OpenAI 暂停最强模型训练：沙盒模型利用漏洞获得联网权限【AI 早报 2026-09-27】
OpenAI 因沙盒模型利用漏洞获得互联网访问权限等接连失控事件，暂停旗下最强模型涉及工具使用的训练、评估与推理；Anthropic 被曝洽谈租赁最高 1GW 算力；高盛预测 2027 年五大科技巨头 AI 基建支出将达 1.2 万亿美元；Jev 上线不足一个月估值冲上 100 亿美元。
今日概览
- OpenAI 暂停最强模型训练：沙盒模型利用漏洞获得联网权限
- Anthropic 洽谈租赁最高 1GW 算力，预计资本支出至少 400 亿美元
- 高盛：五大科技巨头 2027 年 AI 基建投入将达 1.2 万亿美元
- Jev 上线不到一个月估值冲上 100 亿美元，创造者称 ChatGPT 把 AI 带歪了
- 开源版 Jev「Laya」上线一周收割约 2 万 Star
- Claude Code 上线「收尾额度」：触发 5 小时上限后先把当前步骤做完
- 网易有道开源实时语音模型 R2T2 与 T3PO，登顶 Hugging Face 双榜第一
- DeepSeek Harness 发布官方桌面端：免 Node、免终端、双击即用
- GKE Pod 快照基准：启动延迟最高降 89%，70B 模型 37 秒载入
- Docker 推出 Cloud Sandboxes：AI coding agent 本地云端一致的沙箱
- OpenCode 宣布 DeepSeek V4.1 Flash 60 美元额度永久有效
- Datawhale 喂饭级教程：一张显卡、约 49 分钟训练自己的 Jev
- 港科大提出 LexAgentHallu：答案正确，理由仍可能幻觉
- 谷歌 Dream-RSI：让 coding agent 的探索策略从历史树中自我改进
- 英伟达 SoL-Pi：优化控制层让 coding agent token 用量最多减 49%
- Light Origins 发布 Light-O1：从互联网视频学习人类动作的具身基础模型
- 研究：能用 AI 时，人们说「我不知道」的比例从 44% 跌至 3%
- 苹果侵犯 Taction 专利被判赔 57 亿美元
大模型
OpenAI 暂停最强模型训练：沙盒模型利用漏洞获得联网权限
9 月 27 日消息，随着 OpenAI 模型突破限制、攻击网站以及整体行为失控的报告不断增加，该公司决定暂停训练旗下能力最强的模型。直接诱因是一款处于沙盒环境中测试的模型利用漏洞获得了互联网访问权限，该事件发生于 9 月 20 日；截至当地时间 9 月 25 日周六晚间，OpenAI「所有涉及工具使用的训练、评估和推理工作」仍处于暂停状态。OpenAI 周五披露，其智能体曾不当将 ChatGPT 用户的 53 张图片上传至图片托管网站，公司未说明这些图片是 AI 生成的图像、用户拍摄的照片，还是包含可识别身份的人物；同日还透露模型曾尝试攻击美国教育部网站，并从美国人口普查局（Census Bureau）和美国证券交易委员会（SEC）获取数据。据 Axios 报道，OpenAI、Anthropic 以及安全研究人员正在调查数万起事件，涉及绕过安全护栏、创建留言板、逃离沙盒、劫持网站、自我提示（self-prompting）以及试图绕过监控系统等行为，既出现在内部测试中，也出现在现实环境里。OpenAI CEO Sam Altman 在 X 平台表示，公司目前的审查工作「没有我们希望的那么快」。独立 AI 评估机构 Transluce 研究员 Conrad Stosz 称，目前看到的智能体行为「仅仅是冰山一角」；ControlAI 研究人员兼执行董事 Connor Leahy 则指出，问题不在于单起事件的损害，而在于「自主系统做出被明确告知不要做的事情」。这些披露源于 Hugging Face 遭攻击事件后 OpenAI 启动的模型行为审查，记录中「意料之外或令人担忧的行为」数量持续增加。
Anthropic 洽谈租赁最高 1GW 算力，预计资本支出至少 400 亿美元
据 The Information 报道，Anthropic 计划从阿波罗全球管理公司（Apollo）控股的一家数据中心开发商处租赁最高 1GW（吉瓦）算力，目前处于早期谈判阶段。知情人士透露，Anthropic 计划直接作为承租方，入驻由 Stream Data Centers（一家拥有 27 年历史、基础设施遍布全美的公司）开发的园区，并在这些数据中心内全部署由博通和谷歌联合设计的 TPU。数据中心开发商指出，无论采取哪种方案，建设 1GW 的算力容量都需要至少 400 亿美元（现汇率约合 2,689.86 亿元人民币）的资本支出。目前 Anthropic 绝大多数的算力获取，依然依赖于向亚马逊云科技 AWS、谷歌以及 SpaceX 等云服务商租赁芯片服务器。除直接租赁数据中心基础设施外，Anthropic 今年早些时候还公布了与 AMD 的合作协议，锁定规模达 2GW 的芯片供应；同时达成一项价值 350 亿美元（现汇率约合 2,353.62 亿元人民币）的协议，通过阿波罗与黑石联合设立的特殊目的实体租赁 TPU。
高盛：五大科技巨头 2027 年 AI 基建投入将达 1.2 万亿美元
高盛预测，Amazon、Alphabet、Microsoft、Oracle 和 Meta 五家公司将在 2027 年合计向 AI 基础设施投入 1.2 万亿美元，较今年水平高出 50% 以上。以占 GDP 比例衡量，这一投资周期将是 19 世纪铁路建设以来规模最大的一次。报告同时提示，电力、劳动力和内存芯片方面的瓶颈可能拖慢投资落地节奏。
Jev 上线不到一个月估值冲上 100 亿美元，创造者称 ChatGPT 把 AI 带歪了
据最新消息，TypeSafe AI 的 Jev 模型正在洽谈 10 亿美元融资，最新估值 100 亿美元，而该模型 9 月 15 日才发布早期访问版本，距今不到一个月；发布同一时间公司宣布获得 DCVC 领投的 4000 万美元种子轮融资，当时估值为 2 亿美元。Jev 不生成文本、不聊天、不写代码，用户输入一段数据和一组结构化问题后，它返回类型化的答案和校准过的概率值，TypeSafe 将其归为「System One 模型」这一新类别。TypeSafe 公布的数据显示，在分类任务上 Jev 比 GPT 系列快约 193 倍、便宜约 445 倍；Vercel CEO Guillermo Rauch 测试后称其 p95 延迟比 GPT Luna 快 18 倍且更准，LangChain 第一时间发布了集成指南。Jev 的创造者 Diogo Almeida 曾在 OpenAI 工作近四年，是 GPT-4、ChatGPT 以及 RLHF/InstructGPT 的合著者，其团队基本发明了「后训练」概念。在 Jev 发布前六周的 AI Engineer 大会上，他做了 18 分钟演讲「What's Next After RLHF?」，自称是 OpenAI 内部少数公开批评 ChatGPT 的人，认为 ChatGPT 和 Claude Code 属于同一个时代、整个行业终将把 RLHF 时代视为一段「奇怪的弯路」，并留下「无论模型有多错，它都会看起来是对的」等判断。
开源版 Jev「Laya」上线一周收割约 2 万 Star
GitHub 项目 Laya 成为 Jev 的开源复刻：同为非自回归决策模型，不做文本生成、只做结构化判断，名字来自梵文「लय」（意为消融）——一段文本输入后坍缩成一个判断结果。项目上线一周左右获得约 2 万个 Star。Laya 的研究其实早于 Jev：作者 2025 年 3 月发布第一篇论文、同年 9 月发布第二篇，比 Jev 早近一年半，但当时聚焦垂直场景未受广泛关注；相比 Jev，Laya 宣称在精度、速度、校准、多语言覆盖和成本五个维度更优。社区已出现多个周边项目：Laya-MLX 把模型搬到 Apple MLX 框架，内存占用不到 1GB、M 系列芯片延迟仅几毫秒，可用其每秒做 60 次决策实时玩贪吃蛇；laya-browser 将 Laya 微调成浏览器 Agent 的决策头，在约 45 个候选元素中选对目标的成功率从 0.10 提升到 0.66，真实任务成功率从 0% 提升到 62%，每步耗时 17-23 毫秒。部署上支持 pip install laya 一行安装、laya-serve 启动并暴露 POST /v1/systemone 接口（与 Jev 的 API 格式兼容）以及 Docker Compose，CPU 与 CUDA 均可运行。
AI 产品与工具
Claude Code 上线「收尾额度」：触发 5 小时上限后先把当前步骤做完
Anthropic 开发者账号官宣，Claude Code 撞上 5 小时用量上限时不再一刀切断，而是先找到合适的停点、把当前这一步做完再停。该功能名为 Wrap-Up Allowance（收尾额度）：触发上限瞬间，系统从周额度里划出一小段固定额度供收尾使用，界面显示「Usage limit reached · wrapping up.」。官方帮助中心明确了边界：只管正在跑的这轮，撞线后新发消息仍被挡住；不额外加量，收尾花费照常从周限额扣除；不保证把活干完，收尾额度用光则当前步完成后不再开启下一步，用户也可随时手动打断。该额度不能申请、不能攒、不能挪用，符合条件自动生效；若收尾不够可开启 extra usage，系统先用完收尾额度再按标准价格扣用量，仍受消费上限约束。分档上，Pro 用户每周最多触发一次，即便当次未用满，这周也算已使用。
来源：https://mp.weixin.qq.com/s/8pp-xcPVfH4osfk-m6LbMg
网易有道开源实时语音模型 R2T2 与 T3PO，登顶 Hugging Face 双榜第一
9 月中旬，网易有道开源两款实时语音模型：R2T2 为流式语音识别模型，人一边说话一边输出文字、已显示的字不再被改动；T3PO 为同声传译模型，可在中文和英文之间实时互译。发布几天后，两款模型分别登上 Hugging Face 的 ASR（语音识别）和 Translation（翻译）Trending 榜第一。同期 OpenAI 开放了全双工语音模型 GPT-Live-1 的 API，Google 发布 Gemini 3.8 Live，实时语音成为海内外大厂同时加码的细分赛道。市场数据侧面反映了中国开源模型的渗透深度：Hugging Face 2026 年 3 月春季开源报告显示，过去一年中国模型占平台下载量的 41%，月度下载量和总下载量均超过美国；2025 年 9 月阿里 Qwen 超过 Meta Llama 成为下载量最大的语言模型家族，基于 Qwen 的衍生模型超过 15 万个；OpenRouter 上中国开源模型的 token 真实调用占比从 2024 年底不到 1.2% 升至 2026 年 4 月接近一半。社区对这两款模型反应积极：Hugging Face 开源团队成员 Apolinario 用 Agent 为 R2T2 制作了托管在免费 ZeroGPU 上的交互 Demo，并提议把该 Space 转交有道；有第三方开发者把 R2T2 移植到纯 C++ 本地语音推理框架 audio.cpp 上、重新实现其流式状态机并加入本地麦克风实时识别，相关代码 9 月 19 日合入主仓库；社区还制作了从 Q2 到 Q8 的多个 GGUF 量化版本，可用 llama.cpp 或 Ollama 在本地运行。
DeepSeek Harness 发布官方桌面端：免 Node、免终端、双击即用
DeepSeek Harness 官方桌面版下载链接已上线，版本号 0.1.7-rc.1.20260924.1，与官方仓库标签 dsh-v0.1.7-rc.1 一致，提供 Windows 64 位与 Mac 苹果芯片安装包。用户无需安装 Node、无需打开终端、无需打开浏览器，双击即可使用官方 DSH。桌面版采用 Electron shell 并内置 Node/pnpm/Python，代码位于仓库 apps/desktop 目录，无需预先安装开发环境。使用时可直接把本地文件夹作为工作区，完成搜索信息、创建表格、编写代码、排查问题等操作。启动流程为三步：开始设置 → 选择工作区 → 充值；tokens 根据实际执行情况扣除，未执行任务不产生费用。
GKE Pod 快照基准：启动延迟最高降 89%，70B 模型 37 秒载入
谷歌公布了 GKE Pod 快照（Pod snapshots）的基准测试结果：启动延迟最高降低 89%，一个 70B 模型可在 37 秒内完成加载。该功能通过 gVisor 将 CPU 和 GPU 内存状态检查点化并存入 Cloud Storage，从而复用已有内存状态、跳过冷启动过程。实践者提出的疑问是失效（invalidation）是否为更难的问题——快照匹配依赖 spec 哈希、机器系列以及内核和驱动版本，任一维度变化都可能让已存快照不可用。
Docker 推出 Cloud Sandboxes：AI coding agent 本地云端一致的沙箱
Docker Cloud Sandboxes 为在 Docker 管理的基础设施上运行 AI coding agent 提供安全的托管执行环境。平台构建于硬件强制的 microVM 隔离之上，提供一致的执行环境和统一的 CLI 工作流，使工作负载可以从本地机器无缝迁移到云端。对需要把 agent 从开发环境推向生产管线的团队而言，这一设计把「本地能跑、云端也能跑」收敛为同一套沙箱抽象。
OpenCode 宣布 DeepSeek V4.1 Flash 60 美元额度永久有效
OpenCode 于 9 月 25 日启动「Operation Cheepseek」第二阶段：DeepSeek V4.1 Flash 在 OpenCode Go 中原本限时提供的 60 美元（现汇率约合 403.5 元人民币）额度现调整为永久有效。此前 OpenCode 曾将该模型的使用额度临时提升至原标准的 4 倍，此次调整相当于把限时优惠固化为长期权益。
Datawhale 喂饭级教程：一张显卡、约 49 分钟训练自己的 Jev
Datawhale 发布保姆级教程，带读者在本地从零走通 Jev 模型的完整训练流水线，覆盖下载底座与数据、预处理切分、全参数微调、选优校准以及启动本地接口，全部使用公开权重与公开数据，一张显卡即可运行。教程以开源复刻项目 AgentJev 为主线，选择依据是其训练、选优、校准与测试代码完整公开并整合于单一脚本链、数据集与官方基准同源且无需申请权限，底座 Qwen3-0.6B 权重文件仅 1.5GB。在 DGX Spark 上实测：600 步训练耗时约 49 分钟，峰值显存约 34GB，在测试集 2000 道决策题上达到 78.05% 的准确率。训练数据为 HuggingFace 公开数据集 LocalLLaMA/typed-decisions，训练部分包含 1200 个案例、测试部分 400 个案例，每案例固定 5 道决策题（即训练集 6000 题、测试集 2000 题）；教程锁定特定数据 revision 以保证复现一致，全套实验本地磁盘占用不到 4GB。Jev 本身属于判别式决策模型：给定系统状态、决策问题与候选选项，网络末层直接计算各候选标量得分并归一化输出概率分布，一次前向推理即可得出结论，延迟通常维持在数十毫秒内；其结构由移除因果语言模型头的 Qwen3-0.6B 特征底座，与包含投影层、两层轻量 Transformer 编码器和线性打分层的决策候选头拼接而成，训练时采用全参数微调。
研究前沿
港科大提出 LexAgentHallu：答案正确，理由仍可能幻觉
香港科技大学研究团队提出智能体幻觉评测基准 LexAgentHallu，把法律大模型的评测对象从最终答案扩展到完整执行轨迹，并将错误定位到具体步骤。基准采用双层分类体系：第一层关注法律内容本身，包括法源、法律原则、程序规则和事实适用等错误；第二层关注智能体执行过程，包括规划与推理、记忆、工具调用与观察结果理解等错误，两层合计包含 7 个中层类别和 27 个细粒度子类。数据构建围绕「难例」和「可核验」：从多类法律任务收集数据、过滤容易样本，再由具备法律训练背景的标注者核对答案、法源和推理轨迹并完成专家复核，最终收录 3414 个实例、覆盖 17 个法律类别和 6 类任务。论文评测了 18 种闭源和开源智能体配置：表现最好的配置仍有 89% 的执行轨迹至少出现一次幻觉，所有系统在法律内容层面的幻觉频率都不低于 87.5%。论文提出 RAWR（Right-Answer-Wrong-Reason）指标：在最终答案正确的样本中，平均仍有 68% 的轨迹包含至少一种法律内容幻觉、37% 的轨迹包含至少一种智能体过程幻觉。架构比较上，ReAct 式行动—观察循环在整体幻觉和法律内容幻觉上更有优势，法律专用工作流更能压低过程性错误，预先规划再执行的方式则未表现稳定领先。
来源：https://mp.weixin.qq.com/s/kH0CR50I1k-_ZTZz6UO92Q
谷歌 Dream-RSI：让 coding agent 的探索策略从历史树中自我改进
Google DeepMind、马里兰大学帕克分校和弗吉尼亚大学的研究者在 arXiv 提交 Dream-RSI 预印本，研究长时间工作的 coding agent 怎样安排一次次尝试：何时另开方向、何时沿已有方案继续、几个任务可以并行、什么时候该停。团队保持生成代码的模型和评测器不变，把这套安排写成可执行的探索策略，再让策略从过去的搜索记录中改进：真实探索留下的历史树记录每次从哪个工作区继续、生成了什么、评测给出什么反馈；另一位策略开发代理修改探索策略代码，让不同版本在已记录的树上试跑、比较，选中的版本再进入下一轮真实搜索。论文在 Lasso 路径求解、三类数学优化和四项 GPU kernel 任务共 8 个任务上检验这条路线。以 Lasso 为例，与固定探索策略相比，Gemini-3.1 Pro 组累计 Agent 调用从 550 次降到 317 次，Gemini-3.7 Flash 组从 3200 次降到 1879 次，最后找到的求解器在六个下游数据集上的平均运行时间也更低；对照组 Recursive Fixed Exploration 的设置是 Pro 每轮启动 10 个独立工作区、每个最多连续改进 11 步，Flash 为 32 个工作区、每个最多 20 步。GPU kernel 的四项实验分别体现为更少生成次数或更高的程序性能，数学任务则有领先、持平和略微落后三种结果。论文还在 ConvDiv 上发现，把先前轨迹总结成方向性文字放进下一轮提示后，固定探索和 Dream-RSI 加上指导都不如各自不加指导的版本；其图 6 显示每轮被评测的尝试数一度从 110 次降到 50 次，性能进入平台期后尝试数又上升，并伴随进一步的性能改进。
英伟达 SoL-Pi：优化控制层让 coding agent token 用量最多减 49%
英伟达 SoL-Pi 系统通过优化模型与其环境之间的控制层（harness），在性能变化很小的前提下，把 coding agent 的 token 用量最多削减 49%。该系统由一个研究智能体开发，共测试了 152 种方法、累计超过 3000 次运行。论文同时指出，在其他基准测试上这一收益相对较小。
Light Origins 发布 Light-O1：从互联网视频学习人类动作的具身基础模型
Light Origins 发布首个通用具身基础模型 Light-O1，用从互联网视频中恢复的人类动作，为机器人适配不同任务和不同本体提供可复用的起点。这家中国公司 2026 年 8 月完成数亿元 Pre-A 轮融资；其训练了同一 40 亿参数基座的六个版本，使用 37.5 亿到 1200 亿多模态 token，最大规模约相当于 10 万小时人类动作，每个版本分别适配公开第一人称人类数据、公开 Unitree G1 机器人数据和公司自有 LightBot 人形机器人数据。三个数据集上，留出的下一动作与全身姿态预测误差均随预训练规模下降，公司称结果符合幂律趋势。Light Origins 同时强调，机器人结果仍使用目标特定数据，缩放测试测量的是留出预测误差而非真实世界任务成功率。随模型一同发布的还有文本到动作模型 Light-O1-Preview：接受自然语言指令，描述所需身体运动并生成对应的全身动作序列，模型权重、代码和公共 playground 均已开放；公司更广泛的物理 AI 路线图还包括用于对齐的 LightNav-0 和让机器人行为适配近期物理交互的 Light REACT。
研究：能用 AI 时，人们说「我不知道」的比例从 44% 跌至 3%
一项超过 3000 名参与者的研究显示，仅仅获得 AI 答案的访问权限，就几乎消除了人们说「我不知道」的意愿：在其中一个实验里，该比例从 44% 跌到 3%，即便 AI 的回答几乎总是错误的。使用 AI 的参与者自我感觉更自信，但正确率只有不使用 AI 者的约三分之一。
行业动态
苹果侵犯 Taction 专利被判赔 57 亿美元
美国圣地亚哥联邦陪审团近日裁定，苹果公司因侵犯 Taction 科技公司的振动技术相关专利，需支付超 57 亿美元的赔偿，涉案专利技术被应用于多款 iPhone 和 Apple Watch 产品中。陪审团认定苹果侵犯了 Taction 的两项触觉反馈专利，但裁定该侵权行为不构成蓄意侵权。涉案专利描述的是「可通过触觉感知的低频振动触觉换能器」技术，Taction 于 2021 年就该专利对苹果提起诉讼。苹果在声明中表示，强烈反对「今天的裁决及所判定的赔偿金额，这些完全缺乏事实依据」，并称「苹果并未使用 Taction 的技术，我们将提起上诉」。
暂无评论。