吞吐提高252倍。这些都是厂商基准，实际收益会随模型、批量、序列长度和芯片而变化。
意义不在某个最高倍数，而在优化方式。模型架构、硬件和流量形态不断变化，人工为每一种组合长期维护内核越来越困难。持续编译把优化变成可重复运行的搜索任务：智能体提出改动，基准系统验证，只有通过正确性检查的版本才进入生产。
DeepSeek公开的Router—Worker原型也体现相同思路。一个持久路由器把授权请求拆给隔离工作会话，结果、问题和失败再统一返回。它降低了人工盯流程的需要，同时把风险写得很直白：默认观察不等于安全隔离，拥有操作系统权限的工作进程仍应放进专用账户或隔离环境。
三、AI软件工厂提速：人类工作转向规格、边界和验收
Microsoft披露Copilot Cowork团队在四个半月内从空仓库做到全球可用，并在系统在线期间把运行时从Python迁移到Rust。智能体写了大部分代码，工程师则负责规格、架构、安全边界和高风险审查。一次高峰中，9名工程师一天合并了1211个拉取请求；迁移完成后，首轮响应的中位时间从7.9秒降至2.7秒，但微软也强调，收益不全来自Rust本身。
真正可复用的经验比数字更重要：先写清“做什么、怎样算成功、不能破坏什么”；让窄任务在独立环境并行；用真实旧系统生成的行为夹具检验新实现；自动循环必须有停止条件、不可退化指标和回滚路径。代理审查可以加快首轮检查，却没有取消关键变更的人类复核。
这也解释了为什么“少盯步骤、多验结果”正在成为新工作方式。不是放弃理解，而是把有限注意力放在目标、边界、证据和异常上。代码产量越高，模糊规格和失效测试造成的浪费越大。
四、上下文传输瘦身：长程智能体不再反复搬家
Anthropic在Messages API中推出message threads公测。首次请求发送完整上下文，后续轮次只提交新增消息和上一响应ID，服务器在内存中重建会话。官方称，在50万到100万token的长对话中，中位首token时间可降低约35%。线程空闲5分钟后失效，应用仍需保存自己的完整历史以便重放。
这项改动不减少模型实际读取的token，也不改变计费；它减少的是每轮反复上传、校验和分词的传输负担。对不断产生截图、工具结果和文件内容的编码或电脑操作智能体，网络载荷本身已经成为延迟来源。
长程任务因此越来越像分层系统：客户端保存事实，短期线程负责快速往返，模型处理当前推理，持久存储承担恢复。把一切塞进单次请求的设计会逐渐退出主流。
五、图像与视频进入“可编辑生产”：生成只是第一稿
OpenAI推出Images 2.6，在ChatGPT、Codex和API中加入GIF生成、图像标注编辑、SVG导出与可复用参考图。官方称生成速度提高50%，Flare偏向快速迭代，Sunburst强调质量与多轮一致性。系统卡同时承认，GIF带来的跨帧有害含义更难检测，动态图像需要额外安全规则。
Google的Gemini Omni 1.2 Flash把原生视频长度从10秒提高到15秒，720p价格降至每秒0.07美元，并支持多轮编辑、运动片段和声音参考。Black Forest Labs的FLUX 3 Image Klein则提供5.6B开放权重，支持生成、编辑、多参考和边界框控制，可在消费级GPU上部署，但商业使用仍需遵守其许可证。
创意模型的竞争重点正在从“一次生成有多惊艳”转向“能不能继续改”。角色一致性、局部修改、参考资产复用、版本迭代和授权条款，会比单张演示图更影响生产价值。
六、科学智能体走进实验数据：高能力必须配高门槛
OpenAI把GPT-6 Rosalind Research提供给通过审核的研究机构和授权用户。它与GPT-6 Astra使用相同权重，但面向生物学、药物发现和转化医学工作流，能够连接科研工具与数据库。官方将其生物与化学能力评为High，低于Critical，并采用受信访问、组织审核和用户授权，而不是全面开放。
本周发布的BioBasicsBench进一步把评估拉回日常实验室任务。该基准包含100项任务，要求智能体处理凝胶图像、显微图、测序文件等原始实验数据。GPT-6 Astra在最高推理设置下取得66.7%，高于GPT-5.6 Sol的43.8%，但在图像解释和对照检查上仍有明显缺口。
重要警示： 受信访问不是能力背书的替代品。模型输出仍须由合格研究人员复核，不能直接决定实验、临床或其他高后果行动。
这类系统最适合加速证据整理、假设生成和实验规划，不适合绕过专业审核。生物研究的难点不只是“答得像专家”，还包括样本质量、实验条件、合规边界和失败成本。
七、数学文献被编译：机器证明开始变成公共基础设施
Axiom宣布完成Stacks Project的Lean形式化。Stacks Project约7500页，是现代代数几何的重要开放参考；Axiom称新库包含约1600万行代码，定义、引理和定理可以由Lean内核逐项检查，并用稳定标签链接回原始文本。
项目使用多智能体处理庞大的依赖图，也在形式化过程中发现缺失假设和边界情况。但“机器检查通过”不等于所有陈述都已经得到人类数学家的充分审读。公开站点把AI生成、尚待审查的StacksFrontier与经人核对、准备进入Mathlib标准的StacksCore区分开来。
这条边界很重要。形式化让错误更容易暴露，也让证明可以直接被后续研究和智能体复用；它不能自动替代数学共同体对陈述含义、文献关系和研究价值的判断。
八、数据中心飞上太空：算力基础设施开始试探新边界
Google的Project Suncatcher原型卫星在轨道上运行数据中心级TPU，并用Gemma 4生成了一首短诗后回传地面。当前设备一次只能运行约20分钟，后续还要测试热循环和辐射影响；Google计划在2027年尝试两颗互联卫星。
这距离“太空数据中心”仍很远。发射成本、散热、维修、通信带宽和空间碎片都没有因为一次推理成功而消失。它真正证明的是，一套原本为地面数据中心设计的加速器已经完成在轨运行与通信闭环。
随着地面电力、用水和选址压力上升，算力基础设施会继续向新的能源与地理条件扩张。技术演示可以大胆，经济判断必须保守。
九、模型身份也要有证明：信任从声明走向密码学
Anthropic公开FlashProve研究原型，希望让服务商证明某段输出确实由承诺的模型产生。其方法基于零知识证明：提供方先公布模型权重的指纹，推理时再生成可验证证明，而不泄露权重。官方实验在量化后的400B参数MoE模型上达到每秒百余token的证明生成速度，但证明仍带来显著计算开销，距离大规模商用还有距离。
Cloudflare从另一端讨论代理身份。网站面对智能体访问时，需要区分匿名流量、会话、账户和唯一用户，同时避免为了追责而过度收集身份信息。OAuth、Privacy Pass、Web Bot Auth和支付协议可以组合，但行业尚未形成统一答案。
当模型替人操作、服务商可能动态换模，单靠“我是某模型”“我代表某用户”已经不够。下一代AI基础设施不仅要验证内容，还要验证执行者、授权链和运行环境。
十、推理强度开始精细计价：并非每个问题都值得满功率
Vals AI测试了7个前沿模型在8类任务上的不同推理强度。结果显示，4个模型在最低设置下仍保留至少80%的综合得分，而成本不超过最高设置的一半。GPT-6 Astra在低设置下保留88%的分数，成本约为18%；Claude Opus 5.5保留80%，成本约为16%。但法律研究和代码迁移对高推理强度更敏感，没有任何模型在最低设置下完全追平自己的最高综合成绩。
这提醒产品团队，模型路由不只是在“大模型和小模型”之间选择，还要决定同一模型该思考多久。常规分类、格式整理和明确工具调用可以低档运行；高风险研究、迁移和异常诊断再提高强度。
更成熟的成本管理单位不是token，也不是单次请求，而是“在可接受错误率下完成一项任务的总成本”。
未来展望
接下来几周，可以跟踪三条线。
一，局部修改能否经得住大规模回归。权重补丁、自动内核优化和代理生成代码都能快速提高某个指标，但必须证明其他能力、接口和安全边界没有被悄悄破坏。
二，验证基础设施能否跟上生产速度。行为夹具、密码学证明、代理身份、形式化检查和自有任务集会逐渐成为AI系统的标准配置。没有这些，产量上升只会把错误更快推向下游。
三，人类注意力如何重新分配。工程师、研究者和编辑不会因为智能体能完成更多步骤而退出。他们需要更早定义目标，更清楚写出边界，更严格检查证据，并保留真正有效的停止按钮。
本周最鲜明的特点，是AI开始修改模型、代码、证明和基础设施本身。能力的复利已经出现，可信度能否同步复利，决定这轮加速最终是生产力，还是一串更难追踪的事故。
发表评论