GPT-6 家族模型指南：选型、推理强度与生产落地的关键要点
概述OpenAI 于 2026 年 10 月 2 日发布了一篇面向开发者的产品指南《A model guide for the GPT-6 family》，主题是：如何在控制时间和成本的前提下，从 GPT-6 系列模型中获得最好的结果。 指南把 GPT-6 定位为 OpenAI「迄今最先进的模型套件」，并按照工作类型提供了多个模型选项。文章覆盖的场景从「把想法变成可用的原型」，到「构建和测试某个功能」，再到「跨代码仓库、数据库和外部 API 编排多步骤工作流」。 指南开篇给出了一份 TL;DR，把这套方法论压缩成四条： 在生产中高效运行：用缓存（caching）和压缩（compaction）管理上下文与成本，度量任务成功率与延迟，提前规划监控与数据控制。 让模型匹配工作负载：在能力、成本和延迟之间做平衡，通过选择模型、推理强度（reasoning effort）和处理速度来适配任务。 调整提示词与技能（skills）：让提示词、技能和仓库指令在「模型要交付什么」「它能独立做什么」「什么算完成」三件事上保持一致。 让长任务保持在轨：用 steering、异步工具和委派来处理更新与...
从提案到已验证效果：Praxa 如何为受治理的 AI Agent 执行建立「证据边界」
事件/论文概述arXiv 上出现了一篇题为 《From Proposal to Verified Effect: Praxa, an Evidence-Bound Harness for Governed AI Agent Execution》 的论文（arXiv:2610.00015，cs.AI），作者为 Stefan G. Creadore。论文页面显示提交时间为 2026 年 7 月 27 日，全文 30 页、8 张图，附带公开制品（论文中给出的制品链接在抓取到的页面里被压缩为 “this https URL”，具体地址原文未说明）。 论文要解决的核心问题并不是“让 Agent 更强”，而是让 Agent 的“执行主张”变得可区分、可验证。作者指出：大语言模型 Agent 可以提出并执行动作，但下面这几件事本质上是不同强度的声明，不能混为一谈： 提出动作（proposal）； 获得授权（authority）； 实际派发（dispatch）； 被验证的外部效果（verified external effect）； 服务上线/晋升（serving prom...
重尾记忆痕迹：长程语言 Agent 的记忆形态诊断与 Core–Tail 世界模型
事件/论文概述arXiv 上新出现一篇 cs.AI 论文《Heavy-Tailed Memory Traces in Long-Horizon Language Agents》（arXiv:2610.00010），作者为 Xinyuan Song 与 Zekun Cai，当前状态为 Under Review（审稿中），提交时间为 2026 年 7 月 9 日。 论文的出发点是一个被现有评测体系忽视的观察角度：长程语言 Agent 越来越依赖外部记忆作为「冻结的世界模型」（frozen world model），但业界评价记忆系统时，通常只看任务成功率或 token 成本。作者认为这两类指标漏掉了一个关键对象——记忆被使用时的形态（shape of memory use）。在上下文有限且反复检索的条件下，Agent 的记忆会向一个很小的核心（core）集中，而把稀有状态留在长尾（tail）中，长尾正是预测误差累积的地方。 论文通过一种「保守的尾部审计」（conservative tail audit）研究这一现象，并据此提出了 Core–Tail World Model（...
论文解读：Rationale 到底在传递什么？角色分工 QA 中的消息干预研究
一、事件/论文概述arXiv 上新发布的预印本《What Do Rationales Communicate? A Message-Intervention Study in Role-Specialized QA》（arXiv:2610.00018）提出了一个略显”反直觉”的问题：在”推理者（reasoner）→ 验证者（verifier）”这种角色分工的问答流水线里，推理者传给验证者的那段理由（rationale）究竟买到了什么——更准的答案？更强的证据支持判断？还是一个新的失效面？ 作者是 Jiameng Zhang 与 Hongqiu Wu，论文为 14 页、6 图、9 表的预印本，隶属 cs.AI 与 cs.CL 分类，v1 提交于 2026 年 7 月 27 日。 论文的核心做法是设计了一种消息干预诊断（message-intervention diagnostic）：固定证据与候选答案不变，只改变跨越 reasoner-to-verifier 边界所传递的那段 rationale。实验在 MuSiQue、HotpotQA、2WikiMultiHopQA 三...
因果世界模型何时真正帮到模块化 LLM Agent？——FedCausalCompose 论文速读
事件/论文概述arXiv 上新挂出一篇 cs.AI 论文 《When Do Causal World Models Help Modular LLM Agents》（arXiv:2610.00012），作者为 Xinyuan Song 与 Zekun Cai，当前状态标注为 Under Review（审稿中）。 论文关注的场景是当下 Agent 系统最常见的工程形态之一：模块化服务编排。订单、支付、库存、物流这些模块各自独立，但一个模块里的动作会改变另一个模块中哪些状态转移是合法的——支付成功与否，直接决定发货这一步能不能走通。 问题出在”世界模型”的构建方式上。主流做法是让模型去拟合观测轨迹（observational traces），但论文指出，这不是干预式规划（intervention-time planning）真正需要的量。一条轨迹可以显示”支付发生在发货之前”，却无法回答三个截然不同的问题： 支付是否授权了发货？ 库存是否是两者之间的中介变量？ 是否有一个隐藏触发因素同时解释了支付和发货？ 这三种结构在观测数据上可能长得一模一样，但在 Agent 实际采...
永恒的互补品：为什么超级智能最大的价值可能是去做"无聊"的工作
事件概述OpenAI News 于 2026 年 10 月 1 日发布了一篇题为《The eternal complement》（永恒的互补品）的文章，作者是 Hemanth Asirvatham 与 Elliott Mokski。这是他们关于”下一个经济”系列文章的第一篇，该系列属于一个用于承载独立观点、探讨 AGI 未来的新平台。作者在文首明确声明：文章反映的是他们个人的观点，而非 OpenAI 或其同事的立场。 文章的核心论点可以概括为一句话：高级 AI 最大的价值，也许不在于生成天才的想法，而在于承担突破性想法背后那些重复性的执行工作。 作者由此讨论执行能力如何塑造下一轮经济与人类进步的节奏。 关键论点与技术要点1. 心智跑在执行前面作者开篇用一个对比建立张力：从方程和望远镜出发，人类已经能够叙述宇宙诞生之初的历史、追溯恒星与星系的形成；但至今没有任何人亲身越过月球。我们的心智远超双手可及的范围。 作者指出这种错配指向两种可能： 深度路径：最深层的真理也许可以从单一星球上被理解。文明通过”深度”而非”宽度”进步。这也可以部分解释费米悖论——银河系里可能充满从未需要向外扩...
AREX-2：用长程反思任务训练能自我改进的 LLM Agent
一、事件概述arXiv 上出现了一篇新论文 《AREX-2: Advancing Self-Improving Agents through Long-Horizon Reflective Tasks》（arXiv:2609.38288，cs.AI，v1 提交于 2026 年 9 月 29 日）。作者包括 Hongjin Qian、Chaofan Li、Kun Luo、Wenqing Wei、Jianlyu Chen、Shuqi Lu、Yuyang Hu、Hongwang Xiao、Hui Wang、Chaozhuo Li、Qiwei Ye、Zhicheng Dou、Defu Lian、Zheng Liu 共 14 人。 论文的核心主张可以概括为一句话：让 Agent 在测试时反复迭代、把当前解改得更好，这种”自我改进”能力是可以被训练出来的，而且是与领域无关的。 作者把自我改进能力定义为：在测试阶段（test time）对一个解进行迭代式精炼的能力。他们认为这依赖两项互补的子能力： 反思（reflection）：产出一个比当前解更好的解； 长程执行（long-horizon ...
MoFlow：用一次搜索覆盖 Pareto 前沿的多目标 Agentic 工作流生成
事件/论文概述arXiv 上新出现一篇 cs.AI 论文 《MoFlow: Multi-Objective Agentic Workflow Generation》（arXiv:2609.38294，v1 提交于 2026 年 9 月 29 日）。作者为 Yining Lu、Aurelie Lozano、Xi Yang、Naoki Abe、Yu Deng、Meng Jiang 共六人。 论文要解决的问题很具体：Agentic workflow 的自动生成，能不能同时优化多个目标？ 这里的目标不只是准确率，还包括成本（cost）、延迟（latency）、鲁棒性（robustness）和一致性（consistency）。作者指出，现有的工作流生成方法通常只优化准确率，或者优化多个目标的加权和。后者的代价是：训练出来的生成器被绑定在一种固定的权衡（trade-off）上；一旦偏好变化——比如线上服务从“精度优先”切换到“延迟优先”——就必须从零重新训练。 MoFlow 的解法是让单次搜索近似覆盖整个 Pareto 前沿，之后任意偏好只需查表（lookup）即可返回对应工作流，...
GAD-RL：用门控与衰减的在线策略蒸馏提升 OCR 保真度
一、论文概述arXiv 上新收录的一篇 cs.AI 论文 《Improving OCR Faithfulness via Gated and Attenuated On-Policy Distillation》（arXiv:2609.38282，v1 提交于 2026 年 9 月 29 日 16:15:21 UTC），作者为 Baode Wang、Zuming Huang、Kexuan Ren、Jun Huang、Wei Chu。 论文要解决的问题很具体：视觉语言模型（VLM）在 OCR 任务中会把图像里的”异常文本”改写成语言上更通顺的表达。例如图像中原本是拼写错误、乱码、罕见符号或非常规大小写的内容，模型会”顺手”把它纠正成看起来合理的词。这类行为在通用多模态对话里或许算加分项，但在 OCR 转写场景中直接破坏了 transcription faithfulness（转写保真度）——模型输出的不是它看到的东西，而是它认为应该看到的东西。 作者的核心观察是方法论层面的：序列级任务奖励（sequence-level task rewards）与教师模型的局部引导（local te...
OpenAI 披露并阻断一次协同模型蒸馏行动：受保护推理成了攻击目标
事件概述OpenAI 在 2026 年 9 月 30 日发布安全公告，披露其近期识别并阻断了一次协同的模型蒸馏行动（coordinated model-distillation campaign），该行动的目标是提取 OpenAI 模型中被保护的推理内容（protected reasoning）。 按照原文的说法，最早观察到的活动出现在 7 月第一周。OpenAI 将这类行为定性为对抗性蒸馏（adversarial distillation），即系统性地、未经授权地使用一个模型的输出或推理，来帮助训练、复现或改进另一个模型。 需要特别注意的是，OpenAI 明确表示攻击者没有攻破加密、没有入侵数据库，也没有直接访问存储的用户对话记录。他们做的是操纵模型交互方式，让受保护的推理以请求方可见的形式被复现出来，并且是以协同化、规模化的方式进行的，违反了服务条款。 OpenAI 在发布前完成了范围与潜在影响调查、部署了自身的缓解措施，并与研究人员和行业伙伴沟通、收集反馈。相关调查与缓解工作仍在继续。 关键技术点受保护推理是什么原文对”受保护推理”的定义是：模型处理任务时的内部记录。提取它...
