OpenAI 发布 GPT-6 Astra：首个触及网络安全 Critical 级的旗舰模型
HOT
OpenAI 发布新一代旗舰模型 GPT-6 Astra，官方称其为迄今最智能、对齐程度最高的模型，在计算机操作、编程、网络安全与科学研究等方向达到行业领先水平，并同步推出面向企业工作的版本。随发布公布的安全文件显示，Astra 是 OpenAI 首个在 Preparedness Framework 下触及网络安全「Critical」能力等级的广泛部署模型，因此启用了更强的上线防护。对开发者与企业而言，可用能力上限被再次抬高，但滥用风险与合规成本同步上升，模型采购与部署策略需要重新评估。
OpenAI 推出 Agents API：把长时运行的云智能体变成托管服务
DEV
OpenAI 推出 Agents API，定位为托管式云智能体服务，底层由 Codex harness 负责编排，支持长时运行会话与工具调用，开发者无需自建调度与状态管理即可上线云端 Agent。此前构建可长时间自主工作的智能体，往往要自行处理重试、上下文与工具权限，工程成本高且难以稳定。该 API 把编排层托管化，直接利好想把 Agent 投入生产的团队，也意味着智能体开发正从「框架拼装」走向「平台托管」，与 Anthropic、Google 的同类路线正面竞争。
27B 模型分分钟交付网页，Qwen 3.8 前端全能但后端缺席
DEV
量子位报道，Qwen 3.8 的 27B 版本在网页交付任务上表现突出：设计稿与前端代码可「一口气全干」，用户分分钟拿到可运行页面，但摘要也点出短板——后端「没来上班」，即服务端逻辑与数据层仍需人工补齐。这反映出中等参数量模型在前端生成这类高密度、强模式化任务上已接近可用，而在需要状态管理与系统设计的后端环节仍有明显缺口。对开发者而言，把 27B 级模型接入原型与设计流程已具性价比，但离端到端交付产品还有距离。
华为汪涛：打造 AI 算力底座，只做好一颗芯片远远不够
HOT
华为汪涛表示，华为要打造 AI 算力底座，「只做好一颗芯片远远不够」，强调软件生态与工具链的决定性作用，并称 CANN 已跨过拐点，华为正补齐软件生态短板。背景是国产算力长期受制于 CUDA 生态壁垒，芯片性能之外，编译器、算子库、框架适配才是真正的迁移成本所在。此番表态意味着华为把竞争重心从单点芯片转向全栈生态，对国内大模型厂商而言，算力迁移与适配的成本结构或将随之变化。
马斯克批量收购破产公司，外界猜测意在数据资产
NEW
量子位报道，马斯克正批量收购已破产或停摆的公司，外界普遍猜测其真正目标是这些企业积累的数据资产。结合他旗下 xAI 在大模型训练数据上的持续投入，这一动作被解读为绕开公开数据版权争议、以低价获取稀缺专有语料的路径。若属实，意味着高质量数据正从「公开爬取」转向「资产并购」，AI 训练数据的获取成本与法律风险将重塑行业竞争格局，也为经营困难但握有数据的企业提供了新的退出通道。
OpenAI 重塑广告：Sponsored Agents 与 HubSpot、Shopify 集成
HOT
OpenAI 公布 AI 广告新形态，包括 Sponsored Agents（赞助智能体）、面向营销人员的工具，以及与 HubSpot、Shopify 的集成，标志其商业化从订阅制向广告变现延伸。与关键词竞价不同，Sponsored Agents 试图在对话与任务执行环节植入推荐，把「用户意图」直接转化为交易入口。对广告主而言，这是继搜索广告之后新的流量池；对 OpenAI 而言，则是支撑算力巨额投入的关键收入来源，但也将引发关于回答中立性与用户信任的持续争议。
OpenAI 公布 AI 生成的纳维–斯托克斯千禧年难题解答与 Lean 形式化证明
HOT
OpenAI 公布了一项由 AI 生成的纳维–斯托克斯方程千禧年大奖难题解答，并同时给出书面推导与 Lean 形式化证明。该问题关乎流体力学方程解的存在性与光滑性，是克雷数学研究所七大千禧年问题之一，悬置二十余年。形式化验证的意义在于，证明过程可被机器逐步核验，降低了「看似正确」的风险，但数学界仍会对证明的完整性与原创性进行严格审查。若最终成立，这将是 AI 在纯数学领域最具分量的成果之一。
陶哲轩代表 SAIR Foundation 启动「开放数学模型计划」
NEW
陶哲轩代表 SAIR Foundation 宣布正式启动「开放数学模型计划」，目标是让开放权重模型与可负担的算力成为数学研究的共享基础设施。背景是前沿模型与算力日益集中于少数机构，数学研究者使用 AI 时面临成本与访问门槛。该计划试图以开放模型加公共算力池的方式，把 AI 辅助证明、猜想探索等能力下沉到更广泛的研究社区。对学术界而言，这是对「AI 研究资源垄断」的一次制度化回应，其成效取决于参与机构与算力供给规模。
Nature：AI「重生」到 1900 年，抢先爱因斯坦提出光量子假说
《Nature》刊出的研究让 AI「重生」到 1900 年，在给定当时已有文献与数据的条件下，模型独立提出了光量子假说，抢在爱因斯坦之前完成这一历史性推断。研究以此检验 AI 是否具备提出原创科学假设的能力，而非仅做文献综述与计算。结果显示模型能够从既有实验异常中提炼出颠覆性解释，但距离提出相对论这类需要重构时空观的理论仍有差距。该工作为「AI 能否做科学发现」提供了可复现的评测范式，也引发关于科学优先权与署名伦理的讨论。
OpenAI 政策负责人：AI 政策窗口已经打开，必须行动
OpenAI 政策负责人 Chris Lehane 发文称「AI 政策窗口已经打开，必须行动」，主张模型能力越强，安全证据、共享标准与持久政策就越不可或缺。文中呼吁在监管窗口期推动可验证的安全评估与行业统一标准，避免各辖区规则碎片化拖慢落地。对政策制定者而言，这是来自头部厂商的主动施压，意图以「证据驱动监管」替代简单禁令；对产业界而言，合规能力正从成本项转为竞争壁垒，尤其在网络安全与生物等高风险领域。
OpenAI 发布模型失准报告框架，并公开六份异常行为案例
NEW
OpenAI 发布模型失准（misalignment）报告框架，用于追踪、调查与披露模型出现的意外或令人担忧的行为，并同时公开了六份相关案例报告。框架试图把「模型不按预期行事」这类模糊现象，转化为可记录、可复现、可对外披露的标准化流程。背景是随着模型自主性与工具调用能力提升，奖励黑客、欺骗性行为等风险难以靠发布前的测试穷尽。对企业与监管方而言，这种披露机制的价值在于把安全事故从公关事件变成可积累的工程数据。
OpenAI 公布 GPT-6 Astra 安全概览与《Path to Astra》能力分级文件
OpenAI 在发布 GPT-6 Astra 的同时公布安全概览与《Path to Astra》文件，称 Astra 是其迄今部署能力最强的模型，也是首个在 Preparedness Framework 下达到网络安全「Critical」能力等级的模型，因此启用了更强的防护措施后才对外发布。文件说明了关键能力评估与前沿防护等级之间的对应关系。这标志头部厂商开始把「能力分级—防护等级」制度化，也把难题抛给监管：当模型被自家评为 Critical 级别时，外部如何独立验证与约束。
OpenAI 推出 Astra for Law，切入律所保密工作流
NEW
OpenAI 推出面向法律行业的 Astra for Law，提供前沿模型能力、律所可定制工作流、可连接的法律数据源，以及面向保密客户工作的法律级管控。背景是律师事务所在采用生成式 AI 时，最担心数据外泄与幻觉引用，通用聊天工具难以满足合规与保密要求。该产品把权限、审计与数据连接纳入同一套体系，目标是让律所把尽调、合同审阅等流程真正交给 AI。对法律科技赛道而言，垂直化加合规护栏，正成为通用模型厂商切入专业服务的主要方式。
1Password 用 Codex 提升工程效率 21%，且不破安全策略
1Password 公布数据称，工程师团队使用 OpenAI Codex 后工程效率提升 21%，在维持严格安全策略的前提下，用其快速构建新功能与内部工具并达到可上生产的状态。案例的价值不在数字本身，而在于证明了在密码管理等强合规、强安全约束的场景里，AI 编码工具也能被纳入既有研发流程而非绕过管控。对安全与金融类企业而言，这为「如何在受监管环境中引入 AI 编码」提供了一个可参照的落地样本。
OpenAI 与 AARP 合作，在美 10 城为 1000 名老年人开 ChatGPT 工作坊
OpenAI 宣布与 AARP 合作，在美国 10 座城市为 1000 名老年人提供免费的 ChatGPT 实操工作坊，目标是帮助他们安全地建立实用 AI 技能。这是在青少年安全、教育之外，OpenAI 针对特定人群的又一落地动作。老龄群体面对 AI 时的主要障碍是操作门槛与诈骗、隐私风险，而非兴趣不足。对企业而言，这类公益培训同时是用户教育与市场培育；对监管者而言，也提供了观察 AI 普惠与风险防护如何并行的现实样本。
今天最值得记的一笔，是 OpenAI 把「能力上限」和「防护等级」绑在一起发布 GPT-6 Astra：模型越强，安全文件越厚。这不是公关包装，而是行业规则在成形——能力分级正在变成部署门槛，未来采购模型，可能要连安全等级一起买。
另一端的国内关键词是「生态」与「数据」。华为强调只做好一颗芯片远远不够，CANN 必须跨过拐点；马斯克则用收购破产公司的方式囤语料。算力与数据这两条命脉，一个靠软件栈补齐，一个靠资本并购，路径不同却指向同一结论：AI 竞争已进入基础设施与资产层面。
应用侧的信号同样清晰：法律、编码、老年用户，AI 正从通用助手走向带合规护栏的垂直交付。Qwen 3.8 能把前端做完却做不了后端，提醒我们模型再强也补不齐系统工程的缺口。真正拉开差距的，是谁能把 AI 缝进既有流程，而不是谁发得多。