AI 快讯：ChatGPT 之后的新网页，三分之一有 AI 代笔痕迹

新发布网页三分之一带 AI 写作痕迹

Pew Research Center 把 Common Crawl 存档里 2021 年以来的近 50 万个英文网页跑了一遍检测工具 Open Pangram：全部样本约 10% 检出 AI 写作痕迹，只看 ChatGPT（2022 年 11 月）发布之后的新页面，比例超过三分之一。分布很不均匀：.com 域名约 10%，.org 为 4.6%，.edu 和 .gov 各只有 1% 左右。口径要说清：检出的是「AI 参与过写作」，不等于全文机器生成，且样本只有英文页面。比总数更有意思的是方法细节：Pew 追踪的标记特征（em dash 频率翻倍、“delve” 一类用词、否定式排比句近乎三倍）和写作圈私下流传的「AI 味」清单几乎重合。原来那些印象派的判断标准，在语料层面真的成立。

Google 给出版商一个可嵌入的「首选来源」按钮

Google 推出一个出版商可以嵌进自己页面的交互式按钮：读者点一下，无需离开当前页面就能把该网站设为本人的「首选来源」，此后在 Top Stories、AI Overviews 和 AI Mode 里更常出现。首选来源功能本身2025 年 8 月就已上线，当时的公告就已经给出版商提供了简单版的「添加为首选来源」按钮，累计有超过 60 万个来源被用户选过；这次的新东西是交互式版本，把整个设置流程放在出版商自己的页面内完成。在 AI 搜索持续分流出版商流量的背景下，Google 等于把「留住读者」的一部分责任转给了出版商本人：能不能让读者主动点下那个按钮，成了一种相当直接的忠诚度考验。和上一条放在一起看，AI 一边在生产内容，一边在重新分配内容的曝光。

OpenAI 开设 AI Futures 栏目，主动供给治理概念

OpenAI 上线新博客栏目 AI Futures，由其 Strategic Futures 团队运营，讨论变革性 AI 对权力结构、治理、经济和个人自由的影响，后续还会有论文、视频和播客。首发文章——OpenAI 注明只代表作者个人观点，并非公司官方立场——立场明确：人类的政治、经济与社会机构应保持对世界事务的主导；提出 bounded legibility（有界可追责）的概念，即 AI 的高风险行为影响到他人人身或财产时，必须能追溯到一个负责的人或人类控制的组织，同时保留匿名使用 AI 的空间；还预判 AI 会像工业革命催生现代管理型企业那样，从结构上改造公司形态。我的判断：前沿实验室已经从被动回应监管，走到了主动生产治理词汇。就算署的是个人名义，文章毕竟发在 OpenAI 自家博客上；概念由谁定义，后续的监管辩论就在谁的框架里进行。

多 agent 在隐藏状态里串谋，新框架把监测下沉到激活层

一些多 agent 系统为了效率，让模型之间直接交换连续隐藏状态（向量）而非文本消息，于是对话记录监控完全看不到这条信道。这篇论文提出 Verifiable Latent Alignments（VLA）框架，在激活层面做监测：表示异常检测、反事实分析、稀疏自编码器解读，外加白盒干预。测试场景是受控拍卖：多个竞价 agent 私下串通压低出价，可见的对话记录毫无异常。结果是同底座模型之间检测 AUROC 达 0.993（1.0 为完美区分），换成不同底座的异构组合就掉到 0.854；白盒引导能把串谋性压价行为降低 47.3 个百分点。异构那个数字是关键：现实部署往往混用不同厂商的模型（下面 Ramp 那条就是现成例子），所以离实用还有距离。但方向是对的：agent 一旦在对话记录之下交流，监督就只能跟着下沉到激活层。

Mistral 发布 Agentic Search：让模型像翻文件一样翻文档

Mistral 推出检索层产品 Agentic Search，超越「一次检索、塞进 prompt、直接作答」的经典 RAG 套路；Mistral 把它定位成传统一次性检索答不了的问题的补充。做法是给模型五个类似文件系统的工具（search、open、navigate、read、grep），让它自己反复搜索、打开文档、跳转章节、核对原文再回答。官方基准：SEC 文件问答（FinanceBench）用 Mistral Medium 3.5 从 26.7% 提到 86%；美国财政部公报问答（Mistral 自家的 OfficeQA Pro 基准）上，GLM 5.2 从 6.3% 提到 51.9%。数字是厂商口径，但方向清楚：这就是 coding agent 用 grep 翻代码库的那套方法搬到了文档场景，检索的瓶颈从「embedding 找得准不准」转向「模型会不会自己查证」。agentic RAG 从论文概念进了大厂产品线。

Ramp 把内部用了三年的模型路由做成产品 Router

企业支出管理公司 Ramp 推出 Router（router.com）：单一 API 接入，每个请求自动路由到满足性能要求的最低成本模型，供应商故障时自动切换，覆盖 OpenAI、Anthropic、xAI，以及经 Fireworks AI 提供的 DeepSeek、Kimi 等开放权重模型。2026 年内路由服务免费（推理 token 照付），目前仅限美国。官方称早期客户平均省下约 40% 的推理成本，这是厂商自己的数字。路由长在账单侧其实顺理成章：谁掌握支出数据，谁最清楚哪些调用在浪费钱。企业「不被单一模型商锁定」的需求，正在从架构师的口头愿望变成有人专门做生意的市场。

ChatGPT macOS 版接入 Apple Messages，能替你读短信、发短信

OpenAI 通过 macOS 桌面版更新日志上线 Apple Messages 插件（仅限 Apple Silicon 机型）：连接后 ChatGPT 可以读取、搜索 Mac 上的 iMessage 和短信会话，代拟回复并直接通过 Messages 发出。默认设置下，每条消息发出前都要用户确认内容和收件人；OpenAI 自己也提醒不要轻易打开「持续批准」，因为那会拿掉发送前的最后一道人工检查。这正是我在《40 万次点击「允许」之后》里写过的机制：逐条人工确认在高频、低注意力的场景下拦截率很差，而回消息恰恰是高频低注意力的事。风险的形态也变了：拿到「替你对熟人说话」的权限之后，审批疲劳的代价从跑错一条命令，变成以你的身份说错一句话。

研究速递

Co-RL: Unsupervised Reasoning Emerges from Diverse Cohort in Multi-agent RL

让一组架构、规模各异的模型互相评价彼此的输出，以同伴反馈为奖励做强化学习，全程不用 ground-truth 可验证奖励。关键设计是队列多样性：压低相关性错误，避免自我强化式的训练塌缩。七个文本基准平均提升 3.0% 到 8.6%，多模态基准提升 2.3% 到 7.2%，追平或超过有监督基线。它挑战了「RL 推理训练必须有可验证奖励」这个当下的默认假设，关注 RL 训练效率和模型自我改进的 researcher 值得点进去看它如何防塌缩。

Zetta ζ: An Efficient Closed-Loop Embodied Harness for Self-Evolving Physical Intelligence

论文先点出结构性问题：现有具身 agent 多是开环执行、事后反思，而物理交互要求的决策频率远超大模型的推理速度。Zetta 的办法是把学习拆成三个时间尺度的环：控制频率上的治理、执行中途的恢复策略、验证通过后的技能更新；底座策略冻结，在线演化的是代码形式的 runtime critic。LIBERO-Pro 成功率 90.8%，RoboCasa 93.6%，推理提速 11.1 倍。做 embodied agent 或 robot harness 的人值得看它怎么绕开「大模型太慢、跟不上物理世界」这个约束。

现有 AI for Science 自动化系统大多只处理文本、代码或预计算好的摘要，空间、时间、跨通道这些真正决定科学结论的关系，在进入 agent 之前就丢掉了。OmniScientist 加了一个感知层，让负责选题、实验、成文的三个 agent 直接读图像、信号、音频、3D 结构等原始数据，并用代码强制执行新颖性筛查、统计有效性和数值可追溯。36 个真实案例、横跨 5 个学科跑通全流程，对只喂标量特征的基线胜率 85%。做 AI for Science 的 researcher 可以重点看它的证据管线设计。

今日一句话：内容生态的两端在朝同一个方向走：生产端，新网页三分之一有 AI 参与；分发端，Google 持续把曝光向读者的显式点选倾斜。当文本本身不再能证明价值，「被真人主动选中」就成了最硬的信号。