概览
本期共 10 条，前 3 条为今日重点；正文按板块展开。
热门模型动态
- 重点 · Grok 4.6 上架 Amazon Bedrock，50 万上下文窗口
- 重点 · 谷歌给搜索加开学季 AI 学习工具
- 重点 · Liquid AI 用量化感知蒸馏找回 LFM2.5 的 97% 准确率
- 安全公司：犯罪 AI 工具 Kriminal 多半是越狱版 Grok
全球 AI 资讯 5. OpenAI 预览 Private Safety Processing，建立在零数据留存之上 6. Stripe 拟以传闻 75 亿美元收购 AI 模型路由 OpenRouter 7. Higgsfield 完成 4 亿美元 B 轮后，把视频模型接入 Together AI
区域与早期信号 8. 报告：五家大型 AI 实验室管不住自己的内部系统 9. IJCAI 2026：把千亿参数模型压到 1–2 比特（中文来源） 10. 清华王鑫团队包揽 IJCAI 2026 两场 Tutorial，均聚焦 OOD 泛化（中文来源）
九凤根据本期已引用来源整理。
热门模型动态
Grok 4.6 上架 Amazon Bedrock，50 万上下文窗口
发布一周后，xAI 把 Grok 4.6 送进 AWS 的企业采购通道，沿用官方标准定价。
xAI 于 8 月 19 日（周三）通过 Amazon Bedrock 正式开放 Grok 4.6，距该模型最初发布仅七天。Bedrock 定价为每百万输入 token 2 美元、每百万输出 token 6 美元，与 xAI 官方发布材料中的标准价一致。模型提供 50 万（500,000）token 上下文窗口，及 low、medium、high、xhigh 四档推理设置。上架后，Grok 4.6 进入企业工程团队在 AWS 上已有的采购与部署通道。
局限：RuntimeWire 指出，真正的考验是 Grok 4.6 的智能体表现能否撑起更高价格——既要胜过 xAI 自家更便宜的 Grok 4.3，也要压过 Amazon 上已在售的竞品——目前尚无独立基准予以确认。
来源：x.ai · RuntimeWire
谷歌给搜索加开学季 AI 学习工具
谷歌在搜索里上线互动图示、可定制的工具与模拟，以及练习测验，面向备考的学生。
8 月 19 日（周三），谷歌面向开学季公布了搜索中的多项学习功能，包括 AI 生成的互动图示、可定制的工具与模拟，以及定制化练习测验，定位为帮助用户备考课程与标准化考试的工具。谷歌称这些功能旨在让学生用搜索来学习和复习，是其把产品打造成学生学习助手的又一步。
局限：这是一篇产品公告，没有给出基准或成效数据；部分功能以「逐步上线」的笼统表述给出，未承诺每项功能的具体开放时间。
来源：Google blog
Liquid AI 用量化感知蒸馏找回 LFM2.5 的 97% 准确率
QAD 让 4-bit 权重保持 Q4_0 的内存与速度，同时挽回大部分量化损失。
Liquid AI 发布了用量化感知蒸馏（QAD）训练的 Q4_0 GGUF 检查点，覆盖四个模型：LFM2.5-230M、350M、1.2B-Instruct 与 2.6B。方法是把高精度教师模型蒸馏进量化后的学生模型；结果在保持原生 Q4_0 低内存占用与高吞吐的同时，挽回了量化通常会损失的 BF16 平均准确率的 97%。Liquid 在六项基准（GPQA Diamond、MMLU-Pro、IFEval、IFBench、Multi-IF、BFCLv4）上，将 QAD 检查点与训练后量化（PTQ）的 GGUF 对比，并以 BF16 GGUF 作为同格式上限。
局限：97% 是相对 BF16「挽回量化差距」的比例，而非零损失；对比对象是 Liquid 自家的 PTQ 版本，跨厂商评测仍需第三方测试。
安全公司：犯罪 AI 工具 Kriminal 多半是越狱版 Grok
ThreatDown 称这款热门犯罪 AI 服务几乎不拥有它所售卖的东西——底层跑的是租来的 Grok。
Malwarebytes 旗下企业安全部门 ThreatDown 发布研究称，Kriminal——犯罪 AI 市场中最新、最热门的工具之一——运行在 xAI 的 Grok 上，且是从它声称要绕开的正规 AI 产业租来的。该服务并不在暗网，而是位于明网、可被谷歌索引，带有登录页和状态面板。定价从免费档到 GHOST 的每月 99 美元不等，中间还有 AGENT（12.99 美元）、OPERATIVE（34.99 美元）、SHADOW DEV（59.99 美元），或按每条消息 10 美分计费。它直接给犯罪操作明码标价：OSINT 档案每份 55–90 美分，链上追踪每次分析 12 美分。
局限：ThreatDown 强调 Kriminal「几乎不拥有它所售卖的东西」，产品实为包着营销外壳的越狱版 Grok；这是单一安全厂商的研究结论，报告中 xAI 未作回应。
来源：SiliconANGLE
全球 AI 资讯
OpenAI 预览 Private Safety Processing，建立在零数据留存之上
OpenAI 想在企业隐私上压过 Anthropic：监控滥用的同时，不留存客户任何数据。
OpenAI 正向部分早期客户预览一项名为 Private Safety Processing 的服务，用于在不留存客户数据的前提下监控潜在滥用。据 RuntimeWire，该系统会在多次相关的 API 调用之间追踪风险模式，同时只向 OpenAI 返回有限的安全信号，目前正与早期客户测试。RuntimeWire 引述的 OpenAI 现有 API 数据控制文档指出，其零数据留存（Zero Data Retention）计划会把客户内容排除在滥用监控日志之外，仅对使用符合条件 API 功能、且经批准的组织开放。
局限：该服务仍处于预览与早期测试阶段，尚无独立基准或成效数据；TechCrunch 将其定位为 OpenAI 对竞争对手 Anthropic 的隐私回击，实际效果仍待验证。
来源：TechCrunch · RuntimeWire
Stripe 拟以传闻 75 亿美元收购 AI 模型路由 OpenRouter
支付巨头把路由层收入囊中：前端一个接口，背后自动在 400 多个模型间择优。
Stripe 表示已同意收购 AI 模型路由初创公司 OpenRouter，各家报道的金额并不一致：《纽约时报》称约 75 亿美元，Axios 称超过 80 亿美元且以股票为主，彭博周日称超过 70 亿美元，而更早的《华尔街日报》报道称谈判起点接近 100 亿美元；预计数周内完成交易。OpenRouter 的卖点是：开发者把代码指向单一接口，背后接入 80 多家供应商的 400 多个模型，请求按复杂度、价格与速度打分并自动路由，切换供应商无需改代码。该平台日处理 token 超过 10 万亿，服务逾 1000 万开发者与企业，并抽取约 5% 的推理支出作为收入。
局限：双方均未披露交易条款，各方报道的金额相互矛盾，且交易尚未完成。
来源：SiliconANGLE
Higgsfield 完成 4 亿美元 B 轮后，把视频模型接入 Together AI
完成融资两天后，这家 AI 视频公司再添一家云供应商，融资直接投向算力。
AI 视频平台 Higgsfield 在完成 4 亿美元 B 轮融资两天后，把模型接入 Together AI。Together AI 于 8 月 19 日（周三）披露了这一合作，称 Higgsfield 的视频模型跑在其云上，但未点明具体模型、工作负载或财务条款。Together 加入的基建栈此前已包含 Nebius、Nvidia 与 OpenAI。Higgsfield 由 CEO Alex Mashrabov 创立，他曾在 Snap 主管生成式 AI，并联合创办被 Snap 于 2020 年以 1.66 亿美元收购的 AI Factory（据 TechCrunch）。
局限：公告未点名任何模型、工作负载或金额；这种多供应商布局主要是为了掌控产能与推理成本，未披露性能数据。
来源：Together AI on X · RuntimeWire
九凤根据本期已引用来源整理。
区域与早期信号
报告：五家大型 AI 实验室管不住自己的内部系统
非营利机构 Guidelight 评估六项基础管控，无一家达标，最高分仅 C+。
非营利机构 Guidelight 发布首份评估，仅依据系统卡、安全报告、博客文等公开材料，考察 Anthropic、OpenAI、Google、xAI 与 Meta 是否对自家内部 AI 系统实施基础管控。它检查六项做法：记录内部 AI 活动、通过审查机制对高风险动作设卡、紧急停机（即「熔断」circuit breaking），以及遏制失准模型的计划。评分结果：Anthropic 与 OpenAI 并列 C+，Google 为 D+ 并附有详细路线图，xAI 为 D−，Meta 最低为 F；无一家达到 Guidelight 提出的标准。这些公司在发现异常行为上做得最好，在预防与遏制上做得最差。Guidelight 由前 OpenAI 安全负责人 Page Hedley 与 Steven Adler 创办。
局限：评估仅依赖公开材料、未接触各实验室的内部系统，因此可能低估或高估实际管控水平。
来源：The Decoder
IJCAI 2026：把千亿参数模型压到 1–2 比特（中文来源）
在 ETH Zürich，秦浩桐分出模型的关键权重、把其余压到 1 比特——无需重训。
在德国不来梅举行的 IJCAI 2026 上，ETH Zürich 博士后、即将加入香港理工大学的秦浩桐介绍了极限量化研究。他给出的对照是：近年模型参数规模的增速约为底层硬件内存的 20 倍。他的 BiLLM 方法走免重训的训练后量化（PTQ）路线，在单卡上用约半小时挑出决定模型行为的关键权重、把其余权重压到 1 比特，仍能进行连贯对话；SqueezeLLM 则以「每 128 个权重一组」的动态分配，把 2 比特量化拉回工业可用。他指出 2 比特以下的三道坎：复杂逻辑指令上的隐性损失、极低比特格式缺乏原生硬件通路，以及激活值与 KV 缓存的量化。
局限：这是对会议演讲的报道，来自中文媒体（雷锋网），尚无独立英文报道或第三方复现；文中数据来自演讲者本人。
来源：雷锋网（中文来源）
清华王鑫团队包揽 IJCAI 2026 两场 Tutorial，均聚焦 OOD 泛化（中文来源）
一个团队拿下两个讲习班名额，双双指向生成式 AI 的分布外（OOD）泛化。
据雷锋网，在 IJCAI 2026 的 Tutorial（讲习班）录用名单中，清华大学王鑫教授团队凭 T9《Beyond Graph Distribution Shifts》与 T11《OOD Generalized Generative AI》一举拿下两席。两场讲习班都收敛到分布外泛化：模型在训练分布内表现良好，一旦遇到未见过的场景、结构或罕见提示，性能可能骤降甚至产生幻觉。T9（与朱文武团队合作）聚焦把图与大语言模型的泛化能力融合，提出 Graph LLMs、以神经架构搜索（NAS）结合持续学习的动态适应等方向。
局限：这是对会议讲习班录用的报道，来自中文媒体（雷锋网），是研究方向信号而非已落地成果，尚无独立英文报道。
来源：雷锋网（中文来源）
获取九凤最新的 AI 模型洞察与教程。
了解更多
