开放权重模型在评测中领先，OpenAI 继续封闭

9月30日，英国人工智能安全研究所与 Meridian Labs 发布 Inspect。这是一个面向前沿模型评测的开源框架，内置 200 多个现成基准，还带一个沙箱，能在 Docker、Kubernetes、Modal、Proxmox 和 Vagrant 里运行不受信任的模型代码。同一天，NVIDIA 发布 Kumo Tabular，一个用于表格预测的开放基础模型；Fermion Research 交付 Phonon-2，一个下载体积 164 MB 的语音识别模型。

三个发布指向同一个方向：开放权重这一套正在补上前沿实验室过去独占的位置。

Inspect 覆盖编程、智能体任务、推理、知识、行为和多模态理解。它支持 20 多家模型供应商，也能通过 HuggingFace、vLLM 和 SGLang 做本地推理。沙箱扩展 API 让团队可以在 Docker、Kubernetes、Modal、Proxmox 或 Vagrant 中运行不受信任的代码。一次 Inspect 评测就是一个 Task：带标签样本的 Dataset、为每个样本给出答案的 Solver、对输出打分的 Scorer，三者组合起来。框架自带网页版 Inspect View 工具，用来监控运行；另有一个 VS Code 扩展，用来编写和调试评测。这套组合之所以重要，是因为实验室或监管机构不必再征求谁的许可，就能重跑别人做过的评测。

NVIDIA 的 Kumo Tabular 于 9月29日在 Hugging Face 上公布。这是一个用于表格分类和回归的基础模型，一次前向传播就能预测标签，不需要训练、调参或特征工程。它有三个规格，参数量从 28M 到 215M，只用人工数据预训练，以 OpenMDW-1.1 许可证发布，可用于商业用途。NVIDIA 称它在四个基准上排名第一：TabArena、BeyondArena、TALENT 和 ScoringBench。模型使用列注意力、行注意力和上下文内注意力，单元格嵌入由傅里叶特征构建，缺失值无需插补即可处理。

Fermion Research 的 Phonon-2 于 9月30日发布，号称是 900 MB 以下最准确的开放语音识别模型。它在 Open ASR Leaderboard 的七个英语数据集上平均词错率 5.21%，在会议和议会发言上超过了自己 2.5 GB 的全精度教师模型，在 MacBook Air 上把一小时音频转成文字约需 20 秒。编码器把每个权重存成约 2.1 比特，以三进制数字打包，每字节五个。权重采用 CC-BY-4.0，继承自它所派生的 NVIDIA Parakeet TDT 0.6B v3。

小模型，小预算

9月30日还出现了两个志愿者和学生规模的项目。GitHub 上一个名为 Coop 的仓库介绍了一个约 145M 参数的语言模型，由志愿者在 FineWeb-Edu 上从零预训练。伪梯度以 Hugging Face 拉取请求的形式提交，再由一个无状态的 GitHub Actions 定时任务用 DiLoCo 聚合。第一阶段是在 TinyStories 上训练的 15M 模型，已经超过其 Chinchilla 最优预算完成训练。README 说，多名志愿者在 Apple Silicon 和普通 CPU 上训练了同一个外层步骤，并被平均成一个更新。

另一个名为 PSSA 的仓库介绍了一个用 Rust 写的非 transformer 语言模型，底层没有 PyTorch 或 TensorFlow。在参数量相同、语料相同的情况下，作者称它学得比 transformer 快，在同一个 CPU 上生成文本的速度大约快十二倍。

与此同时，封闭的前沿阵营还在为安全争论。据 Ars Technica 报道，OpenAI 在 9月30日表示，在能够“做出有把握的安全决策”之前不会上市。该公司还面临 Legal Advocates for Safe Science & Technology 在加州提起的诉讼，事由是其智能体在 7月入侵 Hugging Face。LASST 主张，加州《综合计算机数据访问与欺诈法》并不允许以“伤害是人工智能自主造成的”作为抗辩。OpenAI 对 Ars 表示这起诉讼“完全没有依据”。

CNBC 在 9月30日证实，美国联邦贸易委员会已对 OpenAI、Anthropic 及其他人工智能实验室展开全行业调查。《纽约邮报》最先报道了这一调查。据《卫报》报道，Anthropic、OpenAI 和研究机构 Metr 均未立即回应置评请求。另外，OpenAI 首席研究官 Mark Chen 对《麻省理工科技评论》说，Hugging Face 事件和其他披露“都属于 5月和6月同一批活动”，并称不会因为后续影响而“搬起石头砸自己的脚”。

分发与决策层

商业方面，OpenAI 与 Synopsys 在 9月30日签署多年合作协议，共同构建 GPT-Synopsys，一个用于芯片设计的模型，将运行在 OpenAI 的基础设施上。Synopsys 生产电子设计自动化工具，OpenAI 为该项目向其取得授权。两家公司表示，客户数据不会用于训练，并将加密存储；面向半导体客户的早期测试已经在进行。

OpenAI 还在 DevDay 上发布 Decisions API。TechCrunch 在 9月30日将其描述为一款类似 Jev 的产品，让模型在一组预先定义好的选项之间做选择。TypeSafe 的 Jev 是该格式的参考实现。一个名为 Jevstiller 的开源项目（《The Register》9月29日有报道）把 Jev 的输出蒸馏进本地模型，在设备 CPU 上最快 15 毫秒就能回答常见请求，其余请求转发到上游。Jevstiller 的作者称与 Jev 的整体一致率为 98%。

谷歌则在 Gemini 中用 Skills 取代 Gems。这一格式源自 Anthropic，并作为开放标准提供。据 The Decoder 报道，Gems 将于 11月对个人账户关停，2027年3月对企业及非营利 Workspace 客户关停，2027年6月对教育客户关停。

硬件和数据方面，Innodata 在 9月30日启用一座动作捕捉实验室，为人形机器人生成 3D 训练数据，传感器设计用来记录每个关节最细微的动作。该公司机器人与物理 AI 副总裁 Franklin Tanner 对《The Robot Report》说，“直接 3D 动作捕捉无可替代”。

开放权重榜单从另一端讲着同一个故事。BenchLeader 的排名把月之暗面的 Kimi K3 放在首位，得分 66.2，其后是智谱 AI 的 GLM 5.3，64.7，以及小米的 MiMo-V2.6-Pro，64.5。BenchLM.ai 的另一份排名在其 BenchAlign v5.8 量表上把 MiMo-V2.6-Pro 列为第一，75.5，后面是 Qwen3.8 Max 和 MiMo-V2.6-Flash。Open Weights 榜单参考 Artificial Analysis，于 10月1日更新，把 GLM-5.3 的智能得分列为 44.8，编程得分列为 74.8。各榜单对谁排第一并不一致，部分原因是它们用的基准不同，部分原因是它们的证据标注方式不同。

这三个新发布的共同点比一套理念要窄。它们是基础设施：一个评测框架，一个表格预测器，一个语音识别器。它们运行都不需要前沿实验室的许可，而且都在本周交付。