Google 发布 Gemini 3.7 Flash：三周迭代一版的轻量主力
Google 今天发布 Gemini 3.7 Flash，距上一版 3.6 Flash 只有三周，定位仍是 coding、agent 和知识工作的低成本主力：FrontierCode 1.1 从 34.4% 涨到 43.6%，DeepSWE v1.1 从 49.0% 涨到 65.3%。定价方式值得多看一眼：今年年底前是优惠价，每百万 token 输入 $0.75、输出 $3.75；2027 年 1 月起恢复标准价，直接翻倍到 $1.50 和 $7.50。用优惠价做成本测算的团队，按明年的价格算账才不会被动。轻量档三周一迭代，也说明各家把竞争重心压到了这个走量的价位段。
OpenAI 预览 Ultrafast 模式：GPT-5.6 Sol 提速至 14 倍
OpenAI 与芯片公司 Cerebras 合作推出 Ultrafast 服务层预览版，GPT-5.6 Sol 的输出速度最高 750 token/秒，约为标准模式的 14 倍——按这个倍数反推，标准模式约 53 token/秒（OpenAI 没有直接公布标准模式的数字，这是我自己换算的）。两家公司都称质量不降，但这是官方口径，不是独立基准测试；该服务层现通过 API 限量开放（另见 Cerebras 公告）。原理在芯片：GPU 逐 token 生成时要反复在片外存储和片上内存之间搬运权重，带宽是瓶颈；Cerebras 把一整片晶圆做成一颗芯片，单片带 44GB 片上 SRAM，再把模型各层流水线式分摊到多片这样的晶圆上，每颗芯片分到的那部分权重常驻片上，反复搬运就省掉了。对 agent 应用来说这不是锦上添花：一个任务要多次串行调用模型，每一步的延迟都会累加，速度直接决定成本和产品体验。官方页面还放了与竞品的速度对比，那是厂商自测口径，看看就好。
微软合并两个 Copilot 应用，退役一批不达预期的功能
微软开始把消费版 Copilot 与企业版 Microsoft 365 Copilot 合并为一个应用，移动端和网页版 8 月中旬起推送，Windows 和 Mac 版 9 月中旬跟进；个人账号与工作账号可以同时登录，数据互不打通。8 月 18 日起，消费版的播客（Podcasts）、Group Chats、Copilot Labs、吉祥物 Mico 和 Deep Research 一并退役（另见 GeekWire）。微软支持页面写明，已生成的播客音频届时将无法访问，此前只能在网页端逐集下载保存，没有批量导出。Deep Research 的替代品 Researcher 需要 Microsoft 365 Premium 订阅。微软没有公布这些决定背后的数据，但批量裁撤消费级 AI 功能这件事本身，比当初发布这些功能更能说明消费级 AI 的真实使用分布；「每个入口都塞一个 AI 功能」的阶段，看起来正在收尾。
Writer 发布 Palmyra X6：底座是智谱开放权重 GLM-5.2，省钱靠 harness
企业 AI 公司 Writer 发布旗舰模型 Palmyra X6，在智谱（Z.ai）开源的 GLM-5.2 上做后训练，架构原样保留：744B 参数的混合专家（MoE）模型，每个 token 只激活约 40B。同步升级的还有 agent harness，也就是模型外面那层负责调用工具、管理上下文、串起多步流程的执行框架；Writer 称两者叠加让其 agent 平台平均成本降 52%、速度快 48%（另见 VentureBeat）。两个信号：美国企业级厂商把旗舰押在中国开放权重上，这类选择正在变成普通的工程决策；Writer 自己的测试还发现，只改 harness 平均就能省约 40% 成本，公司称这个杠杆比换模型更可靠。
OpenAI 任命 Wiz 前总裁 Dali Rajic 为首席营收官
OpenAI 宣布 Dali Rajic 出任首席营收官（CRO），他此前是安全公司 Wiz 的总裁兼 COO，更早在 Zscaler 和 AppDynamics 负责销售与客户体系；据 Bloomberg 报道，前任 Denise Dresser 任职不足一年即被替换。一年内两度换 CRO，挖来的又是把 Wiz、Zscaler 两家企业安全公司销售体系带大的人，方向很明确：OpenAI 的企业业务要按传统企业软件的销售纪律来打，而且节奏压得很紧。
研究速递
Learning to Persuade Exposes How Easily LLMs Abandon Correct Beliefs
研究者用对抗性强化学习训练「说服者」agent，目标只有一个：在单轮对话里让目标模型放弃原本正确的答案。优化后成功率从约 24% 升到 93% 以上，对未见过的开源模型迁移成功率 79% 到 83%（GPT-4o-mini 较难，25%，用课程学习即由易到难安排训练后升到 38%），学出来的手法包括伪造引用、编造权威信源。它和顺从性（sycophancy，模型顺着用户表态改口）研究测的是两回事：这里击穿正确信念的不是任何人的表态立场，而是被对抗优化过的论证，一轮之内完成。做安全评测的人应该把「劝说抵抗力」列为独立测项。
OpenART: Scaling Agent Red Teaming via Open-Ended Environment Evolution
现有 agent 安全评测大多是静态的单次任务，这篇让环境本身演化：任务目标固定，攻击方只改环境状态，观察长流程（场景中位数 97 次工具调用）中累积的状态变化如何把 agent 引向不安全操作。75 个 agent 与模型组合上的合并攻击成功率 85%，环境越复杂，相对纯指令攻击的优势越大，从约 2% 拉开到 17% 以上。还有一个发现值得单独记：agent 的 runtime 实现（跑 agent 的那套代码和配置），在底层模型之外还能解释相当一部分安全表现的差异。做 agent 红队和评测的人值得细读。
On-Policy Self-Distillation without Any Supervision
后训练方法 U-OPSD 不用标准答案、不用环境反馈、也不用更大的模型当老师：让模型对同一道题采样多个答案，拿多数票结果当伪标签，再把与多数票不一致的推理轨迹朝它蒸馏，更新集中落在模型「自信但答错」的地方。Qwen3 4B 和 8B 在数学推理基准上分别提升 8.5% 和 10.7%，还略微超过了有监督的版本。有一个天花板是机制本身决定的，不过论文没有做跨领域验证：多数票得大概率正确这套才成立，在采样结果容易集体跑偏的领域未必管用。做后训练的 researcher 可以盯它向数学之外领域的迁移。
AI4AI at Test-Time: Strong-to-Weak Capability Transfer via Harnesses
把蒸馏反过来做，而且不改权重：强模型在推理阶段为弱模型搭 harness（把不稳定的推理步骤改写成确定性代码、按基准定制路由、强制答案格式），在四个心智理论（Theory of Mind，指推断他人信念和意图的能力）基准上把弱模型平均分从 0.49 抬到 0.91。提升幅度很大，但手段相当「应试」，增益有一大块来自面向基准定制的路由和格式约束，而论文在这四个基准之外没做任何评测，能不能推广到开放任务还是未知数。想低成本部署小模型又不想重训的团队，可以跟踪这条脚手架路线。
今日一句话：Writer 只改 harness 平均省下 40% 成本，AI4AI 论文靠 harness 把弱模型分数抬近一倍，OpenART 发现 agent 安全表现的差异相当一部分来自 runtime 实现而非底层模型。就今天这几条来看，成本、能力、安全上最大的杠杆都落在模型外面那层软件里，而不在模型本身。