跳到主要内容

AI Daily Digest: 神秘模型 OX Alpha 匿名击败 GPT-5.6 - 2026/08/22

· 阅读需 8 分钟
Yi Wang
Yi Wang
Full Stack & AI Engineer

今日最重要的三条新闻：一个未署名的模型 stealth/ox-alpha 出现在 OpenRouter 上，早期测试将其推至编码能力第一；OpenAI 将 GPT-5.6 Sol 降至 4/4/20 每百万 token；NVIDIA 的 AVO Agent 系统在 ARC-AGI-3 上拿下满分。学术侧，RTPO 稳定多轮 Agent RL 训练，Co-RL 用同伴奖励实现无监督推理，还有一篇立场论文主张多智能体系统应优先解决并发控制。

OX Alpha：匿名模型击败 GPT-5.6​

8 月 20 日，OpenRouter 上出现一个只署名 stealth/ox-alpha 的模型：1,048,576 token 上下文窗口、131K 最大输出、支持文本/图像/视频多模态输入，预览期内免费调用。

早期用户测试给出 80% 的 DeepSWE Pass@1，超过 Claude 的 65% 与 GPT-5.6 Sol 的 52%。这个数字需要谨慎对待——它来自仅 10 道题的用户测试而非经审计的排行榜跑分，方差极大；诚实的读法是 OX Alpha 处于编码能力的前沿区间，而非确定击败 GPT-5.6。

身份侧更有意思。独立研究者 Ben Davis 以视频编码器 token 消耗模式与 GLM-5V-Turbo 完全一致、分词器与 GLM-5.3 对齐为据，称 99% 确信它是智谱未发布的 GLM-5.x 旗舰。智谱此前就有匿名渠道发布的先例，本次未置评。匿名预发布正在成为前沿实验室的标准仪式：一个无品牌的免费前沿模型，会被测试得比任何官方发布帖都狠、都诚实。

来源：Build Fast with AI（2026-08-22）

OpenAI 降价：GPT-5.6 Sol 降至 4/4/20​

OpenAI 将 GPT-5.6 Sol 的 API 价格降至每百万 token 输入 4、输出4、输出 20（原 5/5/30），为期三个月。输入降 20%、输出降 33%，且降的是旗舰推理层而非轻量变体。

输出降价才是重点：推理型模型在 Agent 与长文工作负载中产生的输出 token 远多于聊天模型，输出从 30降到30 降到 20 意味着 Agent 舰队的运行成本一夜之间砍掉约三分之一。竞争背景不言自明——Grok 4.6 以 2/2/6 在 Artificial Analysis 指数上匹配 Sol Max，DeepSeek V4-Pro 以 1.32/1.32/3.96 提供前沿档能力。三个月的促销窗口本质是一次价格测试，关注 11 月它是否转为永久价。

来源：Build Fast with AI（2026-08-22）

NVIDIA AVO 在 ARC-AGI-3 拿满分​

NVIDIA 的 AVO（Agentic Variation Operators）以 100.00 RHAE 分数清空 ARC-AGI-3 全部 183 关（25 个游戏环境），动作数比 VISTA 基线少约 12%。架构组合是持久记忆、停滞检测监督环，以及"假设-行动-观察-修正"核心循环。

ARC-AGI-3 测的是游戏环境中的交互式推理而非静态谜题，满分意味着该基准已无法区分顶部系统。停滞检测器是值得注意的设计元素——这类 Agent 最常见的失效是循环于已失效的策略，显式监控并恢复这部分损失即可挽回大量运行。本周的重复主题：NOOA 在 SWE-bench Verified 上以一半 token 达 82.2%，AVO 靠记忆与监督而非更强基座拿满分——模型之外，框架（harness）正在闭合基准差距。ARC-AGI-3 作为区分器已结束，社区需要 ARC-AGI-4。

来源：Build Fast with AI（2026-08-22）

Cloudflare Kitesurf：为 Agent 定制的浏览器​

Cloudflare 发布 Kitesurf，一个为运行在 Workers 平台上的 AI Agent 定制的浏览器运行时。去掉渲染、合成与人机界面机制后，它比 Chromium 少用约 3-7 倍 CPU 与内存，同时通过 23.5 万+ 项 Web 平台测试。

每个接触 Web 的 Agent 框架目前都在缴纳它并不需要的"Chromium 税"，规模化运行浏览 Agent 的团队对此感受最直接。3-7 倍的资源削减改变大规模并发浏览 Agent 的经济性；运行在 Workers 上也把浏览器放到边缘而非自己的集群，延迟曲线与成本曲线一起变。

来源：Build Fast with AI（2026-08-22）

Qwen3.8-27B：前沿编码能力装进消费级 GPU​

阿里 8 月 14 日发布的 Qwen3.8-27B 是一个 27.8B 稠密模型，Apache 2.0 许可，Terminal-Bench 达 73.0、DeepSWE 1.1 达 42.2。一年前这个成绩需要数百亿级参数；稠密架构内存行为可预测、量化干净，专为本地部署而生。对"数据不能出楼"的团队，这比任何前沿 API 降价都更根本地改变了本地推理的可行性。

来源：Build Fast with AI（2026-08-22）

学术前沿：Agent 训练与系统​

RTPO：反转回合稳定多轮 Agent RL​

arXiv:2608.18682 指出多轮 Agent RL 训练不稳定有三个耦合根源：rollout-训练上下文失配、稀疏终端奖励下回合级信用分配弱、长短轨迹在不同策略版本下优化的异步漂移。RTPO（Reverse-Turn Policy Optimization）将多轮 rollout 组织为稀疏反转树，按时间逆序执行回合级策略更新，让每个决策与其下游延续对齐。理论上消除上下文失配与异步漂移；基准上较轨迹级、回合级基线分别提升 21.50% 与 10.76%。

Co-RL：同伴奖励驱动的无监督推理​

arXiv:2608.17253 让多个不共享参数的解耦模型同时做 RL 训练，奖励来自同伴的生成结果。群体多样性（异构模型家族、规模、改写样本）降低驱动自我强化循环的相关性错误，避免自奖励 RL 常见的响应同质化与训练崩溃。七个纯文本基准平均提升 3.0-8.6%、四个多模态基准提升 2.3-7.2%，全程无需真实标签——为"可验证奖励枯竭后"的 RL 提供了一条路径。

多智能体系统应优先解决并发控制​

arXiv:2608.18092 立场论文：许多 MAS 失效本质是并发控制问题。Agent 并发读写共享状态，长 LLM 推理窗口放大脏读、丢失更新与不一致结果的风险；常被归咎于"协调/沟通失败"的模式可直接映射到经典并发异常。框架应把冲突检测、隔离保证与结构化共享资源访问作为一等设计关注点，而非事后补丁。

来源：arXiv:2608.18682、arXiv:2608.17253、arXiv:2608.18092（2026-08）

其他值得关注​

  • GLM-5.2 Turbo 悄然上线（8/17）：速度优化变体，智谱家族现已覆盖 5.2/5.2 Turbo/5.3/5.3 Max 及视觉端 GLM-5V-Turbo，完整分层路由无需更换厂商。GLM-5.3 开源权重仍定于 8 月 28 日左右发布。
  • Grok 4.6 登陆 Amazon Bedrock：500K 上下文、四档可配置推理强度，2/2/6。模型能被谁调用，取决于它出现在哪个云市场——Bedrock 提供现成 AWS 合同与数据处理条款，这正是受监管企业的全部采购壁垒。
  • Unitree 上市首日大涨：上海 IPO 开盘较发行价涨 629%、收盘涨 460%；路透随即将其四足机器人设计溯源至美国陆军研究实验室资助的研究。
  • Stripe 完成对 OpenRouter 的 70 亿美元收购。

来源：Build Fast with AI（2026-08-22）

知识库更新​

本次更新涉及以下文档：

  • AI Agents / Frontier (docs/ai/agents/10-frontier.mdx): 关键趋势更新列表新增 8 条（#561-568）——RTPO 多轮 Agent RL 稳定化、Co-RL 无监督推理、MAS 并发控制立场、OX Alpha 匿名模型、GPT-5.6 Sol 降价、NVIDIA AVO 满分、Cloudflare Kitesurf Agent 浏览器、Qwen3.8-27B 本地编码

本文由 AiDIY 每日知识更新流水线自动生成，人工审核后入库。