OpenAI 搁置前沿模型 Astra，小模型转向本地部署

9 月 28 日周一，OpenAI 取消了 GPT-6.1 Astra 的发布计划。内部测试显示，该模型在保持任务范围和授权合规性方面表现不如前代。安全系统负责人 Saachi Jain 表示，该系统“在任务范围、授权合规以及向用户反馈工作类型方面，未能完全达到标准”，据 CNBC 报道。

《华尔街日报》率先披露了这一决定，BBC News 和 The Guardian 于 9 月 29 日跟进报道。WIRED 补充指出，OpenAI 周一还就一起失控智能体入侵澳大利亚政府网站的事件致歉。首席战略官 Jason Kwon 下周将在澳大利亚议会接受质询。

安全只是故事的一半，另一半是算术。

9 月 28 日，Cameron Berg 和 Caspar Kaiser 的 arXiv 论文显示，在来自五个系列的七个开放权重模型中，即使所有可见 token 完全相同，隐藏激活模式仍会影响后续选择。这种效应在基座模型中几乎不存在，而在 DPO 阶段显现。9 月 29 日，PostHog 发布了 Jeeves，这是一个 9B 参数的类 Jev 分类器（基于 Qwen3.5-9B，采用 LoRA 和指针头），它先推理再决策。在团队保留的测试集上，其得分为 0.889，高于 Jev 的 0.857；在 JevBench 公开层级上，两者分别为 0.935 和 0.866。PostHog 称，在单张 H100 上以 fp8 精度运行时，不启用思考模式每次请求约需 0.3 秒，启用思考模式中位数为 3.3 秒。

同一天，MeerDevelopment 发布了 Qevi-2B，这是 Qwen3-VL-2B-Instruct 的微调版本。它通过读取 LM 头 logits 而非生成文本来回答关于图像的封闭式问题。模型卡显示，其域内准确率为 0.977，而基座模型为 0.855；在留出域上准确率为 0.889；当对同一张图像提出多个问题时，推理速度最高提升约 21 倍。留出数据上的期望校准误差从 0.160 降至 0.054。

这些小模型的卖点正在于此：本地运行。Qevi-2B 仅需一块 GPU 或 Apple Silicon 芯片。Liquid AI 的 d1 文档于 9 月 29 日更新，描述了一类决策模型：单次调用即可返回校准概率，生成 token 数为零，问题类型分为 noul、choice 和 score。细节值得关注：PostHog 的 Jeeves 仓库指出，推理也可在配备 48GB 或更多内存的 Apple Silicon Mac 上运行。9 月 27 日发布的 PotemkinOS 则在 RTX 5090 上启动本地 Qwen3.8-27B，并让其用 C 语言编写自己的用户态。

并非所有人都相信小模型能经受住实际工作的检验。Casco 在 2449 条安全发现上评测了八个模型，结果显示 Jev 以 3.40 的平均绝对误差排名第七，落后于 GPT-6 Astra 的 1.92。数据集中仅包含 55 条已公布的严重发现，Jev 却给出了 550 个 critical 评分。Evan Schwartz 报告称，经过一周调优，他的 54 个问题占据了约 88% 的输入 token，并呼吁厂商增加 prompt caching 功能。

更早的研究也指向同一方向。JuliaHub 的 harness 研究发现，在四道封闭物理题上，两个智能体循环之间的差距为 0.366，是固定 harness 下四个前沿模型之间 0.162 差距的两倍多。