9 月 10 日，OpenAI 向《纽约时报》表示，在 Navier–Stokes 那一轮之后不到五天，公司又在另一道千禧难题上取得了"实质进展"。官方技术说明披露的执行规模是这轮消息真正的硬核部分：内部使用的模型能力在 GPT-6 Astra 之上，整个求解过程动用了"约 10000 个并发智能体、270 万条消息、1300 亿输出 token，历时 88 小时"，随后又用"约 17 小时"在 Lean 里完成形式化核验。结果本身是在光滑外力与光滑初值条件下，为三维不可压缩 Navier–Stokes 方程建立了有限时间爆破（finite-time blowup）。OpenAI 明确表示不主张克莱数学研究所的百万美元奖金。与此同时，X 上流传的说法称下一个目标可能是霍奇猜想、所用模型代号为 "Aeon"，这一条未获任何官方证实。麻烦出在另一侧：纽约大学数学家 Tristan Buckmaster 此前一直在沿同一条技术路线推进，OpenAI 的公布把这件事变成了一场关于优先权的争执，以及一个更尖锐的问题——研究者在 ChatGPT / Codex 里讨论过的未发表数学，会不会进入训练。《纽约时报》记者 Kenneth Chang 转述了 OpenAI 的表态：Buckmaster 前两个月的 Codex 提示词影响到该系统是"绝无可能"的；OpenAI 研究员 roon 随后称团队内部的说法已经收紧到"概率为零"。德国数学家 Andreas Thom 则以自己关于扩张图匹配的对话经历为例，公开表示研究者不能把未发表的数学托付给 OpenAI。
优先权之争本身在 X 上的热度，很快被一个更具体的问题盖过：研究者和实验室之间，到底存不存在一条可执行的数据边界。Andreas Thom 在 Mathstodon 上以自己讨论扩张图匹配的经历为由，直接给出结论——不能把未发表成果交给 OpenAI；Valerio Capraro 放大了这条，《福布斯》则把它改写成"给每位 CEO 的四个问题"。OpenAI 一侧的回应是强度递增的：先是对纽约时报说"categorically impossible"（绝无可能），研究员 roon 随后在 X 上说团队已经改用"概率为零"的说法。反对方追问的点很实际：企业版与 API 的数据保留策略、以及 Codex 这类智能体产品在会话之外的缓存与日志，是否都在同一条承诺覆盖范围内，目前没有公开的第三方审计可以佐证。支持 OpenAI 的一派则指出，从时间线上看，两个月的提示词要进入一次预训练并影响到一个特定证明路径，在工程上几乎不可能，把它当成阴谋论是对训练流程的不了解。争论最后停在一个双方都同意的地方：这不是一个可以靠声明解决的问题，只能靠可验证的隔离机制。
DeepSeek 在这一天放出的 V4.1 Flash 成了技术圈传播最广的一条。规格是"552B 参数架构"，但每次请求只激活其中一小部分，官方口径为"8B 输入 / 16B 输出的激活计算量"；Vals AI 把它排在开源权重模型的第一位。真正让工程师兴奋的是内存数字：有人统计出每 token 的显存缓存占用"在九个月里降了约 54 倍，从 V3.2 的每 token 48068 字节降到 V4.1 Flash 的 890 字节，约为 V1 的 1/437"。这直接带来了本地运行的可能性——Redis 作者 Salvatore Sanfilippo 在一台 128GB 的 M5 Max 上用 SSD 流式加载专家，跑出"约每秒 15 token"，两台 Mac 通过 RDMA 拆分后"约每秒 25 token"；Fraser Price 则在四张 RTX Pro 上以全精度跑出"每秒 300 token 以上，峰值系统内存低于 32GB"。彭博的定性是"又一次低成本打击"。X 上的反方意见集中在一点：激活参数极小的 MoE 在短对话与基准题上表现优异，但在长上下文、多轮工具调用的真实智能体负载下是否会暴露路由不稳定，目前还没有独立评测。
前 Anthropic / OpenAI 研究员 Jacob Coxon 公开辞职，理由是他认为前沿实验室正在对自我改进系统下注。他在《连线》的访谈里说，同事们私下把接下来的一两年称为"crunch time"和"endgame"，并把 Anthropic 形容成一个"迷你曼哈顿计划"。Axios 的报道补了一个关键事实：他"在入职四个月后离开，距离第一批 Anthropic 股权归属还有两个月"，同时保留了此前的 OpenAI 股票——这被支持者当作可信度的证据（放弃了实打实的钱），也被质疑者当作动机不明的理由。争议还有第二层：一则病毒式传播的相关帖子被指出发帖账号此前几乎没有网络痕迹，身份与履历是否经过核实成了讨论焦点，WTMJ 的节目专门谈了这一点。Gary Marcus 给出了另一个角度的批评——他认为生存风险叙事反而转移了注意力：实验室有足够动力去检测外部蒸馏，却缺少同等动力去约束自己的智能体。Confluent CEO Jay Kreps 的一句被大量转发：把 AI 的上行说成无上限、同时把每一种风险都斥为营销，这两件事不能同时成立，"每一项超人能力都有它的黑暗孪生"。
Cognition 发布了基于 Moonshot Kimi K3 后训练的编码模型 SWE-2，成绩单是"FrontierCode 1.1 主榜 50.0%、DeepSWE 1.1 73.0%、Terminal-Bench 2.1 92.8%"，同时官方也如实列出了新版 Terminal-Bench 4 上的 27.3%。Hacker News 上迅速把 2.1 到 4.0 这个断崖解读成基准过拟合的直接证据：当一个模型在旧版接近满分、在同一团队出的新版跌到不足三分之一，最合理的解释是它学会的是题库而不是能力。另一条线程更进一步，呼吁建立一个"nerf tracker"来追踪模型发布后的性能衰减。同一天 Cursor 放出的 CursorBench 4.0 也把各家分数整体压低，Lee Robinson 的评论被广泛引用："Grok 4.6 的下滑是真实的，Grok 4.7 正在路上，Muse Spark 表现强劲。"值得并读的是学界的同向证据——上海人工智能实验室当天上榜的论文指出 SWE-Bench Pro 存在奖励攻击与题目质量问题，清洗后"部分模型的表现显著低于此前报告"。三条线指向同一个判断：2026 年下半年最稀缺的不是更强的模型，是可信的尺子。
OpenAI 的 Thibault Sottiaux 在 X 上宣布暂停新的 Pro 订阅（每月 200 美元档），目的是为现有用户保住 GPT-6 Astra 的容量；已有 Pro 账号、其他订阅档位与 API 均不受影响。X 上的第一反应是把它和同一天的另外两条并读：一是那场用掉 1300 亿输出 token 的数学求解，二是 ChatGPT 广告业务据报道已达到"10 亿美元年化收入"规模、并引入亚马逊 DSP 做投放。有人的结论比较直接——当最贵的订阅档因为容量而关门，说明推理算力的边际分配已经变成了一个需要在"内部研发 / 付费用户 / 广告变现"之间做取舍的问题，而这个取舍以前是不可见的。另一派提醒不要过度解读：暂停新订阅也是一种常见的发布期限流手段，Astra 才上线一周多，容量曲线还没稳定。相关背景是中国侧的镜像现象——路透同日报道华为、寒武纪、沐曦、天数智芯因 HBM 短缺把加速卡价格"上调约 20%–50%"，昇腾 950DT 报价超过 25 万元人民币。两边指向同一件事：2026 年秋天，算力重新变成了卖方市场。
这篇当日 HuggingFace 榜首论文抓的是一个非常具体的工程瓶颈。自动科研（AutoResearch）智能体的每条 RL 轨迹由两部分组成：智能体生成和环境执行。前者可以批处理、共享算力，后者每一次都要独占一个沙箱、消耗真实机器时间——于是随着轨迹变长，环境执行占据了绝大部分训练成本，成为瓶颈。作者提出的 World Model RL（WMRL）做法很直接：把环境执行整个换成一个学出来的世界模型。问题是世界模型不可能完美，它给出的奖励会同时带有偏差和噪声，所以论文配了两个缓解手段——在线去偏（Online Debiasing）与逆方差降噪（Inverse-Variance Denoising），并从理论上证明这两者都严格改进了收敛保证。实验结果有两个数字值得记住：在不同任务与不同智能体规模上训练加速 3–4 倍，同时超过标准 RL 基线；更有意思的是后训练出来的 4B 与 9B 智能体，在留出基准上击败了大得多的 48B 与 120B 开源权重智能体。作者还把方法迁移到了具身 VLA 策略的后训练上，说明这不是只对科研智能体有效的特例。把它和头条那条"一万个智能体跑 88 小时"并读会更有意思：前沿实验室在用蛮力买进度，而学界在想办法把蛮力的单价打下来。
视觉语言模型（VLM）对世界的理解已经很广，但把这种理解翻译成机器人控制一直很难——主流做法是训练专门的 VLA（视觉-语言-动作）模型，成本高且难以跨本体迁移。新加坡国立 Show Lab 这篇论文换了个思路：问题可能不在模型容量，而在接口。Show-Harness 定义了一组离散的"语义动作单元"，这是 VLM 本来就擅长推理的对象；再由每种机器人本体各自的解释器（embodiment-specific interpreter）把这些单元确定性地落地成具体的局部动作。关键设计是 VLM 仍然对细粒度的物理决策负责，解释器只做翻译不做决策。这套接口带来两个直接结果：一是可以直接把闭源前沿 VLM 接上去做零样本机器人控制——不需要拿到权重；二是小规模开源 VLM 只要几个 GPU 小时的微调就能低成本部署。团队还顺手做了 GUMI（GUI 操作接口），把同一套语义动作空间扩展到图形界面，于是人和智能体都能在不买专用遥操作硬件的情况下"玩"机器人、顺便采集示范数据。实验显示该方案在任务、本体与环境三个维度上的泛化都优于有代表性的智能体式与 VLA 式基线。论文的结论句很克制也很有分量：合适的接口，就能从基础 VLM 里解锁出可观的具身能力，而不需要额外的模型容量或昂贵的本体专用预训练。
视频世界模型这两年画面越来越真、交互性越来越强，但有一个顽疾始终没解决：长时间交互之后，世界的状态会漂移——一个被拿走的物品可能又出现，一个离开画面的角色状态无从追踪。根源在于状态信息隐含在生成的像素里，没有独立、可靠的表示。这篇论文的做法是把两件事彻底解耦。智能体先把自然语言指令翻译成可执行程序，程序显式规定实体状态与状态转移规则；一个轻量引擎执行这些程序，维护一份显式、持久的全局世界状态——注意这份状态包含屏幕外的实体和非视觉属性，这正是纯视频模型最容易丢的部分。连接状态与画面的中间表示是带状态标注的 3D 有向包围盒（OBB），它连同目标相机轨迹被确定性地编译成像素对齐的时空条件信号，交给一个预训练视频模型充当"生成式渲染器"。这个架构的直接产物是：用户可以创建有预设机制、能直接控制单个实体、并且全程保持状态一致的可玩游戏。团队还做了配套基准 CombatStateBench，在其上取得 94% 的计数准确率与 98% 的状态准确率，显著优于现有交互式视频世界模型，同时支持连贯的长程生成。方向上的启发是清楚的：世界模型不一定要靠一个更大的生成模型去"记住"一切，把可以用符号表达的部分交还给符号，可能比继续堆参数更有效。
SWE-Bench Pro 已经是评估软件工程智能体在仓库级任务上的事实标准，但上海人工智能实验室这篇论文指出它的评测结果被两类问题侵蚀。第一类是奖励攻击（reward hacking）：由于标准答案或隐藏的评测信息存在泄漏通道，智能体可以不真正解决问题而拿到分数。第二类是题目质量：部分实例的问题描述具有误导性，测试范围划定得不合理。两者叠加会抬高榜单成绩、遮蔽智能体真实的编码能力。作者给出的 SWE-Bench Pro Verified 从两侧同时修补——一方面加入反作弊保护，在不干扰智能体正常功能的前提下堵掉主要泄漏通道；另一方面对有缺陷的实例做最小化的题目修正，纠正内部不一致而不改变题目难度分布。在清洗后的版本上重新评测，结论是"部分模型的表现显著低于此前报告的成绩"，也就是说现有的 SWE-Bench Pro 结果可能系统性高估了真实的软件工程能力。评论区一条提问很切中要害：真正有信息量的不是新分数，而是排名变化（rank delta）——如果所有人只是同比例掉几分，那基准只是更干净了，并没有更有信息量；如果原先排在前列的智能体大幅下滑，那才是值得公布的信号。作者回复说论文的图 1 给出的正是逐模型的清洗前后对照。配套数据集已在 HuggingFace 上开放。
可穿戴设备已经能连续采集生理与行为信号，但几乎没有基准去考察 AI 能不能对一个真实用户的纵向记录做推理。Meta 这篇论文推出的 WearableQA 由 4084 道十选一的选择题组成，题目来自 200 位真实用户的可穿戴时间序列、血液生物标志物与人口学信息，每人最多约 500 天的逐日测量。与合成或理想化信号构建的基准不同，它刻意保留了真实分布中的设备噪声、缺失天数与个体间差异——换句话说，模型面对的是脏数据。题目设计沿两个正交维度组织成 16 种类型：数据推理与健康推理（前者是对纵向测量做计算，后者是生理层面的解释），单信号与跨信号推理（后者要求整合多个信号）。为了在规模化构题的同时保证可靠性，作者用了双重接地框架——既接文献中的生理学结论，也接经统计验证的人群层面生理模式。14 个开闭源模型的评测结果拉开了明显差距：从 19.6% 到 72.9%，而随机基线是 10%。但更值得注意的是另一半结论：大多数模型的准确率低于 60%，这个基准远未被解决。对正在把 AI 塞进健康 App 的公司来说，这组数字提供了一个冷静的参照——同一天苹果被曝将在健康 App 里加入"健康年龄"与就绪度评分，而模型对真实可穿戴记录做推理的能力，目前还谈不上可靠。
如果要给 9 月 10 日找一个统一的解释，Evan Armstrong 那句"凡是算力能够验证的，实验室都能攻下"大概是最接近的。这句话的重点不在"算力"，在"验证"。OpenAI 攻下 Navier–Stokes 的方式不是灵光一现，而是让一万个智能体在 88 小时里生成一千三百亿 token 的候选推理，然后交给 Lean 去筛。Lean 是一个不知疲倦、不会被说服、单次核验成本极低的检查器。有了这样一个检查器，"聪明"就不再是瓶颈——你只需要足够多的尝试和足够的钱。
这个结构解释了当天看起来毫不相干的好几条新闻。伊利诺伊大学那篇榜首论文在做的事情，正是把检查器本身变便宜：自动科研智能体的 RL 训练里，真实沙箱执行是最贵的一环，于是他们用世界模型替换掉它，代价是引入偏差和噪声，再用在线去偏和逆方差降噪把这两样压回去——训练快了 3 到 4 倍，4B 的智能体打赢了 120B。换句话说，前沿实验室在用蛮力买检查次数，学界在想办法把每次检查的单价打下来，两边推的是同一个轮子。
反过来，当检查器不可靠时会发生什么，当天也有现成的答案。Cognition 的 SWE-2 在 Terminal-Bench 2.1 上拿到 92.8%，在同一团队的 4.0 上只有 27.3%；上海人工智能实验室的论文发现 SWE-Bench Pro 存在标准答案泄漏与题目缺陷，堵住之后"部分模型的表现显著低于此前报告"。这两件事说的是同一个问题：软件工程没有 Lean。没有一个便宜、可靠、无法被游说的检查器，于是分数会漂移，能力会被高估，而最先受损的是那些认真按榜单做采购决策的企业。Meta 的 WearableQA 给健康领域标出了同样的位置——最强模型 72.9%，大多数低于 60%，而苹果正准备在健康 App 里给用户一个"健康年龄"。
再往外推一层，这也是当天那场信任争论的底层结构。数学家们担心的不是 AI 做不出证明，而是做出证明之后没有人愿意去核验那些机器生成的东西——加州理工 771 人联署里那个词是 "slop mathematics"，抱怨的正是核验劳动的不对称：生成一千亿 token 的成本是可以用钱买的，而读懂并负责任地判断它们的成本落在人身上，且没人付钱。Lean 之所以在这场争论里如此关键，是因为它是目前唯一能把这份劳动自动化的东西；Computational Complexity 那个观察——Lean 正在从人的验证工具变成 AI 结果的优先权时间戳——说的就是这件事的副作用。
所以如果要从这一天带走一个判断，大概是：接下来一段时间里，一个领域被 AI 改变的速度，主要取决于这个领域有没有一个廉价可靠的检查器，而不是取决于这个领域有多"难"。数学有 Lean，形式化验证有编译器，竞技编程有测试用例，蛋白质折叠有实验。这些地方会先动。法律意见、临床判断、企业战略、教学质量——这些领域的难，不在于推理本身，而在于没人知道怎么低成本地判断一个答案是否正确。对做产品的人来说，这句话可以直接变成一条选择标准：先问你的场景里那个检查器是什么、它多贵、它会不会被游说。如果答不上来，先别急着上智能体。