出口管制解除，Anthropic 重新上架 Claude Fable 5
Anthropic 6 月 30 日的公告补全了 Fable 5 短暂消失的时间线：6 月 9 日 Fable 5 与 Mythos 5 发布；6 月 12 日美国政府对两个模型实施出口管制，要求限制外国用户访问，Anthropic 因无法实时核验用户国籍，干脆对所有用户暂停了两个模型；6 月 26 日政府先放行美国机构使用 Mythos 5，6 月 30 日管制解除，7 月 1 日 Fable 5 全面恢复。起因是亚马逊研究人员发现一种越狱手法（绕过模型安全限制的提示技巧），能让 Fable 5 识别软件漏洞并演示利用方式。要注意公告的措辞：Anthropic 把这描述为研究人员报告的绕过手法，公告并未提及任何真实滥用，Anthropic 自己的测试还显示能力更弱的模型也能给出类似输出。恢复上架的前提是新增一个针对性安全分类器，官方称对报告所述特定手法的拦截率超过 99%，并有意留出安全边际：宁可误拦一部分大概率无害的模糊请求。我的判断：真正卡住 Anthropic 的不是技术修复，而是合规能力，Anthropic 自己的说法是「无法实时验证用户国籍」，这件与模型本身无关的事，决定了模型下架近三周。
Claude Sonnet 5 发布：逼近旗舰能力，限时折扣
同一天的另一份公告：Sonnet 5 发布，官方定位是「最 agentic（能自主规划、用工具、连续执行任务）的 Sonnet」，称在调高 effort 档位后，部分复杂任务上能接近 Opus 4.8 的水平。定价值得看：8 月 31 日前每百万 token 输入 $2、输出 $10，之后回到 $3/$15，Free 和 Pro 用户默认就用它。中档模型逼近旗舰能力，再叠加限时折扣，说明前沿厂商的贴身竞争已经打到中端价位的定价层面；对应用开发者，换模型做一轮评测的时机又到了。
Nathan Lambert 盘点开放模型：收敛预言落空，玩家反而更多
Interconnects 第 23 期 open artifacts 盘点，Nathan Lambert 的判断是：「开源模型会收敛到少数几家」的预测被证伪，更多公司在训练强模型并开放权重，因为 token 需求旺盛，「造 token 的机器」本身有利可图。本期条目包括 Poolside 的 Laguna S2.1（总参数 118B、每 token 激活 8B 的 MoE 混合专家模型，OpenMDW 许可）、Thinking Machines 的 Inkling（975B-A41B 多模态 MoE，定位是微调基座）、月之暗面的 Kimi K3（其许可条款默认允许商用、部署和微调，仅当「模型即服务」提供商十二个月收入超过 2000 万美元时才需另签协议）、美团 LongCat-2.0（1.6 万亿参数，据文中说法全程用中国硬件训练）。我看到两个信号。一是名单上有谁，但这要放对参照系：开放权重起初主要是一个美国故事，Meta 的 Llama 系列一直到 2024 年都在定义这个品类；「开放权重约等于中国厂商」是 2025 年 1 月 DeepSeek-R1 出现之后才成为默认印象的——按 Lambert 自己的统计，那年夏天中国模型在采用率上反超了美国靠 Llama 建立的早期领先，他去年大部分时间也在做 ATOM Project，论证美国已把开放模型让给了中国。放在这个参照系下，Poolside 和 Thinking Machines 与月之暗面、美团同列，读作美国公司重返自己开创的领域，而不是初次进场。二是许可条款明显分化：OpenMDW 允许任意用途自由使用，Kimi K3 的条款则附带按收入触发的附加条件，同样叫「开放」，能拿来做什么差别很大。
PsychAdapter：把人格写进模型权重，而不是靠 prompt 扮演
斯坦福、Stony Brook 等机构的团队在 npj Artificial Intelligence 发表 PsychAdapter：在 transformer 各层加入适配器，把心理特质分数当作输入直接调节生成，覆盖大五人格（开放性、尽责性、外向性、宜人性、神经质）加抑郁和生活满意度，可选叠加年龄等人口特征。它与 prompt 工程的区别在于：特质表达训练自心理学中「语言使用与特质关联」的实证数据，prompt 则只是让模型凭自己的假设去「演」。专家评审认为生成文本与设定特质相符的比例，大五人格为 87.3%，抑郁/生活满意度为 96.7%；代码已开源，应用方向包括给治疗师训练用的模拟病人、按阅读水平调整的教育文本（另见 斯坦福 HAI 报道）。另一面是我自己的推测，并非论文的主张：同样的机制看起来会让高度拟人的陪伴 AI 更容易低成本造出来，而这个用途作者们并未讨论。
斯坦福 HAI：各州在「AI 失业」问题上分成两派
斯坦福 HAI 梳理了州层面的政策分歧：一派认为就业冲击不可避免，主张先监测，再用再培训和收入支持兜底；另一派主张政府直接介入 AI 的使用方式，确保关键岗位仍由人来做。具体工具上，纽约有对自动化企业征「机器人税」的提案，也有州押注 AI 技能培训；加州实际落地的是数据基建：政府与 California Policy Lab 合作的 AI-Unemployment Tracker，把各职业的 AI 暴露度（该职业的工作内容可被 AI 替代的程度）和每月失业保险申领数据挂钩。我的判断：两派缺的是同一样东西，可归因的失业数据。连加州自己的追踪器页面在这一点上也很谨慎：AI 暴露度衡量的是岗位任务能否由 AI 完成，「而非 AI 是否导致了某次具体裁员」，是描述性信号，不是因果证据。我的猜测（也仅仅是猜测）：在有州能证明「哪些失业是 AI 造成的」之前，机器人税这类硬干预会停在提案阶段，这也让加州先建仪表盘成为更诚实的路径。
今日一句话：决定一个模型可不可用的，越来越多是权重之外的东西：政府的出口管制、许可证条款、挡在推理前面的安全分类器。