Yunkai's Blog Lab

事件概述OpenAI 于 2026 年 9 月 22 日发布 GPT-6 Sol 和 GPT-6 Luna 两款新模型，定位是在 GPT-6 Astra 之外提供”能力与成本不同配比”的选择。官方表述很明确：Astra 依然是最智能、对齐最好的模型，用于最苛刻的项目；Sol 和 Luna 的目标是把 Astra 背后的那代智能”分发”出去，路径是压低成本。 按原文说法，两款模型使用了与 Astra 相似的方法训练，把 Astra 在专业工作、事实性、编码、计算机使用和对齐方面的进展，带到了更快、更便宜的模型上。同时，OpenAI 将 Sol 和 Luna 的 API 价格相比其 GPT-5.6 促销定价下调 50%，并称这来自缓存与推理效率的提升，节省被直接传导给了用户。 需要说明的是，原文未披露两款模型的参数规模、上下文长度、模态支持范围、具体训练数据或架构细节，也未说明除 API 之外的分发渠道与上线时间。 关键技术点价格与成本结构价格以每百万 token 计： 模型 输入 输出 降幅 GPT-5.6 Sol → GPT-6 Sol $4 → $2 $20 → $...

事件概述OpenAI 官网于 2026 年 9 月 22 日发布了一则初创公司案例：Parallel（Parallel Web Systems）在把 GPT-6 Astra 接入其 Agent 系统后，原本耗时最久的一类研究工作——跨网站检索、信息收集与研究报告撰写——完成时间缩短了一半，代码成本下降了约 50%，而研究质量与之前持平。 Parallel 的定位是为”在 Web 上做知识工作”的 AI Agent 提供开发者基础设施，其工具覆盖从语音 Agent 的网页 grounding，到面向金融机构与法律客户的研究类任务，做法是把前沿模型与网页搜索结合起来。 根据文中引用的 Parallel 技术团队成员 Devin Gupta 的说法，此前对于最耗时的研究任务，要拿到高质量答案通常意味着使用更大的模型加更长的推理过程，随之而来的是更多时间与资源消耗。GPT-6 Astra 带来的变化集中在两点：单位任务的时间与成本下降，以及达到同等质量所需的步骤变少。 需要说明的是，原文并未披露对比基线具体是哪些”prior models”，也未给出模型参数、上下文长度、检索接口实现等技...

论文概述2026 年 9 月 22 日，arXiv cs.AI 板块更新了一篇新论文 《Attention-Aware Routing: Coupling Routing and Attention in MoEs》（arXiv:2609.20974，提交时间 2026-09-17，作者为 Despoina Kosmopoulou、Anastasios Tsetsilas、Efthymios Georgiou、Giannis Karamanolakis、Swastik Roy、Alexandros Potamianos）。 论文的出发点很直接：在 Mixture-of-Experts（MoE）语言模型里，路由器通常只根据当前 token 的 hidden state 来选择并加权专家，用到的上下文信息相当有限。作者提出 Attention-Aware Routing（AAR），把注意力权重中蕴含的上下文信息引入路由决策，并借此揭示了一个更有意思的结论——路由与注意力在模型内部构成了一条耦合回路。 需要说明的是，论文的核心实验是在 OLMoE 上做的，主要评测指标是 GSM8K。其...

论文概述arXiv 上出现了一篇题为 《CaLR: Causal Latent Revision for Robust Diffusion Reasoning》 的新论文（arXiv:2609.20981，cs.AI，2026 年 9 月 17 日提交，v1）。作者为 Wei Cai、Jian Zhao、Yuchen Yuan、Xuelong Li 四人。 论文要解决的问题是一个非常经典的”两难”： 自回归模型（AR）：逐 token 生成，容易陷入局部贪婪（local greediness）——每一步都选当前概率最高的词，缺乏全局回退和修正能力； 扩散语言模型（DLM）：并行去噪生成，天生具备全局迭代的能力，但往往缺乏推理所需的严格因果结构，中间步骤之间的逻辑依赖关系得不到显式约束。 作者的思路是把两者优势结合：提出 Causal Latent Revision（CaLR），将推理过程重新表述为一个带约束的潜空间优化问题。具体做法是引入来自专家模型的因果拓扑矩阵（Causal Topology Matrix, CTM），配合隐式微分（implicit differentia...

事件概述OpenAI 于 2026 年 9 月 21 日发布公告，宣布正在与一个独立的「数学与人工智能顾问组」（Advisory Group on Mathematics and Artificial Intelligence）合作，用于指导新兴 AI 成果的评审与对外沟通。 公告披露了一项颇为引人注目的进展：OpenAI 称其于 8 月 28 日开始训练一个新的内部模型，该模型除了解决纳维–斯托克斯方程（Navier–Stokes）千禧年大奖难题之外，目前已解决数学大多数领域中超过 100 个长期悬而未决的开放问题。OpenAI 表示，这一进展速度令其内部数学家感到意外，并由此引发了关于如何以最佳方式告知学界、以便整个领域做好准备并适应变化的内部讨论。 需要强调的是，以上均为 OpenAI 单方面的说法。原文未说明该内部模型的具体名称、架构、参数规模，也未说明这些「解决」结果是否经过形式化验证或同行评审，原文同样未给出被解决问题的清单。 顾问组的定位与机制公告提到，数学家们近期在一封题为《A Severe Misalignment of AI in Mathematics》的公...

事件概述OpenAI 于 2026 年 9 月 21 日发布了一篇初创公司案例，主角是视频 AI 创作平台 Higgsfield AI。根据原文描述，Higgsfield AI 的目标是帮助创意人员端到端完成视频工作流，让全球的专业人士——包括靠视频广告卖货的小企业——都能更容易地进行创意叙事。 这篇文章的核心信息有两层： 面向客户：GPT-6 Astra 被接入 Higgsfield 的广告创作流程，让「把表现最好的广告生成 100 个变体」这类请求可以通过单条 prompt 完成，并支持按国家等维度做本地化定制。 面向内部研发：GPT-6 Astra 帮助 Higgsfield 的单个工程师在一天之内交付新的探索性功能。 原文引用了 Higgsfield AI 联合创始人兼 CEO Alex Mashrabov 的评价： “We are very excited about GPT-6 Astra helping us to deliver new exploration features just within a day. And this now can be d...

事件概述2026 年 9 月 21 日，OpenAI 在官方博客发布《Building standards for the next phase of AI》，从全球事务（Global Affairs）的角度，提出了一条建立共享全球 AI 标准的路径，呼吁通过协调一致的评估、报告与治理机制来提升安全性。 文章开篇重申了 OpenAI 的使命——确保通用人工智能（AGI）惠及全人类，并回顾了 Sam Altman 与 Jakub Pachocki 近期提出的三个主要目标： 导航下一阶段的 AI 进展：构建一个自动化的 AI 研究员，与它一起迭代对齐问题，并找到让人们留在自我改进回路中的方法； 交付收益：释放极智能机器所带来的科学进步与经济增长； 个人 AGI：用个人 AGI 赋能每一个个体。 OpenAI 在文中指出，AI 正在加速其自身的研究与工程工作，AI 驱动的研究已在数学领域带来进展，其中包括纳维-斯托克斯（Navier-Stokes）千禧年问题。这些进展被认为有望推动医学发现、广泛可及的健康护理，以及面向全球小企业和个体创业者的经济赋权。 值得注意的是，这篇文章的核心...

事件概述OpenAI 于 2026 年 9 月 21 日宣布扩展 OpenAI Academy，新增面向开发者、领导者、教育工作者和大学生（college students）的课程。这些新课程与既有的 Apply AI at Work 学习路径并列，共同组成一套按角色划分的学习体系，目标是帮助不同岗位的人建立实用的 AI 技能，并通过课程评估来证明自己学到了什么。 按照官方说法，组织可以把 Apply AI at Work 与面向开发者、领导者、教育工作者和学生的专项学习组合起来，为不同团队挑选合适的课程。学习者通过课程评估后，可以获得一枚 OpenAI Academy 课程徽章（course badge）。 OpenAI 在文中提出的核心理念是“use AI to learn AI”——用 AI 来学 AI。学习者在真实任务上练习：给出指令、补充上下文、并随时审查结果。 关键技术点与课程结构官方公布的几条学习路径如下： 1. Apply AI at Work（知识工作者）面向日常工作场景。学习者从基础开始，练习如何给出清晰指令、补充相关上下文、并对照手头任务审查模型回复。随后把...

事件概述arXiv 上出现一篇新论文 《RBS-Attention: Radius-Bounded Sparse Prefill for Long-Context Large Language Models》（arXiv:2609.20971，cs.AI），作者为 Chuxu Song、Jiuqi Wei、Zhencan Peng，提交时间为 2026-09-17，本条信息来自 cs.AI 的更新公告。 论文针对的是长上下文大模型推理中最先撞上的那堵墙：prefill（预填充）阶段的稠密自注意力。在生成开始之前，模型必须对整个 prompt 做一遍稠密自注意力计算，prompt 越长，这部分开销越不可忽视。已有的思路是用稀疏的 block 选择来削减计算量，但论文指出这类方法存在一个被忽视的失效模式——作者称之为 mean dilution（均值稀释）：当用一个 block 的质心（centroid）代表整个块的相关性时，块内某个高度相关的 token 可能被大量不相关 token 平均掉，导致这个块被错误地判定为不重要而丢弃。 为此作者提出 RBS-Attention，一种免训...

事件概述Hacker News 首页最近出现了一个名为 Amiga Unix, Again 的项目，域名是 amigaux.org。它做的事情可以用一句话概括：把 Commodore 的 Unix 重新捡起来，跑到今天的硬件上。 背景是这样的。Amiga Unix（简称 Amix）是 Commodore 基于 System V Release 4 做的 Unix 系统，1990–1992 年间随 A2500UX 和 A3000UX 出货，然后就停在那里了。此后三十多年，它基本只存在于收藏家和模拟器爱好者的硬盘镜像里。 amigaux.org 是一个非官方社区项目，目标是把 Amix 重新激活： 支持 68040 和 68060 机器，以及今天的加速卡硬件； 引入现代工具链； 做一个包管理器； 为那些”从来没有过驱动”的扩展卡写驱动。 项目由 asokero、isoriano1968 和 jusii 三人在公开环境下推进，所有过程都记录在一份名为 grimoire 的文档仓库里。原文没有说明项目的启动时间、资金来源或团队规模。 值得注意的是项目页面上的一段自述：部分工作是用生成...