2026年9月16日星期三

内容提要

• Salesforce 将其 CRM 迁移至 Claude 并配备了 37 项预构建销售技能，同时发布了基于 Nvidia 的 Nemotron 3 Super 后训练而成的自有领域推理模型 Koa。Marc Benioff 在主题演讲中的观点是：SaaS 末日并非软件的终结，但可能是让人类承担所有工作的软件的终结。
• Anthropic、Google 和 OpenAI 已就成立第三方测试机构展开讨论，OpenAI 支持 FRONTIER 法案中关于派驻评估人员的规定，而 Center for Democracy and Technology 的 Miranda Bogen 表示，若缺乏标准、强制性修复措施以及模型失效时的明确责任划分，外部测试人员无法改变企业的行为。
• Odyssey-3 通过单一共享主干网络结合顶层小型任务适配器，即可控制机器人、人形机器人、汽车、无人机和游戏角色，并报告称仅在模拟环境中训练的策略在印度道路上的真实驾驶表现达到了 77%。

头条新闻

• Salesforce 将其 CRM 迁入 Claude，并为其余业务构建了自有模型. 在周二的 Dreamforce 大会上，Salesforce 发布了领域推理模型 Koa。该模型基于提取自约三十年商业知识的合成数据，对 Nvidia 的 Nemotron 3 Super 进行后训练而成，并针对执行多任务的长周期智能体进行了调优。Salesforce 表示，Koa 在 CRM 操作上的表现达到或超越了领先模型，且在其自有的 CRM 基准测试中错误率降低了三分之二。随同发布的还有另外三项产品：直接读取用户的 Salesforce 实例以回答问题、运行查询并构建仪表盘的 AIforce；作为 Salesforce in Claude 测试版的 Claudeforce，内置 37 项预构建销售技能，涵盖交易审查、销售管道清理、潜在客户研究和客户管理，管理员只需连接一次，权限即可继承自现有的 Salesforce 角色；以及通过 API、MCP、插件和技能开放平台的 Headless 360，使客户能够在 salesforce.com 之外开展工作。面向服务、营销和商务团队的技能计划于今年晚些时候推出。Marc Benioff 在主题演讲中表示：SaaS 末日无关软件的终结，但它可能关乎让人类承担所有工作的软件的终结。 ^{[1] [2] [3] [4]}
• 各大实验室就第三方测试达成共识，但执行问题悬而未决. Anthropic、Google 和 OpenAI 已就建立一个在部署前测试先进模型的行业标准机构展开讨论。据 CNN 报道，这一对话始于 Demis Hassabis 今年 7 月发表的一篇文章，他在文中提议成立一个效仿 FINRA、由美国主导的监管机构。OpenAI 正在支持一项名为 FRONTIER 法案的众议院两党提案，该提案要求前沿实验室接纳外部评估人员入驻；同时，派驻评估人员也是 Dario Amodei 计划的一部分，旨在赋予第三方团队类似员工的访问权限，以核实安全承诺。Elon Musk 呼吁各实验室互相测试对方的模型，并点名了 OpenAI、Anthropic、Google、Meta 以及三到四家领先的中国企业；Zuckerberg 则认为，当安全需要时，实验室应当主动放缓步伐，而信任与对齐将被视为产品优势，而非单纯的合规工作。Center for Democracy and Technology 治理实验室主任 Miranda Bogen 向 The Deep View 表示，外部测试人员可以发现问题，但仅靠他们自身无法改变企业的行为。她列出了目前缺失的要素：衡量标准、向外部利益相关者报告安全检查未通过的渠道、强制性修复措施，以及明确的责任分配，以确保评估不会沦为走过场的勾选练习。The Deep View 自身的解读是，Trump 政府曾表示并未看到行业所描述的风险，而让中国实验室参与合作则构成了第二重障碍。 ^{[5] [6] [7] [8] [9] [10]}
• Odyssey-3 凭单一冻结主干网络驱动机器人、汽车与无人机. Odyssey 发布了 Odyssey-3，这是一个能够同时控制机器人、人形机器人、汽车、无人机和电子游戏角色的单一模型。该架构保持一个共享预训练主干网络处于冻结状态，并在其之上训练小型的特定任务适配器，因此适配新机器人或新车辆只需构建一个轻量级网络层，而无需进行完整的训练。报告披露的能力包括：由单一模型跨上述五个平台进行控制、供智能体在实践中学习的交互式模拟世界、纯模拟训练策略在印度道路上达到真实驾驶表现的 77%，以及利用 AI 生成的世界来训练下一代模型的训练闭环。预计未来几周内将通过开发者门户开放公共访问权限，届时其模拟到真实的转化数据将是值得在自有硬件上验证的核心指标。 ^{[11] [12]}
• ChatGPT 联合创造者推出专注决策而非文本生成的模型. 曾参与 ChatGPT 背后研究工作的 Diogo Almeida 花费两年时间构建了 TypeSafe 所称的 System One 模型，其中首个公开的模型是 JEV。该模型接收结构化问题，并返回强类型答案及经过校准的概率，而非生成文本。据 TypeSafe 报告，其响应时间为 70 至 500 毫秒，比同类 LLM 工作流快 20 至 200 倍，成本低 40 至 400 倍；其训练基于校准决策强化学习（Reinforcement Learning for Calibrated Decisions），从而使置信度得分对调用软件具有实际参考价值。TypeSafe 宣传的成本数据为：等效工作量下每十亿 token 约 42 美元。其核心卖点在于工作流需要做出决策而非给出解释的场景，例如标记欺诈行为、升级警报或对 1,000 条记录进行分类筛选。TypeSafe 目前正在接受访问申请，因此其速度和成本声明尚未在生产环境中得到验证。如果这些数据属实，一种常见的智能体模式将发生改变：开发者将不再需要向聊天模型索要 JSON，也不必再编写代码去检查该 JSON 是否合理。 ^[13]
• Gemini 3.8 Live 新增实时视觉与 97 种语言语音支持. Google DeepMind 推出了其最新的实时对话模型 Gemini 3.8 Live，具备实时视觉输入、跨 97 种语言的语音支持以及升级版的并行推理能力。Live Extended Thinking 新增了一种重度模式，可在开口回答前进行更长时间的推理。两家新闻通讯均将其标记为当日发布的产品，而它与上一代产品的实际区别在于，视觉和语音功能集成到了同一个实时会话中，不再是彼此独立的工具。 ^[14]
• OpenAI 以 1.2T 美元估值洽谈上市前融资，同时 Gates Foundation 投入 1B 美元普及 AI. 据 Financial Times 报道，在年化收入突破 400 亿美元后，OpenAI 正处于新一轮融资的早期洽谈阶段，估值约为 1.2 万亿美元。与此同时，Gates Foundation 承诺投入 10 亿美元以扩大全球 AI 的普及度。同一天还有两笔规模较小的融资落地：专注 AI 搜索优化的 Profound 在六个月内实现收入增长 3 倍、企业客户突破 1,000 家后，以 18 亿美元估值筹集了 1.8 亿美元；制造业 AI 公司 CADDi 则以 12 亿美元估值筹集了 1.14 亿美元。 ^{[15] [16] [17] [18]}
• 两个团队将模型带入物理世界：重达 284 磅的人形机器人与直连实验台的模型. Agility Robotics 发布了 Digit 5，这是一款身高 5'11"、重 284 磅的人形机器人，旨在无需安全护栏的情况下与人类并肩工作，其负重可达 50 磅，充电仅需 9 分钟。Periodic Labs 则将其 1T 参数的 Neon 模型直接连接到物理材料实验中，由模型提出工作方案，实验室执行，所得结果再用于下一轮训练。Digit 5 拆除了机器人与工人之间的安全笼；Neon 则省去了假设与实验之间的人工交接。 ^{[19] [20]}

深度剖析

• 模型会从训练数据中的虚构作品里习得性格特征. 一项新研究发现，LLM 会从其训练数据中的虚构人物身上吸收性格特征。其背后的机制比标题本身更值得关注：如果某个角色的声音在预训练中出现的频率足够高，那么在一些本不打算模仿任何特定人物的输出中，也会显现出部分这种声音。至于具体测量了哪些特征以及如何分离出这种效应，可以查阅原论文。 ^[21]
• 强化学习在简单问题上助益最大，另有一篇微型论文统一了两种目标构建方式. 一篇论文指出，强化学习训练主要在简单问题上提升了 LLM 的表现，并提出了一种弥补这一差距的方法。另一篇微型论文则在隐马尔可夫模型下统一了基于目标的强化学习与分层强化学习，这实际上是同一问题的理论版本：如果将目标和子目标结构分开建模，训练信号就会比应有的强度更弱。在围绕这些研究声明重构管线之前，不妨先阅读这两篇论文。 ^{[22] [23]}
• Sakana AI 在不使用反向传播的情况下训练了 1,000 层网络. Sakana AI 的 PC-ALM 仅利用局部动态机制训练了 1,000 层神经网络，这意味着每一层都根据其附近可见的信息进行更新，而不是依赖通过网络栈向后传递的全局误差信号。反向传播的内存开销一直是限制网络进一步加深的原因，因此这种可行的局部学习方法是该声明中最具看点的部分。相关代码库已公开。 ^[24]
• 1,393 个子智能体耗时约 19 小时、花费约 25K 美元重构百万行代码库，而人类依然发现了回归缺陷. Nous Research 在一个百万行规模的代码库上运行了 1,393 个 Fable 子智能体，耗时约 19 个活跃小时完成了重构，花费约 25,000 美元。人工审查依然发现了回归缺陷，这是除价格之外同样值得留意的事实。这为“将大型机械性工作交给智能体群，再由人类审查输出而非亲自编写代码”的模式标定了真实成本。 ^[25]
• 74% 的受访科学家借助 AI 节省了时间，而验证成为了新的瓶颈. Google 对科学界应用 AI 的分析发现，74% 的受访科学家借助 AI 节省了时间，平均每周节省约 6.9 小时。同一项调查也揭示出，验证和未经测试的假设成为了新的制约因素：当生成变得廉价时，工作重心便转移到了检查生成内容是否真实上，而这种检查工作并没有获得相应的加速。 ^[26]
• “劣质内容手榴弹”：廉价生成的成本最终转嫁给了审查者. Shopify 的 Tobi Lütke 为一种现象命了名：将 AI 的输出直接丢给同事，让他们耗费时间去审查你省下时间生成的内容。他的观点是，随着生成成本越来越低，判断力变得愈发珍贵，而直接交付未经审查的海量内容的人，实际上是在转嫁工作而非完成工作。对于本季度正在制定团队审查规范的人来说，这是一个很实用的视角。 ^[27]
• 渐变色：一篇附带可交互展品的工具有关随笔. 这是一篇关于渐变色的短文，不仅有截图，还包含一个可交互的展示。如果你曾争论过设计师应当在多大程度上接受设计工具的默认行为，或者探讨过工具“传授技巧”与“隐藏技巧”之间的界限，这篇文章值得一读。 ^[28]
• Rauno 的第五篇田野笔记：删掉箭头，堆叠卡片. Rauno Freiberg 撰文探讨了如何移除分页箭头、改用交互式卡片堆叠，以及这一改变如何影响紧凑空间内的内容排布。其中值得借鉴的思路是：当布局空间捉襟见肘时，解决办法往往是换一种交互方式，而不是把原有的交互做小。 ^[29]

工具与发布

• LongCat-Video-Avatar 1.5. Meituan 推出的这款采用 MIT 许可证的模型，可将一张肖像照片加一段音频文件转化为口型同步的说话视频。它支持在同一场景中由独立音轨驱动两个角色，提供 480p 或 720p 输出，能在长视频片段中保持角色特征稳定，并提供无需照片即可生成角色的纯文本模式。v1.5 版本重点修复了口型同步问题：它将音频处理器替换为 Whisper-Large，使嘴部动作不再会在几秒钟后出现偏移。自托管需要配备 40GB 显存的 GPU，每生成一秒视频大约需要 44 秒的计算时间。模型权重已发布在 Hugging Face 上。 ^[30]
• Meta One. 这是 Meta 推出的跨 Instagram、Facebook、WhatsApp 和 Meta AI 的订阅套餐，提供更高的 AI 使用限额以及超过 50 项功能。Meta 表示其各类订阅计划已累计达到 1500 万次订阅和试用。 ^[31]
• Gensyn open-1b. 一款附带可验证训练记录的模型，外部人员可以在不同硬件上重新运行部分训练过程，以核实其是否确实按照 Gensyn 所宣称的方式进行了训练。目前大多数关于模型溯源的声明中，缺失的正是这种针对训练过程的审计追踪。 ^[32]
• Aside. 一个可在您已登录的网站和本地 Windows 文件之间协同工作的智能体，其凭证权限严格限定在当前任务范围内，并在执行发帖或付款等高风险操作前设有确认步骤。 ^[33]
• Sketchpad Live. 可将 GPT-Live 或 Astra 变成一位白板老师，在您跟随学习的同时进行绘图、移动图形并讲解课程。如果您想测试语音模型在必须同时保持视觉状态一致时的表现，这个工具会很实用。 ^[34]
• Concat. 一款形态类似 CapCut 的开源桌面视频编辑器：支持多轨道编辑、离线 Whisper 字幕生成、本地文本转语音，且无需注册账号、无水印。如果您需要剪辑不愿上传到云端的采访素材，其本地字幕功能会非常关键。 ^[35]
• OpenArtifacts. 一个面向 Codex、Claude Code、Hermes、Pi 和 OpenCode 的发布界面，可将智能体的输出转化为供浏览器审查的 HTML 或 Markdown 制品。当您需要评估布局效果时，这种方式远胜于在终端里滚动查看长篇文本记录。 ^[36]
• Opusfived. 一部关于智能体编程助手无法完成用户指令的简短交互式喜剧。故事的前提只有一条指令：把一个按钮变成蓝色，其他什么都别改。如果您曾因为一行代码的修改请求而收到过长达 400 行的代码差异（diff），那么花三分钟体验一下会非常有共鸣。 ^[37]
• Sidebranch. 支持在正在运行的应用程序内部直接审查拉取请求（PR）。您可以通过页面内的小组件切换分支，并排对比不同的工作树（worktree），从而在真实界面中评估视觉变更，而无需仅凭 PR 讨论串里的截图来做判断。 ^[38]

Prompt of the day