本周 55 篇日报里，有两股并行的力量。新模型把论坛分数推得很高，但多数材料给不出规格与评测；企业则把模型接到合同、编码、广告和安全运营里，数字更具体。智能体基准同时把名义完成、故障恢复和合成能力拆开，缺口比热度清楚。

发布热度很高，可核验细节很少

社区被几则发布帖主导，开发者真正要用的规格、评测和许可几乎缺席。Reflection发布501B开源权重Beam：热度高但可核验细节很少 记下 501B 开源权重上 HN（320 分、91 评），架构、评测与许可均未给出。Mistral Large 4 定名「Le Chonk」：HN 热度起来了，规格还是空白 与 热度不能当评测：Mistral Large 4在HN拿下近千评论 叠在同一事件上：既有 518 分仅 5 评，也有 1590 分、964 评，热度被证实，能力边界仍空白。Claude Haiku 5.5 登上 HN 热榜：关注度已被分数证实，能力价格主张材料未给 同样只有 691 分、345 评，不含规格与定价。

相对清楚的是产品形态。GPT-6 全球推送到 ChatGPT：更快、可视化，交互可直接探索使用 于 10 月 7 日全球推出，并引入 Intelligent UI，强调更快响应与可直接探索的可视化交互。开源一侧，英伟达洽购开源模型创业公司：公开信息仅确认在谈、条款未披露 只确认与 Reflection AI「在谈」。读法应当克制：分数证明关注，不证明可部署。

企业把模型接到工作流，案例数字更具体

产品化比发布帖可核验一些，但仍是官方口径。ChatGPT引入视觉广告：OpenAI同步扩展衡量、归因与品牌适配 推出视觉广告，并扩展衡量、归因与品牌适配。把企业知识转化为行动：Atlassian与OpenAI扩大合作 把前沿模型接到企业知识，帮助规划、构建与交付，无技术细节。酒店预订走进对话：丽笙携手埃森哲在ChatGPT做发现、比较与预订 把查找、比较、预订放进对话。

专业工作流更值得看。OpenAI 联手 Ironclad：用复杂合同流程推进专业计算机使用 试图把计算机使用从通用操作推到复杂合同。长时工作流扩量化研究：Jump Trading用ChatGPT仍留人审 整合多源数据，并保留人工复核。LegalOn砍掉六成Codex日成本且不慢：按任务匹配并战略控预算 把 Astra、Sol、Luna 匹配到不同任务后，预估日均 Codex 成本降 65%，速度未降。Oracle把数天工作压到分钟：ChatGPT与Codex落地招聘到工程 把专家知识变成招聘到工程的可重复流程。Asana浏览器智能体成本降76倍：GPT-6系列带来更快更省测试 称测试成本降 76 倍、速度提升 5 倍。调查时间砍掉96%：Sophos用OpenAI Daybreak自动化超半数MDR案例 将调查时间缩短 96%，自动化 52% 的 MDR 案例，并留人审。数字不可独立复核，但方向一致：按任务选模型、控预算、留人审。广告是分发，合同、编码和安全运营才是深度。

智能体能搭流程，基准把缺口拆开了

智能体不再只被「做完没有」评价。名义完成率掩盖恢复失败：UndoBench拆开智能体能力与故障恢复 中名义能力 83.54%，条件恢复成功率仅 46.72%，盲目重试过半会产生重复副作用。平均只过三成：编码智能体仍难写出可复用静态分析检查器 用 300 个 CVE 衍生任务评测长程合成，21 组配置平均 Pass@1 仅 32.30%，最好 45.33%。构建任务最好仍低于60分：SWE-Game检验编码智能体能不能做出想要的游戏 里 Opus5 五项全高，但构建任务最佳仍低于 60 分，简报到游戏仅 50.38。单参考评测高估测试质量：TestPrism联合成功率仅28% 指出单参考指标虚高，联合成功率仅 28%。

物理侧同样是能搭、不稳。能搭工作流却做不稳：RobotWorld揭示物理智能体缺口 用 84 项仿真任务，发现感知控制工作流可搭建，但难以稳定组合成可靠行为。不更新权重也能物理自我改进：PhysEvo把动作后果写成可测试技能 围绕冻结模型，用任务智能体执行、元智能体修订工具与技能。架构上，把短决策从生成链路拆出：SearchJev让搜索智能体更快更校准 把短决策做成可校准 System-1，不确定时交 System-2；任务欠账改由环境记账：RunningTab 补上直接工作区交互的交付缺口 把欠账、摘录和未打开候选记在环境侧。对开发者很直接：演示级流程已经能搭；可恢复、可复用、可物理闭环仍是另一回事。

少更新、低精度，比再堆自蒸馏更值得试

方法论文集中在同样预算下更稳或更便宜。分辨率可换成时间密度：LoHi用双通路做长视频免训练加速 以免训练接入密低分辨率流与稀疏高分辨率帧，匹配 token 下平均准确率高 10.6 个百分点，小时视频前端解码最高降 7 倍。离策略合并优于在策略自蒸馏：用更早检查点嫁接更新 称 grafting 优于会引发推理崩塌的在策略自蒸馏。自生成反馈会破坏测试时训练：先用独立文本再提交更新 警告用自身输出做测试时训练，会恶化对独立人类文本的预测。

强化学习几条线并行。别把真值解当模仿目标：RGPO用自适应脚手架补稀疏奖励 用真值推理作脚手架，再把高奖励自生成解迁回无引导设定。原生NVFP4强化学习能对齐全精度：靠方向感知的片段修补 称 Qwen3 在五个数学基准达全精度水平，rollout 吞吐最高约 2.3 倍。组相对奖励全相同时信号消失：SRD把事后经验蒸成事前预判 在同奖组信号归零时，把事后轨迹蒸成事前预判，十项任务最高 +24.2pp。缩放强化学习冲自改进：MiMo-V2.6沿批次、环境、打分三维扩算力 沿更大批次、更复杂环境、更重打分三维扩算力，并开源训练动态与框架。用冻结模型内部表示选证据：UNREAL同时覆盖检索与超长上下文 以不到五十万可训练参数同时抬检索召回与超长上下文。问题意识清楚：把状态挪到环境、检查点或低精度路径，比再堆一轮在策略自蒸馏更值得试。

值得注意的信号

我的判断

把本周压成一句：讨论在追发布，工程在追工作流，评测在拆智能体的假完成。热帖分数和官方案例很多，可复现规格很少。若只看 HN，会以为又一轮换代；若看基准，恢复、合成和物理组合仍过不了验收。对企业接入，更值得抄「按任务匹配、控预算、留人审」，而不是把名义完成率写进 SLA。治理事件信息密度低、评论密度高，报告义务、溯源和平台隔离已进入风险清单，但还不够据此改架构——除非你已经在处理用户日记、青少年产品或开放爬取。规格若继续缺席，热度应继续降权。