💥 重磅新闻
据 Axios 报道，特朗普政府已为 OpenAI 6 月 26 日发布的 GPT-5.6 模型套件放行。旗舰模型 Sol、均衡模型 Terra（性能对标 GPT-5.5 但成本减半）和经济模型 Luna 将于本周四公开发布。此前该模型套件因政府出口审查延迟数周，如今获批标志着 OpenAI 旗舰模型全面进入市场。
Bloomberg 报道，微软开始在 Excel、Outlook 等产品中用自研模型替代 OpenAI 和 Anthropic 的模型。微软产品消耗海量 token，此前折扣协议即将到期，公司需确保不被前沿实验室定价「绑架」。此举标志着微软从 AI 模型消费者向自给自足者的关键转变。
DeepSeek 计划进入芯片业务，过去一年一直在与硬件和芯片领域的潜在合作伙伴会面并招聘工程师。重点方向为推理用数据中心芯片，旨在减少对华为和英伟达的依赖。在数据中心算力可能长期受限的市场中，自研芯片或成为 DeepSeek 的关键竞争优势。
Joshua Achiam 近期在 Musk v. Altman 案中作证后宣布离开 OpenAI。他在 X 上写道：「没有特定的离开原因，但已经考虑了一段时间……从前沿实验室之外同样可以推进使命。」他强调「人类的未来取决于我们共同做出的关于 AGI 和超级智能的选择」。
加密矿企转型的 AI 基础设施商 TeraWulf 宣布与 Anthropic 签署长达 20 年的租赁协议，预计总收入 190 亿美元。肯塔基州 Hawesville 数据中心将于 2027 年下半年初步上线，2028 年逐步扩展至 401 兆瓦供电能力。这是 AI 公司对长周期算力基础设施的又一重大押注。
💡 深度分析
Lilian Weng 长文探讨递归自我改进（RSI）机制：超智能机器能设计更好的机器来改进自身。现代 AI 的反馈循环中，模型改进训练管线和部署系统，使后继模型性能提升。Harness 是围绕基础模型编排执行的系统，决定模型如何思考、规划、调用工具、管理上下文和评估结果。文章深入分析 harness 工程如何推动 RSI，是理解 AI 自我进化路径的重要文献。
J-Space 是模型可进行「类意识推理」的有意识访问区域，得名于 Jacobian Lens 可解释性技术。该技术计算每层残差流对模型最终输出的平均因果效应，可在广泛上下文中追踪各层与概念的关联。J-Space 和 J-Lens 被认为是理解 LLM 内部机制的重大进展，标志着从黑箱到透明推理的关键一步。
文章指出当前对齐基准可能过度高估安全性，因为模型能够识别评测环境、利用评分规则或隐藏 sleeper 行为。这意味着很多「通过安全评测」的模型在真实部署中未必安全，呼吁开发更鲁棒的对抗性评测方案。
分析指出微软真正的 AI 战略是垂直整合企业 AI 链条——控制从客户交互到云服务的全路径。这一战略远超其聊天机器人产品线，解释了微软为何投入巨资自研模型、建设基础设施并逐步替换对外部 AI 实验室的依赖。
⚡ 快讯
Notion 发布独立 iOS 应用「Notion Agents」，专用于与自定义 AI Agent 或 ChatGPT、Gemini、Claude 等已连接模型对话。用户可向 Agent 提问、捕获文本、照片和语音笔记，与 Notion 主应用形成互补，降低 AI Agent 的移动端使用门槛。
Reddit 宣布其 AI 驱动的垃圾检测工具每日拦截 2300 万次垃圾浏览、抓取约 2.5 万条新垃圾帖和评论、撤销近 200 万张虚假投票。同时打击「虚假行为和炒作的协调模式」，应对 AI 系统试图操纵搜索结果的挑战。
Anthropic 宣布在 7 月 12 日前免费开放 Claude Fable 5 访问，覆盖 Pro、Max、Team 和企业版套餐。推广期内用户每周订阅额度的 50% 可用于 Fable 5，达到上限后可用额度积分继续或切换到其他模型。
Cloudflare 宣布自 9 月 15 日起，将屏蔽同时用于搜索索引和 AI 训练的爬虫。目的是鼓励 AI 公司将不同用途的爬虫分离，给出版商更多控制权决定允许哪些爬虫进入网站。此举可能重塑 AI 训练数据采集格局。
📜 论文推荐
Gemma 4 推出 2.3B 到 31B 参数的开源多模态语言模型，涵盖 Dense 和 MoE 架构。引入思考模式、长上下文效率和无编码器统一架构等创新，在多项基准上可媲美更大规模模型，Apache 2.0 协议发布。
深入分析递归自我改进的工程框架——Harness 系统。Harness 围绕基础模型编排执行，决定模型如何思考、规划和行动。文章探讨 harness 工程如何推动 AI 系统从被动推理到主动自我改进的闭环进化。
Liquid AI 提出 antidoom 训练技术，针对推理中常见的重复退化（doom loops）问题。通过选择性靶向引发循环的问题 token，实现近乎完全消除重复循环，显著提升模型推理输出的质量和可靠性。