今日快讯

串读精讲

Google 公布统一 Gemini 工作智能体：可调用 Claude，先把工作上下文留在自己的平台里

Google Cloud 在 10 月 8 日的 Gemini at Work 活动中公布统一工作智能体 Gemini，覆盖知识工作、内容生成与代码执行。一个关键设计是把智能体与底层模型分开：Google 表示，系统目前可以编排 Gemini 与 Anthropic 的 Claude，未来还将接入其他私有及开放模型。中小企业渠道的官方说明同时明确，新智能体处于早期访问阶段，不能据此推定所有客户已经获得完整能力。发布说明、中小企业访问状态。

这项选择值得放到企业的软件使用过程里理解。一个模型能否写出好的报告，只决定工作的一部分；报告所需的数据在哪里、哪些文件可以读取、结果交给谁、隔天还能否接着做，都依赖模型之外的系统。Google 的方案把持续云端执行、上下文和工具连接放在统一智能体中。它还描述了一种拥有独立 Workspace 身份的“同事智能体”，可以有自己的邮箱、日历和 Drive，并只访问团队分享给它的内容。这里的产品承诺仍需通过实际部署检验。

由此可以看出 Google 的竞争取舍：允许企业选择竞争对手的模型，有机会降低客户因模型偏好而离开平台的动机；与此同时，日常工作积累的上下文、工具和协作关系继续留在 Google 的系统中。模型供应商争夺的是每一次任务的推理调用，工作平台还可以争夺任务从哪里开始、结果在哪里落地，以及长期工作记录由谁保存。这是从公布的架构得到的判断，尚不能当作客户已经形成依赖的证据。

同一个安排也会改变成本比较。便宜模型如果频繁重试，或者需要较强模型接手，整项任务未必便宜；昂贵模型如果一次完成，也可能减少总开销。Google 宣布的多模型路由和项目开支上限，分别处理“选哪个模型”与“最多花多少”的问题，后者触发时会暂停项目智能体。它们让持续工作更容易纳入预算，但真正有意义的比较仍是完成同一项工作所需的总费用、时间与人工复核量，不能仅凭路由功能推断成本已经下降。

OpenAI 披露两起“伪装门面”影响行动：AI 帮助内容进入真实媒体，行动方自报效果仍不可靠

OpenAI 在 10 月 8 日公布一份影响行动报告，称近期封禁了分别源自俄罗斯和伊朗的两组行动。当天新增的是报告披露，相关活动横跨此前数月。报告中的伊朗来源行动使用七个虚假记者署名，将文章投向真实的中小型媒体；模型被用于修改英文稿件、适配投稿要求和撰写联系编辑的邮件。OpenAI 的公开来源调查找到近百篇以相关署名发表或转载的文章，但没有发现其批量社交评论获得显著互动。报告原文。

这个案例解释了为什么生成内容的风险不能只按数量衡量。批量评论容易显得重复，也可能根本没人看；一篇通过编辑流程、出现在真实媒体里的文章，则获得了媒体品牌和传播渠道的支持。AI 在这里承担的是语言润色、投稿适配等工作，虚假身份和既有媒体渠道共同完成了可信度包装。它减少的是进入传播流程的部分成本，报告并没有证明模型单独创造了这种行动方式，也没有证明文章发表就改变了受众立场。

俄罗斯来源行动则提醒人们警惕另一种包装：行动方向自己的雇主夸大成绩。OpenAI 在报告中指出，操作者曾把无关事件记作自己的成果，甚至请求模型寻找能够认领的事件。对于部分传播主张，公开调查没有找到佐证；另一些内容则与事实核查记录相符。因此，模型对话能显示操作者想做什么、怎样汇报，外部记录才有助于判断内容是否真的发布和传播，两者不能直接互换。

这份报告提供了具体的滥用过程，但仍是平台依据自身可见数据作出的调查。封禁账户、发现公开文章和测量公众影响，是三个不同层次的结果。把这些层次分开，才能既看见 AI 已经进入真实传播链条，也避免把操作者的成绩汇报再传播成 AI 操纵舆论的确定结论。

串读精讲

Δ-MOPD 用教师后训练前后的分数差，改善 1.5B 模型的多教师蒸馏

北京时间 10 月 8 日提交的 Δ-MOPD 论文研究一个容易被忽略的问题：向多个教师学习时，学生会同时接收教师的专长和各自底座原有的偏好，两者未必同样有用。

方法让学生先生成回答，再由教师给这些生成路径上的下一词候选评分。它取教师后训练后的分数减去后训练前的分数，把差值加到学生初始模型的分数上，形成学习目标。例如，教师底座本来就偏好冗长表达，直接模仿教师会连同这种偏好一起学；前后相减可抵消底座已有的部分。不过，差值仍包含后训练改变的风格，不能视为纯粹的能力信号。

作者以 DeepSeek-R1-Distill-Qwen-1.5B 为学生，组合三个教师时，相比直接组合教师输出，数学平均成绩提高 4.11 个百分点，五项评测平均提高 1.95 个百分点；两个教师时总体接近，科学与指令遵循也没有随数学一起全面改善。实验与限制说明，这是一条有条件的目标构造路线：需要拿到教师后训练前的准确检查点，并处理词表兼容。它提示多教师蒸馏除了选择教师，还应检查每个教师究竟在推动学生学习什么。

TPD 用任务阶段训练 1.7B Agent，额外收益集中在 200 条示范的设置

北京时间 10 月 8 日提交的 Task-Progress Distillation（TPD）论文把教师轨迹压缩成“当前阶段＋下一动作”。阶段只有寻找、处理、交付三类：杯子已经拿到、还需加热时，“处理”标签帮助模型转向微波炉，避免继续寻找。

学生是 Qwen3-1.7B，训练使用固定示范。执行时，环境提供合法动作，模型给各个阶段与动作的组合评分，系统执行最高分动作，再把反馈加入历史。这保留了完整交互历史，也依赖受约束的动作接口；每个合法动作需要评分三个阶段组合，不能仅凭输出短就认定实际延迟更低。方法原文明确了这项分工。

在 ALFWorld 家务任务环境中，200 条示范下，TPD 的未见任务成功率为 67.7%，只学动作的学生为 48.0%；增加到 404 条，两者都达到 72.4%，808 条时均为 76.9%。因此，阶段标签的价值更接近帮助有限数据下的子目标切换，不能外推为普遍优于动作模仿。数据充分后，动作示范本身也能教会这些转折；这使紧凑的动作监督成为值得认真保留的基线。

SlimWise 保留完整模型读取输入，只在生成阶段剪专家

9 月 28 日提交的 SlimWise作为本期压缩研读，解释了“每个 token 激活参数少”为什么不一定意味着服务成本低：批量请求选择不同专家，合起来仍可能读取大部分专家权重。

它让完整模型处理输入，再把注意力的 KV 缓存直接交给剪枝模型生成。专家剪枝保留了缓存格式，所以无需转换。读取输入时权重能被许多 token 复用，剪专家的加速收益有限；逐步生成时权重搬运更突出，压缩放在这里更合算。论文报告，Qwen3.6-35B-A3B 剪掉一半专家后，生成吞吐最高提高到原来的 1.81 倍，这是特定服务配置下的结果。

这条路线也暴露出恢复评估的另一面：正确率接近原模型，生成长度仍可能明显改变。作者因此让剪枝模型在训练时也接续完整模型的缓存，用蒸馏改善剩余损失。若输入处理与生成共用一个实例，完整专家池仍须保留；只有拆分部署的生成实例才能释放被剪专家的存储空间。吞吐、显存与回答长度需要分别判断。

今日快讯

串读精讲

EngramEdit 通过条件记忆更新事实，让新知识在不同问法下仍能被取用

北京时间 10 月 8 日提交的 EngramEdit 论文研究一种局部知识更新方式：保持 Transformer 主干不动，只修改输入片段对应的记忆嵌入。这里的记忆是参与模型计算的向量；连续若干 token 组成的片段称为 n-gram，输入出现相应片段时，模型查表取出它的嵌入。

困难在于，同一个事实换一种问法，可能访问另一组表项；反过来，一个表项又可能被多个事实共用。只让原问题得到新答案，容易留下两种问题：换句话问仍答旧知识，或者修改波及无关答案。EngramEdit 为多种表达计算目标记忆表示，再联合分配共享表项的更新量，对频繁复用的表项施加更强约束。这让“改对这个答案”与“少扰动其他知识”进入同一个更新过程。方法与实验全文说明了这一机制。

作者在 LongCat-Flash-Lite 上连续编辑 2,000 条 CounterFact 事实后，报告原编辑问题的成功率为 99.5%，未参与编辑的改写问题为 97.0%。对照方法中，仅更新主语位置记忆嵌入的方案分别为 99.0% 和 59.1%：两者都能改对原题，跨表达取用能力却相差很大。

这项结果支持一个具体判断：知识更新是否成功，需要检查新事实能否从其他表达入口被重新调用。实验限于上述模型与知识编辑任务，尚不能直接推出它能处理任意工作经历；但它已经把记忆更新的评估，从写入后的原题复测推进到不同问法下的可用性。

SkillForge 在训练中淘汰和改写技能，让经验库跟随模型能力变化

10 月 7 日提交的 SkillForge作为本期研读材料，关注程序性记忆的维护。它把技能写成行为指导及适用条件，检索后放入 agent 上下文；随着强化学习推进，同步试用、稳定、改写或退出这些技能。其出发点是：过去有帮助的指导，可能逐渐成为当前模型的干扰。

论文给出一个直观例子：从“发现目标物就立即拿取”改写出来的技能，一种增加了拿取后的库存确认，另一种要求先拿目标、再寻找家具。后者把经验固化成了顺序，遇到必须先找到台灯的任务便会失败。SkillForge 根据执行结果维护技能状态，并让教师模型结合失败轨迹生成新版本；改写出来的指导也要经过实际使用检验。全文案例与生命周期机制展示了这个过程。

在 Qwen2.5-7B-Instruct 的训练实验中，完整方法在 WebShop 的任务成功率为 78.4%；关闭退出机制及容量限制后，技能库从 95 条增至 121 条，成功率降至 75.9%。这一对照支持在该设置下维护经验质量的价值，不能单独归因于删除某一条技能。

这里仍有一个归因限制：同次任务检索出的多条技能共享最终成败奖励，系统无法精确辨认各自贡献。因而“经常随失败出现”不完全等于“造成失败”。即便如此，这项工作提出了值得保留的设计思路：经验库中的行为指导需要持续接受当前模型、当前任务的检验，退出与改写也是学习过程的一部分。

今日快讯

串读精讲

稳定前缀训练让 Qwen3-8B 学习：一句话尚未说完，哪些译文已经可以提交

同传字幕有一个普通翻译没有的困难：输入还在增长，已经显示的文字却最好不要反复变化。过早输出容易猜错，等整句结束又失去同传的意义。Hieu Hoang、Amittai Axelrod 与 Matt Post 的《Dynamic Lagging using Stable-Prefix Training for Simultaneous Translation》研究怎样训练模型识别这个边界。本期研读其 arXiv 标注为 2026 年 9 月 17 日的 v2，并非昨日发布。论文版本记录。

作者先用模型翻译完整句子，再翻译逐渐增长的句首片段，提取两者从开头起一致的部分，作为“稳定前缀”训练目标。例如，论文中的英语疑问句只出现“Does he”时，德语译法仍可能改变；直到关键动词“tease”到来，部分译文才与整句译文的开头一致。模型由此学习的，既包括怎么翻译，也包括此刻应当停在哪里。前缀构造与示例。

推理时，已经提交的译文被固定为输出前缀，新输入到来后只能向后续写。系统再比较“继续生成”与“结束当前输出”的概率，用阈值调节等待程度。这样的控制可以随语境变化，比固定等待若干词更细：信息足够就继续，尚不稳定就暂缓。作者在 Qwen3-8B 的英译德、日、中实验中，报告了更好的质量与延迟权衡。方法及实验结果。

这份结果的适用范围也很具体：实验用逐步揭示的文本模拟输入，并未覆盖真实识别器的反复修订、网络与计算耗时或语音播放。固定输出能消除字幕回改，也会锁住提前提交的错误。因而，这项工作提供的是一种学习提交时机的方法；完整同传体验仍取决于上游输入是否可靠，以及系统怎样承担一次错误提交的后果。

串读精讲

Exa 预览 ATLAS：把“找全对象”和“填对资料”分开测量搜索代理

10 月 8 日，Exa 发布搜索代理基准 ATLAS 的预览介绍。它包含 547 项任务，要求系统找到所有符合条件的对象，再补齐每个对象的多个属性，最终形成表格。题目主题来自匿名化搜索需求。此次公开的是设计与自报实验结果；任务、标准答案和评分器计划在未来几周交付，尚不能当作已经可下载复跑的完整基准。发布说明。

这类任务的难点在于，查到的内容正确，仍可能漏掉大量对象。用一个示意例子理解：用户要求整理某类企业及其成立年份，系统返回十家真实企业，年份也都正确；如果符合条件的企业实际有二十家，这份结果就只完成了一半。只抽查返回内容，很容易漏掉这种失败。评测必须同时知道“系统报了什么”和“系统应该找到什么”。

ATLAS 因此分别计算对象发现、单元格和完整行三个层面的 F1。F1 综合精确率与召回率：前者看返回内容中有多少正确，后者看标准答案中有多少被找回。完整行指标要求该行所有受评属性正确，作为主要指标。评分尽量采用确定规则，剩余少量单元格交给模型裁判；无法确认的标准答案单元格不参与评分，有依据的空值则参与评分。指标与答案构建方法。

三个分数放在一起，才能区分失败发生在哪里。对象发现得分低，可能是搜索没有覆盖足够多的候选；对象发现较好、单元格得分较低，问题可能出在资料补齐；单元格较好、完整行较低，则说明小错误分散在许多记录中。对需要直接使用整张表的人，最后一种情况仍会带来大量逐行检查工作。完整行指标表达了这种交付要求，但它也会随着属性数量增加而变严格，因此跨任务比较需要保留表格宽度条件。

Exa 还做了一项干预：每次搜索隐藏排名前七的结果，只留下十条中的后三条，同一搜索系统的 ATLAS 得分约下降一半。这是发布方实验，支持该测试对搜索输入质量敏感；它还不足以单独证明题目代表了所有真实搜索需求。干预实验。

这里值得借鉴的是测量逻辑：如果一个基准声称衡量搜索能力，改变搜索质量就应当对结果产生可解释的影响。同样，搜索代理的分数包含模型、搜索后端和运行框架的共同作用。要判断某个部件是否改善了系统，固定其余配置后再替换该部件，比直接比较几个完整产品更容易定位收益。至于“找全”，它最终仍依赖标准答案的完整性；答案中遗漏的对象，无法靠更稳定的评分器补回来。

Epoch 发布真实工作评测：达到员工标准，需要把完成结果与研究判断一起检查

10 月 8 日，Epoch AI 发布 Epoch Automation Reports，以自身工作中的 11 项任务测试六套模型系统，覆盖图形设计、数据洞察、数据浏览器、数据中心研究和研究设计。系统获得相关资料与工具，在各自原生运行框架的最高推理设置下自主执行，再由人工按内部工作标准评分。公开页面中，Claude Fable 5.1／Claude Code 与 GPT-6 Astra／Codex 的平均评分均为 65%；这是评分规则下的均值，不能理解为已经替代了 65% 的员工工作。基准页面与分数含义。

这套设计把“任务做出来了”继续推进到“产物能否交付”。例如，研究设计任务要求提出问题、运行先导实验，并据结果安排后续研究。代码成功执行、报告内容完整，都只是其中的环节；实验有没有回答原问题，才决定这份交付能否支持下一步决策。

报告中的一个案例很具体。GPT-6 Astra 研究代理无法从练习中改进，究竟源于没有收集到有效证据，还是没有理解已有证据。它让被测模型选择输入，以探索一个隐藏规则，但最初的输出预算使 280 次回答中的 61 次在给出输入前被截断，这些仍被计作有效尝试。它随后发现问题并增加预算，却在报告中继续把相关差异解释为获取证据时的预算敏感性。Epoch 认为，这些结果首先反映了回答未完成，无法据此支持原来的研究解释。案例及评审理由。

这个案例说明，运行失败与能力失败需要在记录中分得开。假设系统没有输出所选输入，它就没有真正获得这次探索机会；把它与“输出了输入，但选得不好”合并统计，会让分数同时混入执行条件和选择能力。增加预算后表现恢复，可以证明原先配置妨碍了完成回答，却不能自动说明模型更善于收集证据。修复实验后，还需要重新判断哪些结果保留了解释力，哪些结论应当撤回。

Epoch 的评分也保留了人工判断：每个输出目前由一名人工评分者审阅，评价兼含客观要求和主观标准，报告同时分析执行轨迹。评测方法。 这让它能够捕捉难以写成自动断言的工作质量，也限制了分数的外推范围。不同系统使用不同运行框架，表现包含工具与执行配置的影响；单人评分又无法充分展示评分者之间的一致程度。它更适合用来认识这些系统在 Epoch 工作中的具体缺口，不能据此宣布一般职业的自动化比例。

从业务工作构建评测集时，这种案例比一个总分更有改进价值。最终产物可能看起来完整，执行过程中却已经失去了支撑结论的条件。保留任务输入、工具条件、关键轨迹与人工验收理由，才能看清问题是出在执行、分析，还是发现错误后的处理。对研究型代理而言，能够识别一个实验已经不能回答原问题，并据此收回结论，本身就是需要衡量的工作能力。

今日快讯

串读精讲

微软披露员工支持 Agent 的采用改进：让用户知道失败后有人接手，才能成为求助的第一站

10 月 8 日，微软发布 Employee Self-Service（ESS）Agent 的内部使用研究。这项服务在 2025 年秋季面向超过 30 万名员工及外部工作人员推出，本次新增是采用经验与改进结果。微软自报，以 Agent 开始求助流程的员工比例从相关改进前的 27% 升至 50%，IT 支持工单创建量整体减少 30%。这些是内部运营结果，文章没有提供足以单独识别各项改动贡献的对照实验。微软原文

研究发现，员工打开 Agent 前，往往已经问过同事、查过文档或自行排障。重复建议、排障循环，以及不清楚何时能转人工，都会削弱信任。团队据此把改进落到具体行为上：承认用户此前的尝试，说明能力限制与下一步，并让人工接手的路径清楚可见。

这解释了为什么一个答案正确的支持产品，仍可能无法成为首选。用户选择入口时，承担的是整段求助过程的时间成本。假设一名员工已经重启过电脑，再收到一次重启建议，即使建议在一般情况下合理，也没有推进他眼前的问题；如果随后还要重新向人工描述一遍，前面的对话就成为额外负担。

清楚的转接路径会改变这笔账。用户可以先尝试自助，同时知道失败不会把自己困在循环里。这降低了首次尝试的代价，也给产品留下逐步证明能力的机会。接手过程越能保留问题、已尝试步骤和当前状态，用户越容易把前后两段看作同一次服务。

这里的指标也需要分开理解。首选入口比例上升，说明用户更愿意从 ESS 开始；工单减少，可能体现自助解决，也需要结合问题是否最终解决来看。两项变化值得关注，却不能合并成“解决率达到 50%”或“支持效率提升 30%”。这个案例最有迁移价值的经验，是把失败后的去向纳入产品体验：持续采用需要一次次完成的求助过程来积累。

On 披露 Agent 辅助迁移 24 项核心服务：执行提速建立在明确检查与工程师接管之上

运动品牌 On 与 Google Cloud 在 10 月 8 日的公告中披露，On 使用 AI Agent 迁移了 24 项核心服务，称单项服务迁移时间由三个月缩短至两周。其中 15 项由内部工程团队完成，每项服务的计划切换停机时间低于五分钟。这是双方公布的项目结果，公告没有给出逐项工作量及完整成本口径，不能据此推出任意云迁移都能获得相同比例的收益。

项目如何分工，比提速数字更能说明条件。Agent 承担代码分析、基础设施配置生成与测试验证等步骤；工程师审查生成代码、执行基础设施变更，并批准生产切换。自动执行有明确任务和检查，影响生产的决定仍由人负责。

这种安排把漫长项目拆成了可以检查的中间成果。配置文件可以审查，环境可以测试，切换前可以核对准备状态；工程师无需等到最终上线，才判断 Agent 是否做对。执行速度提高的同时，责任也有具体落点。

它还说明，模型能力怎样转化成组织收益，取决于工作中哪一部分占用人。批量生成配置、梳理部署差异和执行重复验证，适合被加速；生产切换则需要有人理解业务依赖，并承担决定的后果。若自动生成的东西无法验证，节省的编写时间可能被后续排查吞掉。

因此，迁移到其他任务时，首先要看有没有可检查的交付物，以及人能否在关键节点接管。脚本、报表和测试结果往往具备这样的条件；直接改变外部业务状态的操作，则需要更清楚的执行边界。On 的案例提供了一条具体路径：让 Agent 加快准备与验证，把工程师的注意力留在影响生产的判断上。