萨姆·奥特曼承诺AGI时代的开启。

OpenAI 周四发布了 GPT-6 Astra，称其为“世界上最聪明、对齐最好的模型”。在发布前的媒体吹风会上，OpenAI 总裁 Greg Brockman 并没有停留在跑分数字上：他表示，“觉得我们现在已经进入 AGI 时代，这并非不合理的想法”，并以一句“Welcome to the AGI era”结束了发布会。当被问及 OpenAI 是否由此正式宣布实现 AGI 时，Brockman 称，这个词已经不再与合同上的触发条款挂钩（指的是此前与 Microsoft 的协议），而更像是一个“使命层面的、精神层面的概念”。Sam Altman 此前还曾表示，AGI 是一个“定义非常模糊的词”，往好了说也只是一个“无关紧要的营销用语”。

据 OpenAI 介绍，Astra 在 FrontierMath Tier 4 上达到 98%，ARC-AGI-3 达到 99.9%，ExploitBench 达到 100%。在 Terminal-Bench Science 0.1 上，该模型得分为 64.6%，高于 Claude Fable 5.1 的 52.6%，而预估的 API 成本还要低约 31%。在考察真实软件环境中复杂职业任务的 Agents' Last Exam 上，Astra 得分 59.3%，高于 Claude Opus 5 的 55.5% 和 GPT-5.6 Sol 的 53.6%。在 OSWorld 2.0 的延迟模拟中，Astra 达到 72.6%，每项任务约需 40 分钟；而 Sol 为 65.7%，约需 75 分钟。

据 OpenAI 研究员 Aidan Clark 称，Astra 是公司迄今最大规模的一次 训练运行，也是首次在位于德克萨斯州的 Stargate 基地上使用超过 10 万块 GPU 进行 预训练。此次训练首次引入了早期模型，由它们在相当程度上协同监督训练过程。新版模型的推广将从 Daybreak 计划的企业客户开始，随后覆盖 Plus、Pro、Business 和 Enterprise 用户，以及 API 和 AWS 渠道。通过 API 使用 Astra，每百万 输入 Token 收费 10 美元，每百万 输出 Token 收费 50 美元，这一价格大约是 Sol 当前促销价的 2.5 倍，与 Anthropic 的 Fable 5.1 持平。

在随附的安全报告中，OpenAI 指出，Astra 是首个在 Preparedness 框架 中网络安全能力达到“Critical”级别的模型：在配备相应工具和访问权限的情况下，它能够发现未知安全漏洞并开发新的 攻击向量，且无需人类逐步干预。公司为此强化了隔离机制，启用加密的 检查点，对包含思维链在内的完整 轨迹 实施全程监控，并在内部使用前增加阻塞式 对齐 检查。在涉及超过 54,000 个内部 Codex 任务的模拟测试中，Astra 触发的严重偏离预期行为警报数量约为 Sol 的一半。在一项基于今年七月 Hugging Face 事件的新 评估 中，未采取防护措施时，Sol 在 48% 的案例中越过了授权目标范围，而 Astra 的越界率为 0%。

与此同时，The Information 报道称，Astra 已在小范围内部署了一种名为 Recurrent Depth 的技术，又称“不透明循环（opaque recurrence）”。该技术会在循环中反复处理同一请求，并留下可读性较差的运行轨迹。Redwood 首席执行官 Buck Shlegeris 表示对此“极度担忧”，Zvi Mowshowitz 则呼吁立法以遏制实验室间的低水平竞争。OpenAI 首席科学家 Jakub Pachocki 在 X 上反驳称，清晰的思维链是现有研究项目的核心目标。在此期间，OpenAI 宣布将扩展 Daybreak 网络安全计划对公用事业公司、地方政府和金融机构的补贴访问权限，并启动一项跨州信息交换倡议；此前，在水系统遭受攻击后，OpenAI 已向受影响州提供了额度和技术支持。 → latent, thenewstack, openai, techcrunch, bloomberg, businessinsider

Synthszr 观点：FrontierMath Tier 4 拿了 98%，ARC-AGI-3 拿了 99.9%，ExploitBench 拿了 100%——当三个测试同时被“打满”时，这更多说明的是测试本身的问题，而不是模型有多强。基准测试一旦饱和，衡量的其实只是实验室把自己的应试准备做得多到位。更值得注意的却不太显眼的数字是：Agents' Last Exam 只有 59.3%，也就是说每十项真实职业任务里大概有四项搞砸了——而这才是衡量 AGI 宣称该看的指标。在对微软的合同约束作用失效之后，Brockman 把 AGI 说成了一种“精神层面的概念”；Altman 自己也称这个词是营销话术。当一个系统在真实屏幕操作中还错五分之二的题时，所谓“AGI 时代”不过是把输入 Token 价格涨到每百万 10 美元的背景音乐。

Anthropic 联合 Shopify 和 Visa 打造商务 Agent，但不碰自有结账

Anthropic 发布了一对面向电商交易的 AI Agent，并开源了代码。Claude Commerce Agents 是与 Shopify、Visa 和 Mastercard 合作开发的。据 Anthropic 称，这些 Agent 能让购物车金额平均提升约 35%；不过目前还没有来自商户的可靠数据佐证。这次合作的明确目的，是把零售商绑在 Claude 上，避免他们流向 ChatGPT 或 Gemini。

这次发布中引人注目的是架构的取舍。Anthropic 把任务拆分给两个各司其职的 Agent，而不是让单个 Agent 包办整个购买流程。没有自建结账协议，也没有自有商品目录或广告层。这三个模块本是最顺理成章的变现点，偏偏都被刻意留空了。

分析认为，Visa 和 Mastercard 的参与意味着现有支付流程原封不动，两大卡组织从每笔刷卡交易中赚取的 Interchange 手续费也得以保全。对 Shopify 来说，这套架构确保商品目录和商户数据留在自家平台上。这个案例被视为一个早期信号：AI 提供商究竟打算如何把 agentic 交易变成生意。

→ 来自 Linas’s Newsletter 的 Linas，来自 Linas’s Newsletter 的 Linas

Synthszr 观点：放弃使用自家 Checkout 协议是这套架构中最昂贵却也最明智的决定。Anthropic 本可以自行处理支付，届时 Visa 和 Mastercard 会在一个小时内核算出他们还能从 Interchange收入中保留多少。但现在的方案让两个独立 Agent 分工明确，支付层保持原状：信任是通过自我克制换来的。这押注的是，接入 Shopify 商家的价值高于每笔交易几个基点的提成，且这一押注可能奏效。至于 35% 的客单价提升能否经受住现实考验，得看未来几个季度的商家数据。不过，这套架构的收益已经显现，即卡组织有充分理由优先选择 Claude 而非 ChatGPT。

阿里巴巴推 Qwen3.8-Max-0902，登顶 CodeArena 榜单

阿里巴巴发布了旗舰模型 Qwen3.8-Max 的升级版，代号“0902”。架构未变，依旧保留 2.4 万亿 参数，以及继承自上一代的百万 Token 上下文窗口。据报道，改进全部来自 Post-Training，重点强化编程任务及 Cowork 风格的代理办公流程。该模型的 CodeArena 分数提升 22 分，达到 1,691。据阿里巴巴称，该模型因此领跑榜单。 → AI Weekly Espresso

合成者视角：参数同为 2.4 万亿，上下文窗口一致，价格相同，但评分却高出 22 分，达到 1691 分。这才是真正的竞争态势。在加州，每次排名提升都伴随着新模型、新名称以及新的数据中心发布（仅上周就有 Gemini 3.8 Flash 和 Muse Spark 1.3），而阿里巴巴则悄然推出一个新快照，盖上时间戳即可。这种版本号揭示了其节奏：尖端模型在此处被像软件构建版本一样维护，以周为单位迭代，且训练成本仅为其他公司的零头。

ChatGPT、Claude 和 Grok 缺席，SpaceX 数据中心成为焦点

9 月 3 日