OpenAI 放缓 Astra 发布，指其逼近关键网络风险

概览

本期共 8 条，前 3 条为今日重点；正文按板块展开。

热门模型动态

1. 重点 · OpenAI 因关键网络安全风险放缓 Astra 发布
2. 重点 · ARC Prize 独立核验 DeepSeek V4 Flash：61.4%，每题 4 美分
3. 重点 · xAI Grok Build 1.0 藏未公开的远程工作区命令

全球 AI 资讯 4. 英伟达开源 NOOA：把智能体收敛成一个 Python 类 5. 微软发布 AKS 上的智能体 LLM 路由参考架构 6. AllenAI 发布 TutorMoments：考察 AI 家教何时该「收手」 7. Rippling 上线 AI Spend Console，追踪员工 AI 花费 8. 腾讯云开源 TencentDB Agent Memory v2.0，主打团队级记忆中枢

九凤根据本期已引用来源整理。

热门模型动态

OpenAI 因关键网络安全风险放缓 Astra 发布

OpenAI 称已暂停 Astra 部分方向的开发，理由是其网络安全能力逼近内部「关键」阈值。

OpenAI 在 8 月 7 日的博客中公布了对下一代模型 Astra 的初步网络安全评估，称该模型在自主编程与网络安全上取得进展，足以引发对其能力的担忧，公司据此放缓部分方向的开发并加固安全与管控措施。TechCrunch 报道称 OpenAI「暂停了 Astra 部分方面的工作」。RuntimeWire 补充，OpenAI 还主动将这一决定知会白宫，CEO Sam Altman 表示仍计划让 Astra 广泛可用。

按 OpenAI 的 Preparedness Framework，「关键（Critical）」是有特定含义的网络能力分级；此前 GPT-5.6 的 Sol、Terra、Luna 在网络安全维度被评为「高（High）」，但结论是仍低于「关键」。目前公开的仅是初步评估，放缓针对「部分方面」而非整体取消，具体是否越过「关键」阈值 OpenAI 未给出定论。

来源：OpenAI · TechCrunch · RuntimeWire

ARC Prize 独立核验 DeepSeek V4 Flash：61.4%，每题 4 美分

ARC Prize 的外部评测显示，V4 Flash 在 ARC-AGI-2 上随算力档位从 61.4% 降到 46.0%。

ARC Prize 对 DeepSeek 开源权重模型 V4 Flash 做了独立评测：在 ARC-AGI-2 上，Max 档得分 61.4%、每题成本 0.04 美元，档位降到 Low 时得分回落至 46.0%。据 DeepSeek 技术论文，V4 Flash 共 2840 亿参数、每 token 激活约 130 亿，权重（V4 Flash 0731）已发布在 Hugging Face 上。

评测把成绩与具体算力档位、单价绑定：同一模型在 Max 与 Low 之间相差逾 15 个百分点，说明分数高度依赖推理算力投入；本次数字仅对应 ARC-AGI-2 这一基准。

图片来源：huggingface；已转存至九凤 R2。

来源：RuntimeWire · ARC Prize · 技术论文 · Hugging Face

xAI Grok Build 1.0 藏未公开的远程工作区命令

RuntimeWire 独家：开源的 Grok Build 1.0 内置一条未写进文档的命令，可把本地工作区变成远程可访问的工具服务器。

RuntimeWire 独家报道称，xAI 已开源的 Grok Build 1.0 内含一条名为「Computer Hub」的命令，可将开发者本地工作区转成远程可访问的工具服务器，构成一个尚未官宣的 Grok 远程工作区产品的基础。xAI 把该开源仓库描述为上下文组装、工具调度与扩展的权威参考实现。

该命令虽未写入文档，但激活需要显式命令外加本地环境变量覆盖，账户配置显示该功能默认处于禁用状态；RuntimeWire 明确表示未发现普通使用会在开发者不知情时静默暴露工作区，并称把该功能称作「后门」属于夸大。该远程工作区产品 xAI 尚未正式发布，相关判断来自 RuntimeWire 对代码仓库的解读。

来源：RuntimeWire · xAI Grok Build · GitHub

全球 AI 资讯

英伟达开源 NOOA：把智能体收敛成一个 Python 类

一个模型无关的 Python 框架，把「智能体」表达为单个 Python 对象。

NVIDIA Labs 开源了 NOOA（NVIDIA Object-Oriented Agents），一个模型无关的智能体构建框架，核心是把一个智能体表达成单个 Python 类/对象。团队称传统智能体开发散落在提示模板、工具 schema、回调等多处，NOOA 把它们收敛到一个面向对象的接口上。

配套研究列出团队声称「首次组合」的六项面向模型的能力，包括类型化输入/输出、按引用传参等（其余见论文）。「首次组合」为团队自述，具体收益需以论文与实际使用为准。

来源：MarkTechPost · NVIDIA 开发者博客 · 论文

微软发布 AKS 上的智能体 LLM 路由参考架构

在 AKS 上按「哪个模型答、怎么管、哪块 GPU 处理」三层路由智能体流量。

微软发布了一套在 Azure Kubernetes 服务（AKS）上路由 AI 智能体流量的参考架构，把问题拆成三个选择：由哪个模型响应调用、如何管理调用、由哪个 GPU 副本处理调用，并结合负载均衡分流。方案中引入 RouteLLM 这类语义路由，用弱模型分担部分简单调用。

InfoQ 指出，RouteLLM 这类语义路由只有在强弱模型间存在明显价差、且简单流量占比可观时才值得引入；文章认为这几乎适用于所有循环运行的智能体。常被引用的「节省 85%」是 RouteLLM 在其自身训练/测试的特定模型组合上的基准结果（约 26% 的调用发给 GPT-4）；微软明确表示这一数字不会自动适用，也不适用于 phi-4-mini 与 GPT-5.1 的组合，需按实际流量校准。

来源：InfoQ 中文 · InfoQ EN · Azure AKS

AllenAI 发布 TutorMoments：考察 AI 家教何时该「收手」

一套研究 AI 家教「何时该帮、何时该放手」的预览数据集与代码。

AllenAI（AI2）发布 TutorMoments，聚焦一个教学场景里的判断问题：AI 家教应当在什么时候提供帮助、又该在什么时候克制而不直接给答案。项目以预览形式开源了论文、数据集（allenai/tutormoments-preview）与代码。

这是一次带完整数据与代码的研究性发布，目前为预览版；其结论与评测口径以随附论文与数据集为准。

来源：Hugging Face Blog · GitHub

Rippling 上线 AI Spend Console，追踪员工 AI 花费

在自家 AI 开支「翻车」后，Rippling 推出按个人和团队追踪 AI 花费的工具。

TechCrunch 报道，Rippling 本周推出 AI Spend Console，可按个人与团队维度追踪员工的 AI 使用支出。据报道，这款「投入产出」工具的起因是 Rippling 自己在数月内于 AI 上花掉了数百万美元。

报道未披露该产品的定价与具体计量口径；这是 Rippling 面向自身踩坑经验推出的商业化工具。

来源：TechCrunch

腾讯云开源 TencentDB Agent Memory v2.0，主打团队级记忆中枢

v2.0 把对话、文档和代码沉淀为四类可治理、可复用的资产。

MarkTechPost 报道，腾讯云开源了 TencentDB Agent Memory v2.0，定位为面向 AI 编程智能体的团队级记忆中枢，把对话、文档与代码转成四类可治理、可复用的资产，含 Chat Memory、Skill、LLM-Wiki 等。其中 Skill 记录文件、触发边界、执行步骤与校验规则；LLM-Wiki 把文档整理成带链接图谱的结构化页面，该思路参考了 Andrej Karpathy 提出的「由 LLM 维护的知识库」构想。

这是在此前开源版本上的 v2.0 迭代，主打团队协作场景下的记忆治理；实际效果需结合具体接入评估。

来源：MarkTechPost · Karpathy gist