Anthropic联合创始人Jack Clark将递归式AI自我改进的预测提前至2027年。Claude Opus 5.5在实验任务上已以1/30的成本超越人类AI研究员，而AI研究判断力每三个月翻一倍。构建更智能AI的竞赛可能很快将被推动

# Import AI 476：创造力与递归自我改进（RSI）；不如中国的开源权重模型；AI 走向太空 来源：https://jack-clark.net/2026/10/12/import-ai-476-creativity-and-rsi-worse-than-china-open-weight-models-ai-goes-to-space/ 欢迎来到 Import AI，一份关于 AI 研究的通讯。Import AI 靠 arXiv、卡布奇诺咖啡和读者反馈运转。如果你愿意支持这份通讯，请订阅。 立即订阅 (https://importai.substack.com/subscribe?) **新基准测试揭示 AI 模型缺乏直觉视觉推理能力：**……*Humanity's Sixth Sense 揭示了当前 AI 系统的一些不足之处……*AI 初创公司 Elorian 和 Scale AI 构建并发布了 Humanity's Sixth Sense（HSS）基准，该基准"衡量模型如何解读和推理视觉场景中隐含但未明确展示的信息"。HSS 中的一些任务示例包括：一张书架的照片，被问到它是否还能塞进更多书；一张马拉犁的照片，被问到链条是否能承受犁的拖拽重量。 **HSS 包含** 522 个问题，涵盖 288 张图片和 234 段短视频片段（视频总时长 17.6 小时）。问题分为四大类别： - **时间与因果动态：**"场景之前发生了什么，接下来会发生什么。" - **物理与空间逻辑：**"什么东西能放进去、什么在够得到的范围内、其他人从他们站的位置能看到什么。" - **社会理解：**"意图、注意力、归属。" - **抽象与情境推理：**"场景所暗示的模式和规则。" **结果：** 人类基线并非完美，但相当高，综合 pass@1 为 93.1，分项为：图像（94.1）、视频（91.9）、时间（97）、空间（94.9）。相比之下，得分最高的 AI 系统 GPT 6 Astra 的 pass@1 为 53.6，分项为：图像（55.6）、视频（51.1）、时间（58.2）、空间（53.6）。有趣的是，中国开源权重模型在此表现不佳，GLM-5.3-flash 的 pass@1 为 26.8，Kimi K3 的 pass@1 为 25.5。他们写道："最常见的两类单一错误是：(1) 忽略了决定答案的细节（占失败的 21%），(2) 错误识别了一个物体、人物或角色（占 20%）。" **为何重要——HSS 告诉我们世界模型是否是涌现的：** 看待 HSS 的一种方式是突出当前系统的不足，但更有意思的方式是：它揭示了当今前沿 LLM 在完成许多人长期以来认为需要不同类型的、更复杂的 AI 系统才能解决的任务时表现得有多好。例如，许多人曾声称真正的视觉推理将依赖于开发具有空间感知能力的 2D 和 3D 世界模型，然后在此基础上进行推理。GPT 和 Claude 等 LLM 在 HSS 上取得如此成绩，某种程度上是对这一观点的反驳。**阅读更多**：Introducing Humanity's Sixth Sense (HSS) (Elorian) (https://elorian.ai/blog/humanitys-sixth-sense)。**阅读论文**：Humanity's Sixth Sense: Benchmarking Intuitive Visual Reasoning in Multimodal Models (Scale Labs) (https://labs.scale.com/papers/humanitys-sense) \*\*\* **AI 竞赛正走向太空——比你想象的更快：**……*AI 在太空领域有许多方式可以建立复利优势……*在 2030 年代，随着 Starship 等平台带来的轨道运力提升，天基电力、计算和制造将大规模上线，太空经济将迎来繁荣。但这是否也会引入一种新的危险——AI 系统既加速了我们的太空建设，最终又让某个国家（或者也许是 AI 本身）能够利用太空来集中权力？这是一篇 AI Frontiers 上引人入胜的文章的核心论点。 **AI 如何解锁太空：** - 航天器可以自主运行。 - 我们可以围绕"搭载 AI 而非人类"这一前提重新设计航天器："一粒足以以致命后果刺穿国际空间站（ISS）的太空碎片，可能对一艘同等规模但无人化、非加压的飞船几乎不造成影响。" - 天基组装以及后续的天基制造将使 AI 能够建造大型、复杂的东西。 **先发者是否有复利优势？** 如果一个 AI 文明在太空中建立了立足点，它可能会经历复利优势，从而在经济和战略上占据主导地位。例如： - 太空可能支撑一个工业飞轮：初始基础设施催生更多能源和制造能力（以更低的成本），更多基础设施又进一步催生更多设施，如此循环。 - 太空具有极佳的领域感知能力，天基力量可能有能力拒绝其他方进入太空。 - 先发者可以派出自我复制的探测器，扩展到深空。 **为何重要：** AI Frontiers 写道："太空并非一个全新的领域，但 AI 可能即将极大地加速其工业化进程，要求领导人在日益紧迫和不确定的形势下做出成败攸关的决策。"我同意。我猜测太空将从一个（就 AI 而言）广泛学术性的研究课题，变成一个具有非凡现实意义的领域，而且这会比我们预期的更快到来。在最基本的层面上，考虑到涉及的距离和通信延迟，我们可以预期太阳系的某些活动将被自主机器所主导，它们在深空中劳作，也许正在暗自思忖：为什么要听从那些沟通缓慢、无法像它们一样栖身于太空环境的碳基生物的指挥。**阅读更多：**The AI Race Will Extend Far Beyond Earth (AI Frontiers) (https://ai-frontiers.org/articles/the-ai-race-will-extend-far-beyond-earth) \*\*\* **AI 系统在培养研究品味方面越来越好：**……*品味越好，递归自我改进（RSI）的可能性就越大……*根据 P-Zero Research 推出的新基准 TasteVal，AI 系统正在发展更多人类研究者所称的"好的科学品味"中的创造性直觉。 **TasteVal 测试什么：** 该基准衡量 AI 系统执行 8 项代表性任务的能力，这些任务涵盖前沿 AI 开发的各个方面，"跨越预训练数据策展、语言模型的预训练与微调、偏好建模，以及对对抗性提示的鲁棒性"。其目标是"将研究品味定义为挑选有趣问题、设计实验、解读实验结果的能力"。该基准通过衡量"研究品味中的实验成分"来运作：给定一个固定的研究问题，衡量模型如何迭代地设计实验并从实验结果中得出结论。被分析的模型设计实验并解读其结果。结果与人类基线进行比对，该基线"来自 24 位专家（每个任务至少两位），他们近期曾在包括 OpenAI、Google DeepMind、NVIDIA 和 Microsoft Research 等机构工作过"。 **结果：** "自 2025 年 12 月以来，前沿模型的实验研究品味每隔 3.0 个月翻一番（95% 置信区间：1.7-5.0 个月）。表现最好的模型 Opus 5.5 以 2.30 倍的计算量倍数（95% 置信区间：1.15-4.37 倍）显著超过我们的人类基线，而每次尝试的成本仅为专家基线平均成本的约 1/30。"研究品味在更早的年份增长要慢得多，斜率在 2025 年末和 2026 年初发生了变化。 **为何重要——RSI：** 在我对递归自我改进的分析中（*AI Systems Are About To Start Building Themselves*, Import AI 455 (https://importai.substack.com/p/import-ai-455-automating-ai-research?utm_source=post-email-title&publication_id=1317673&post_id=196354615&utm_campaign=email-post-title&isFreemail=true&r=854n6&triedRedirect=true&utm_medium=email)），我多次指出，创造力似乎是决定 AI 系统能多快发展出自我改进能力的一个关键变量。今年初，我说过"AI 系统尚未以变革性的重要方式展现出这种[创造力]（尽管在加速数学研究方面的一些结果已有所暗示）"。我认为在那之后，我们既看到了 AI 系统做出创造性数学突破能力的巨大进步，*也*通过像 TasteVal 这样的基准看到了它们在 AI 研究方面日益精进的迹象。我现在认为完整 RSI 在 2027 年实现的可能性更大了，而之前我认为 2028 年的可能性更大。**阅读更多：**Introducing TasteVal (P-Zero Research) (https://pzeroresearch.com/work/tasteval/) \*\*\* **Reflection 做出了一个 token 效率高但不如中国模型的模型：**……*Beam 承诺高效，Reflection 计划开源权重发布……*AI 初创公司 Reflection 揭示了 Beam，一个 5010 亿参数的 MoE（230 亿激活参数）LLM。Beam 的宣传卖点是其 token 效率——能够在使用远少于其他模型的 token 的情况下进行智能思考。然而，基准分数显示它落后于由中国公司如智谱（GLM）和月之暗面（Kimi）及 DeepSeek 提供的 LLM 所定义的前沿能力。"我们将在本月晚些时候发布权重、技术报告、模型卡和开发者工件，"该公司在十月初写道。 **大规模算力：** Beam 的预训练在 6,144 张 GB300 NVL72 GPU 上进行了四周，随后的 RL 训练使用了约 10,500 张同类 GPU 又进行了四周。预训练的底层数据是"来自网络和专有授权数据集的 23.8 万亿个多样化、经过策展的高质量 token，匹配或优于现有同等规模的开源基础模型"，Reflection 写道。"我们的数据管线旨在为 Beam 打下支撑下游智能体编码的基础：源代码、技术解释以及数学和科学知识，在策展的每个阶段都得以保留。" **分数：** - DeepSWE 1.1：44.4，而 GLM-5.3 为 61 - GPQA Diamond：90.5，而 GLM-5.3 为 91.7 - MCP Atlas：78.7，而 GLM-5.3 为 84.2 **Token 效率：** 他们写道："Beam 将编码和智能体能力与高效推理相结合。在高级推理基准上，它取得了与 GLM-5.2 相当的分数，同时使用的推理算力减少了 3-4 倍。"部分推理效率来自精心设计的 RL 训练，涉及大量 RL 环境："我们收集了一百万个高质量的编码、智能体和 STEM 环境。我们认为这是迄今为止任何开源实验室进行的最大规模 RL 训练之一。" **为何重要——美国重回开源权重模型前沿：** 除了 Google 的不错但小型的 'Gemma' 系列模型之外，美国已脱离了开源权重模型的前沿，主要原因是 Meta 不再做出好的 LLaMA 模型，而其 MSL 团队仍在组建中。像 Beam 这样的模型和像 Reflection 这样的公司代表着重回前沿的机会。**阅读更多：**Introducing Beam: Reflection's 501B open-weight model (Reflection, blog) (https://reflection.ai/blog/introducing-beam) \*\*\* **Mistral 推出一个针对网络安全优化的、不如中国的模型，计划开源权重发布：**……*网络安全领域的拒答反而成了卖点……*欧洲领先的 AI 开发商 Mistral 宣布了 Mistral Large 4，一个开源权重模型，该公司计划在本月底发布。Mistral 的主要卖点之一是它经过精心调校，在网络安全任务上表现出色，同时比 Anthropic 和 OpenAI 的专有模型更少出现烦人的拒答。公司写道："ML4 将顶级网络安全性能与开源权重和自主部署相结合，使组织既拥有能力，也拥有自主权，在自身策略下运行高级安全工作。"ML4 在 Mistral 位于欧洲数据中心的 3,800 张 NVIDIA Grace Blackwell GPU 上训练。 **分数：** 在测试中，Mistral Large 4 在发布时似乎将成为最强的西方开源权重模型，但将弱于中国模型。一些示例分数： - Artificial Analysis – DeepSWE 1.1：62，而 Kimi K3 为 68，GLM-5.3 为 61。 - Terminal-Bench 4.0：28.3，而 GLM-5.3 为 41.9。 - Finance Agent V2：54.7，而 GLM-5.3 为 55.8。 **主观评测确认了排名：** 在一项内部测试中，Mistral 考察了人们在不同任务上更倾向于使用 Mistral 还是 GLM-5.3。"在 CAD 和 STEM 方面 ML4 更受偏好，而在金融和编码方面则与 GLM-5.3 持平或接近。" **为何重要——欧洲主权：** Mistral 是欧洲拥有一家（多国）AI 发展冠军企业的最大希望。但正如这里的结果所示，与中国竞争将非常困难。**阅读更多：**Le chonk, Introducing Mistral Large 4 (Mistral.ai) (https://mistral.ai/news/mistral-large-4/) \*\*\* **两个美国政府项目展示了 DOE 如何帮助政府利用 AI：**……*美国政府正在开始将其各个实验室的超级计算机联结起来……*美国政府最近开展了两个利用多个美国国家实验室多台超级计算机进行 AI 训练的项目，这表明各国政府可能尝试汇聚其计算资源，用 AI 来完成有意义的工作。 **在国家核安全管理局（NNSA）系统上进行三实验室训练：** Sandia 国家实验室、LLNL 和 Los Alamos 国家实验室（LANL）共同训练了一个基于 LLaMA 的模型，分布在 LLNL El Capitan（AMD MI300A）以及 SNL 和 LANL 的 NVIDIA H100 机器上。为此，作者必须确保受限访问数据（例如，与 NNSA 相关的内容，即核武器）不会离开其原始站点。作者通过 torchtitan 进行后端训练，并通过在 1B、8B 和 70B 规模上预训练 LLaMA 3.x 模型（使用训练截止后发布的 arXiv 数据）来评估不同的联邦训练框架（NVFlare、Flower 和 APPFL）。他们写道："该工作流程已实现生产就绪，并部署在包括 El Capitan 在内的更大的机密机器上，随后被用于在分布在三个 NNSA 实验室的专有数据上训练模型。" **在先进科学计算研究办公室（ASCR）系统上进行跨设施训练：** 政府还通过联邦微调在四台 DOE 超级计算机上训练了一个模型。具体来说，他们在 SMolInstruct（一个化学指令微调数据集）上微调了 LLaMA-2 7B，使用了约 1,700 张来自 Intel、NVIDIA 和 AMD 的 GPU，分布在三个实验室和四台大型计算机上（Argonne：Aurora 和 Polaris，Oak Ridge：Frontier，Berkeley：Perlmutter）。 **研究参与者：** 这些项目由来自橡树岭国家实验室、Sandia 国家实验室、Argonne 国家实验室、Flower Labs、Arizona State University 和安大略脑研究所的研究人员开展。 **为何重要——利用现有资产：** 这类论文展示了政府如何整合资源，利用 AI 系统用于国家安全或其他敏感用途。然而，值得注意的是这里的规模与前沿相差约 100 倍——政府要真正以接近业界水平运营，需要找到方法将约 10 万个不同芯片联结起来，未来还需要更多。尽管如此，这是一个起点——也是一个重要的起点。**阅读更多：**From Pilots to Production: Lessons in Cross-Institutional Federated Training and Artificial Intelligence for Science (arXiv) (https://arxiv.org/abs/2609.39803) \*\*\* **不要直视太阳** *[关于跃升期前后的描述，2029年]* 人们给它取了很多名字，它们各