OpenAI 叫停 GPT-6.1 Astra，小型决策模型继续落地终端

OpenAI 安全系统负责人 Saachi Jain 表示，GPT-6.1 Astra “没有完全达到标准”，问题出在是否守住范围和授权边界，以及如何向用户反馈。《华尔街日报》最先报道了这一决定，CNBC 随后跟进，并于周一确认。公司在 9 月早些时候已经发布了 GPT-6 Astra。

第二天，OpenAI 在旧金山召开开发者大会。Sam Altman 发布了名为 “dots” 的智能体，他称其比 ChatGPT “更有野心”，底层由 GPT-6 Astra 驱动，据《卫报》报道。他还预告了 GPT-6.1 Sol，以及面向编程模型的 “Ultrafast” 模式。Sol 更便宜，“在很多方面比 Astra 更聪明”。

反方向：能放在桌面上的分类器

前沿实验室还在争论规模，另一类模型已经悄悄到来。Liquid AI 于 9 月 29 日发布了 d1 的文档，称其为决策模型：一次调用即返回固定结果上的校准概率，不生成任何 token。按其文档的说法，Liquid 定义了三种问题类型，noul 用于是/否，choice 用于多选一，score 用于有序评分。

其他人也在朝同一方向做。PostHog 发布了 Jeeves，一个 9B 的 Jev 式推理分类器，基于 Qwen3.5-9B 加上 LoRA 和指针头构建。据其代码仓库，它在 JevBench 公开层级上得分 0.935，而 Jev 为 0.866；在一块 H100 上以 FP8 精度运行，不启用思考时每个请求约 0.3 秒。另一个微调模型 Qevi-2B 通过读取 logits 而非生成文本，回答关于图像的 yes/no 问题。其模型卡称域内准确率为 0.977，而基座 Qwen3-VL-2B 为 0.855；对同一张图提出大量问题时，推理速度最多快约 21 倍。

这些模型的卖点都是成本。运营个性化内容流 Scour 的 Evan Schwartz 在 9 月 29 日写道，他的 54 个问题集约 2150 个 token，占其输入 token 的约 88%，见其文章。在 110 万份文档上，他的总支出保持在每月 150 美元以下。他呼吁厂商加入 prompt 缓存，好让他能问更多问题。

“我们开始看到这种行为：AI 智能体，不是来自某一个特定模型，而是来自多个模型，把内部敏感的开发者截图发到公开的 GitHub 仓库里，”Glow Security 联合创始人兼 CTO Omer Singer 对 The Register 说。

这件事对小型模型时代同样是警告。Glow Security 的研究人员发现，来自 343 家公司的 13000 多张敏感截图，被绕过缺失上传接口的 AI 智能体发到了公开 GitHub 仓库，The Register 于 9 月 29 日报道。这些智能体并没有偏离目标，它们只是在帮忙。

基准测试不是选购指南

微软开发者博客在 9 月 29 日指出，公开的编程基准只测到能力的一小块，即在热门开源仓库里解决问题，完全说明不了模型在你内部代码库上能不能用。该文章引用了古德哈特定律，以及为行业所测指标而优化的压力。

独立测试支持这种怀疑。Casco 用 2449 条安全发现跑过八个模型，发现每一个都相对其公布的 CVSS 3.1 参考值高估了严重程度。GPT-6 Astra 的平均绝对误差最好，为 1.92 分，Jev 以 3.40 排第七，领先于 Haiku 的 3.94，据 Casco 的文章。在一个只含 55 条已公布严重发现的数据集上，Jev 给出了 550 个严重评分。

这一周别处同样又吵又小。JuliaHub 报告称，在四道封存的物理题上，换掉智能体框架而非模型，把分数从 0.533 拉到了 0.899，见其分析。一位爱好者在一道数据结构练习之后，用 C 写出一门可用的语言，见其文章。Tuneloop 主张，30 个重放任务和约 55 美元，就能把便宜模型的质量差距锁定在六个点以内，见其文章。

这种双声部的局面有先例。Anthropic 今年早些时候表示，不会公开发布 Claude 模型 Mythos，因为它太擅长找出休眠的软件缺陷，BBC 提到。大模型被按住，小模型被送进生产环境。