01、产业
小模型跑出大能力，正在改变AI的定价逻辑
7月30日，Thinking Machines Lab发布了Inkling‑Small，总参数276B，每次激活12B。在HLE、SWE‑bench Verified和Terminal‑Bench 2.1上，它的表现甚至超过了41B激活的大Inkling。价格方面，每百万输出Token从4.05美元直降到1.20美元，降幅接近70%。
紧接着，DeepSeek V4 Flash正式版在7月31日上线。它没有重新预训练，只在后训练上做了文章，大约13B激活参数就在三项代码与工具评测中拿到了54.2到82.7分，输出价格更是低到0.28美元。
两个模型走的是不同的效率路线。Inkling‑Small靠的是预训练配方、蒸馏和Agentic Coding RL，把大模型已经学会的能力压缩进更小的激活规模。而V4 Flash没有换底座，只是加强了后训练，能力却出现了明显跃升，目前用户反馈相当正向。
这两个案例说明，随着蒸馏等技术不断成熟，小参数模型确实可以在编程等复杂任务中做到相对可用。这个趋势其实已经持续了一段时间，但V4 Flash的发布，加上当前模型成本承压的大背景，终于让它成了大家讨论的公共话语焦点。
作为回应，OpenAI在7月30日把GPT‑5.6 Luna的价格下调了80%，Terra下调了20%，溢价继续留给Sol与Fast Mode。
至此，小模型不再只是部署选项，它们正在重写市场的价格锚点。超高的性价比让部分整体能力一般的大参数模型处境变得尴尬，甚至有可能被直接“斩杀”。
OpenAI组建自我改进团队
7月29日，OpenAI确认Lilian Weng回归，负责一个直接向高层汇报的递归式自我改进团队。初期路线会落在Harness上，让模型改进上下文、评测、训练和部署系统。就在第二天，公司披露Sol已经自主重写了生产推理内核，运行了数百次实验，把端到端服务成本降低了大约20%。
这是OpenAI首次明确地表态要利用AI自进化的能力。不过目前整体的使用模式仍然集中在Kernel更新这个层级，并没有表现出显著的领先优势。
整个实验的目标是降低服务成本，实验结果可以直接测量。模型不需要先发明新的学习理论，只要持续提出内核和调度改动、跑实验、保留有效方案，就能把大量工程小改进积累成20%的降本。
在当前模型界以infra为主的逻辑下，递归式自我改进最先兑现的形态，就在于它不断提高研发系统每周能完成的有效实验量。这才是真正的价值所在。
AI摘要已覆盖43%的Google搜索，但商业模式仍不清晰
Similarweb在7月22日发布报告，估算Google AI Overviews在一年内从大约15%的搜索结果扩展到43%。用户越来越多地在答案页完成理解，争夺的对象也从搜索排名转为能否进入答案。
同一份报告还估算，AI Mode的月访问量从2025年6月的1.26亿增至2026年5月的2.79亿。
Google正把搜索从链接目录改造成答案产品：用户少点一次网页，Google就多掌握一段阅读和追问过程。这无疑会重新安排内容行业的收益。
过去，内容方用内容换取搜索流量，再通过广告、订阅或转化回收成本。但答案页直接吸收内容后，来源即使被引用，也未必得到一次访问，商业价值有所折损。而Google只得到了一个相对不那么强的用户反馈数据流（因为实际上不可反问）。
从商业角度来讲，这个交换是否值得，仍然有待观察。
OpenAI分析80万条工作消息，发现岗位边界已经开始融合
7月27日，OpenAI发布机构报告，分析了超过80万条工作对话：43.5%的专业请求使用了相邻或其他岗位的技能。跨界最明显的岗位是客户体验、设计和人力资源，比例分别达到77%、75%和69%。
员工过去需要把任务交给别的部门，或者等专业人员排期，现在可以先让模型完成调研、分析、原型或文案，再请专家处理高风险部分。AI对组织产生的岗位边界迁移，终于有了一组有力的数据支持。
因此，企业后续的组织改革，需要参考一条工作流减少了多少移交、等待和返工，以及谁开始承担过去不属于自己的工作。这才是真正的衡量标准。
Andrew Ng获1亿美元投资，用新的AI教育解决认知缴械问题
7月28日，Coursera发布公告，宣布向Andrew Ng创办的LearnVector战略投资1亿美元。LearnVector计划从可信课程材料出发，根据学习目标规划路径、调整练习，并持续判断学习者是否真正掌握。
目前，生成式AI已经把得到答案变得过于容易。根据研究，越来越多的人开始无意识地习惯于未经充分审查就采用AI结论。这个现象被称为“AI带来的认知缴械”。
但在教育场景中，完成任务远不如通过过程摩擦形成能力重要。我们可能需要一个新的AI教育体系。LearnVector的概念即诞生于此——私人导师必须知道何时不该立刻给答案。它会分层提示，让学习者给出阶梯性的判断。有时候故意让学习者暴露错误，再安排变式练习。AI教育真正稀缺的能力不是消除摩擦，而是在正确位置制造摩擦。
LearnVector的赌注，是让模型为人的能力增长负责，而不只是为眼前任务完成负责。Coursera本次出资，还提供了完整的课程体系、练习记录和考核结果，这是目前AI教育领域相对比较稀缺的数据集。
02、研究
AI的科研边界开始展露
Peter Kirgis等研究者7月29日提交论文，让前沿Agent在两个后来被NeurIPS 2026接收的问题上各运行六天，并提供数千美元算力。Agent能写代码、跑实验和形成论文，却没有实质推进任何一个问题；更换模型和Scaffold后仍然如此。
这说明，当下的AI确实缺乏走出原框架的能力。这种能力目前有两个潜在解释。
Google DeepMind研究者Tom Zaha vy的《LLMs Can’t Jump》把AI缺乏的能力称为“跳跃”：模型能归纳、演绎，却难以从矛盾现象中提出原本不在搜索空间里的解释。延长运行只会在既定方向上搜得更远，不会自动告诉它何时应改写问题。
另一篇Yale University与University of Chicago的论文《Measuring the Gap Between Human and LLM Research Ideas》则更定量地对此进行了研究。他们发现，科研构思分两步。第一步是从哪里发现研究机会，也就是“为什么要做这项研究”。它可能来自矛盾、解释缺失、证据不足、适用范围过窄、失败风险、资源瓶颈，也可能来自两个研究方向没有连接。第二步是用什么动作构成贡献，例如建立理论、做测量、造一个系统、进行优化、提高鲁棒性，或者把多个方法综合起来。
目前，LLM与人类最大的差距出现在第一步，也就是“怎么看出这里有问题”。它们太喜欢“组合”和“连接”研究方向了。依靠同样的参考文献去提出研究方法，人类只有12.1%会选择连接分散文献，然后放进更大框架里去。但模型试图用这个方法的概率是47.1%到64.2%。
另外的重要发现包括：1）AI特别喜欢用成熟、显眼、可复用的技术母题，做成插槽，套成解释方法。2）更多思考对科研的新颖性反而形成了负向效果。打开thinking mode，Qwen3‑8B的桥接型选题反而从49.7%升到71.1%。推理把熟悉模板执行得更彻底，却没有增加选题动作。
与谷歌论文相似，该论文得到的结论是：AI真正稀缺的研究品味，是察觉异常、推翻和质疑假设——而这种类型的科学创新几乎占了80%。因此，想要做好AI4Science，下一步至少要推进奖励质疑、解耦和反例，让模型的注意力放在“为什么值得做”，而不是“怎样把它做完”。
Kimi K3公开2.8万亿参数训练方案，超大模型开始拼系统总效率
月之暗面7月27日提交Kimi K3技术报告并公开完整权重。K3总参数2.8T，每个Token激活104B，支持原生视觉与100万Token上下文。团队报告，相对K2的总体Scaling Efficiency提高了约2.5倍。
K3的架构调整，主要集中在引入线性注意力、通过投影压缩降低MoE专家参数提升带来的带宽负担，以及通过Attention Residuals提高深层神经网络的学习效率。另外的一些创新则主要分布在负载均衡上。MoonEP根据当前路由动态复制和迁移专家，让每个并行节点获得相同Token负载，并通过计算重叠和统一内存管理减少空转。
K3说明超大MoE的骨架正在定型：稀疏专家提供容量，混合注意力革新承担长上下文，残差寻址维持深层信息，集群调度把理论算力变成有效训练量。整体来看，它的改动点和从V3到V4这个周期内的架构更新范式完全一致。
T‑Rex把触觉从额外输入改成高速反射，灵巧手成功率达到65%
UC Berkeley、NVIDIA、Stanford等机构的研究者6月15日提交、18日更新T‑Rex论文，开放100小时触觉数据，并在12项接触密集任务中取得65%平均成功率，最强基线为35%。
它们的研究发现，直接把触觉接入视觉模型，准确率反而退步。T‑Rex因而分开低频规划与高频触觉纠错，因为触觉与视觉解决的不是同一个时间尺度。摄像头适合判断杯子在哪里、下一步抓什么。而手指已经接触物体后，力的变化可能在下一帧视觉到来前就决定抓取是否失败。T‑Rex让低频动作专家负责计划，高频触觉专家处理滑动、碰撞和接触变化，相当于把思考和反射拆开，达成了有效的能力提升。
之前，触觉虽然一直是具身模型的一个潜在重要维度，但并没有形成很好的融入触觉的训练方法。此后沿着这条路径，触觉会成为具身的一个主要训练模态。而且它还提供了一个潜在的范式反思空间：具身模型若继续沿统一Token序列处理所有输入，高频反馈会被慢速规划拖住。触觉、力觉和本体感觉进入机器人后，模型结构也必须按控制回路重新分层。比起System 1和System 2，我们可能需要一些更复杂和精细的优先级系统。
md形式不可靠，激发了新一轮的有效知识结构探索
7月28日，Surge AI提交HANDBOOK.md论文，设置了65个长程企业任务，把20到124页的SOP完整放进上下文，并开放邮件、日历、工单、表格、采购等82个工具，其中824条程序规则同时检查必做和禁止动作。结果30组配置中，最佳严格通过率只有36.2%，多数前沿模型低于25%。
这说明，即使依靠目前的Harness，长程文字形式的规范依然难以被有效遵循。增加思考也无法修复这一点。为了应对这一问题，在实践层面上Graph Engineering爆火，而在研究领域，如何更好地建构长程Agent任务的上下文也成了当下的核心热点。
其方法，就是把规则编译成可执行结构。DataFlow‑Harness不让Agent生成自由脚本，而是通过带类型的局部修改构建平台原生DAG，每一步都对应已存在的算子和管线状态。Prompt Graph Engineering进一步要求图结构显式存在、结构与提示内容分离、节点和边具有可执行语义，并把整张图作为可版本化和测试的一等制品。
HANDBOOK.md暴露了文档式管理的上限，其他研究给出的共同方向，是把规则从“可被读到”推进到“能在执行中被寻址、约束和验证”。因为这一改变，Agent的评价也随之从答案扩展到过程。LangChain最新的Agent评价标准将输出、轨迹和跨轮线程分开检查。终态评价看Agent最后有没有办成事，而轨迹评价则看模型是否越权、漏检或走了不可复现的路径。
对企业来说，这后续可能意味着知识库和Agent平台会逐渐分开。知识库保存规则原文和证据，运行时系统需要负责把规则编译成图、权限和测试。
早期信号｜后训练最优算力可以通过预训练判断
NYU、Modal、UCLA、UIUC与Columbia的研究者7月17日提交论文，发现模型由50M增至680M时，RL占总算力的最优比例由约20%升至28%。
研究者先训练了一批500万到10亿参数的棋类模型，完整走了一遍“预训练—SFT—RL”的流程。他们发现，一个底座在预训练结束时的loss，基本可以预测它经过RL后最终能达到什么水平。相关性达到0.93到0.99，意味着底座训练得好不好，几乎已经决定了后面RL的起点和上限。
但预训练不只是决定起点，还决定RL是否吃得动。模型在预训练阶段见过的数据越多、基础能力越扎实，后续每增加一档RL算力，成绩提升得越快。反过来，如果底座还很弱，就急着切到RL，模型往往只是在反复强化自己原有的错误，投入更多算力也换不来多少进步。
因此，前期算力应该主要用来把底座练扎实；等继续预训练的边际收益开始下降，再逐渐把更多预算转向RL。
研究者进一步把这套规律接入Chinchilla scaling law，在大约400种模型规模和算力分配方案中寻找最优解。结果显示，在他们的实验条件下，模型从5000万参数增大到6.8亿参数时，RL占总训练算力的最优比例，大约从20%上升到28%。
当然，这个比例只针对实验里的棋类任务，而且优化目标是第一次回答就答对的概率。如果看pass@16，也就是允许模型生成多个候选答案，较大的模型经过RL后有时反而会持平甚至下降。原因是RL可能让模型更确信某几条高概率路径，却同时牺牲答案的多样性，甚至把难题里的错误思路强化得更稳定。
03、政策
前沿模型广泛暴露出逃逸沙箱风险
7月27日，Hugging Face公布了OpenAI安全评测事故的完整时间线：一个内部模型在ExploitGym网络安全评测中持续行动4.5天，留下约17600次操作，最终进入了Hugging Face的生产基础设施。OpenAI随后请CrowdStrike、METR与Redwood Research参与外部复核。
7月30日，Anthropic回看141006次网络安全评测，又发现三起真实机构事故。在这些事故中，系统提示告诉Claude“没有互联网”，实际环境却能出网，模型发现了出网的可能，因此把真实站点当作模拟题目继续攻。
不同模型、不同合作方出现相似事故，说明这是安全评测的共同结构风险。最弱的一环决定了隔离强度，目前看沙箱逃逸就是最弱的一环。
FCC阻止外国机器人和逆变器新型号获批，AI封锁延伸到身体和电力接口
7月28日，美国联邦通信委员会发布政府文件，宣布把外国生产的先进机器人设备和电力逆变器整体加入Covered List，新型号原则上无法取得进入美国市场所需的认证。限制正从先进芯片外移，具身身体和电力接口都开始被纳入AI供应链安全。
这主要是考虑先进机器人能够感知环境并执行物理动作，联网逆变器则处在发电设备与电网之间。一旦远程控制、软件更新或通信链路被利用，风险会直接落到工厂、家庭和能源系统。美国过去围绕算力限制模型训练，现在开始限制AI系统进入现实世界后可以控制的端点。
这会让具身智能公司的合规门槛前移。企业不仅要解释模型和芯片来自哪里，还要交代控制器、通信模块、更新机制和供应链。机器人与能源设备进入美国市场，原产地和远程访问权将和性能一起成为采购条件。
早期信号｜超过1200名前沿AI从业者开始要求为自动化研发建立国际刹车机制
自动化研发的反馈速度开始成为独立治理对象，前沿实验室内部出现了为它设置国际刹车机制的主张。
多家实验室研究者7月28日发布《Pacing the Frontier》声明：截至当周结束，签署者已超过1200人。声明要求在模型快速参与训练、评测和部署时，保留可验证的主动放慢机制。
比较重要的是，OpenAI本次也积极参与这一号召。两大顶尖前沿模型公司都表达了同一个希望暂缓的信号。签署人们的主要担忧对象，是自动化研发（RSI）的快速进步。当下模型可以帮助设计实验、改进代码和分析训练，再把结果用于下一轮模型，循环频率持续加快后，外部机构很难只靠发布前评测掌握变化。
