DeepSeek Harness刷屏、Cursor“落幕”、OpenAI 解散安全团队丨AI领域一周观察

发布时间：2026-08-17来源：腾讯科技

AI领域一周观察：一周一期，比信息整合深一步

文｜博阳

编辑｜徐青阳

产业

SpaceX 完成对 Cursor 的 600 亿美元收购

Cursor 在 8 月 14 日发布的公司公告中确认收购正式交割，并将加入 SpaceXAI 团队。

SpaceX 6 月 1 日提交的公司文件把 Cursor 的隐含股权价值定为 600 亿美元。SpaceX 同时拥有算力、模型，Cursor 则带来高频编程场景与专业用户分发，三者的加成可能带来超越单独组合的放大作用。

SpaceXAI 在 8 月 13 日发布的公司公告中推出 Grok 4.6，将其定位为知识工作与长程 Agent 升级。第三方综合指数把它放在当前前沿模型附近。

价格方面，Grok 4.6相对于前沿模型也有优势，其API 报价为每百万 token 输入 2 美元、输出 6 美元。

因此短期看，这是一笔入口收购。长期看，Grok 在 Cursor的Harness加强下，或许能重新站回主流身位。

ChatGPT Computer History 上线，把计算机操作活动转成可复用记忆

OpenAI 在 8 月 13 日发布的产品公告中推出 Mac 端可选功能 Computer History，记录允许范围内的点击、输入、快捷键和应用切换，供 ChatGPT 与 Codex 恢复任务。这项功能会在Pro、Business、Enterprise 用户先行开放。

比较特殊的是，这次此功能不再依赖连续截图，而是把电脑活动压成事件时间线，再生成可调用的文本记忆。

这是继上周Anthropic 上线的 Record a skill 监控异曲同工。而OpenAI的这个功能解决则更进一步。Anthropic 需要人明确知道「我要教 AI 一个 Skill」，然后主动录制一段最多十分钟左右的标准操作。OpenAI 则想从日常工作里自动发现 Skill。

不过这两家头部公司都选择了记录用户输入，记住人与整个计算机环境的交互。结合近期的技能自蒸馏研究和创业公司trajectory的动态，OpenAI 和 Anthropic 应该都在建立一种新的 trajectory acquisition interface（轨迹采集接口）。

当下它首先服务于个人 Memory 和 Skill这种外循环。但这套数据结构恰好也是技能蒸馏、Harness 进化和持续学习的一种外部性的原料。

Cerebras GPT-5.6 Sol 将峰值推理速度推到每秒 750 token

Cerebras 在 8 月 13 日发布的公司公告中宣布，与 OpenAI 为部分客户开放 GPT-5.6 Sol Ultrafast，厂商测试给出的峰值输出速度为每秒 750 token。Cerebras 还报告 Humanity’s Last Exam 与 GDP-Val 的端到端用时下降，但价格、容量和普遍开放时间尚未披露。

在GPT已有高速但两倍价格的模式下，Ultrafast 再次意味着一种按速度拆分价格的商业逻辑成为主柳。并且在进一步细化。

2026 年 1 月，OpenAI 与 Cerebras 签了一份多年协议，计划部署 750MW 的 Cerebras 晶圆级计算系统，主要用于低延迟推理；OpenAI 官方称之为 partnership（合作伙伴关系）。据《金融时报》报道，交易规模约 100 亿美元，Cerebras 还向 OpenAI 提供了可以获得其股份的 warrants（认股权证）；OpenAI 因而可能获得 Cerebras 约 10% 的股权权益。

这种战略合作的结果就是当下的新模式。2025 年底 NVIDIA 与 Groq 之间的交易，也可以理解为这条新的商业模式的尝试。

DeepSeek V4 Pro 上线，Harness过拟合问题成为关键议题

DeepSeek 在 8 月 13 日发布的官方公告中将 V4 Pro 0813 推向正式版，并把 Agent 能力列为主要升级。Pro 每个 token 激活约 49B 参数，接近 Flash 的 13B 四倍，调用价格也更高；但 Artificial Analysis 当时使用 Terminus 2 复测 Terminal-Bench 2.1，Pro 与 Flash 都只有约 79%。

DeepSeek 自己公布的成绩却是另一幅图景：V4 Pro 0813 在 Terminal-Bench 2.1 上达到 87.9%，高于 Flash 0731 的 82.7%，也比 Pro Preview 的 72.1% 高出 15.8 个百分点。官方公开 Code Agent 评测同时注明使用 DeepSeek Harness 的 Minimal Mode，而不是 Terminus 2。这使争议不再只是“Pro 有没有比 Flash 强”，而是同一模型换一套 Harness 后还能保留多少能力。

V4 技术报告给出了一条可能的机制。DeepSeek 为模型设计了专用工具调用格式；进入真正的工具调用路径后，V4 会跨轮保留完整推理历史。如果 Harness 把工具返回伪装成新的用户消息，例如 Terminus 的做法，就可能无法触发这条路径。DeepSeek 因而建议这类架构改用非思考模式。

一种合理但尚未证实的解释是，V4 Pro 的 Agent 后训练让模型与 DeepSeek Harness 形成了很强的协同适配：在熟悉的运行时里能拿到 87.9%，换成普通 Harness 后，一部分能力无法被调用。这还不足以证明严格意义上的过拟合，却说明 Agent 评测的对象已经不只是模型。模型更大、单独能力更强，也不保证接入另一套工具协议和上下文管理后还能交出同样成绩。

AI也许有泡沫，但算力没有

The Information 在 8 月 13 日的媒体报道中称，H100 一年期租赁合同价格在半年内上涨约 50%，部分大型 GPU 集群的等待时间仍达到 12—18 个月。

过去两年，AI 泡沫论里一个重要判断是科技公司买了太多 GPU，随着新一代芯片上市，旧卡会迅速贬值，最终形成巨大的闲置算力。如果市场已经供过于求，最先出现的应该是租金下降和交付周期缩短，现在却恰好相反。

CoreWeave 在 8 月 12 日的媒体报道中披露，公司刚签下一份将 A100 一直出租到 2029 年的合同，而且老一代 NVIDIA GPU 已经基本售罄。A100 是 2020 年发布的，到合同结束时已经接近九年。

这说明新卡没有简单淘汰旧卡，市场正在形成算力分层。最新 GPU 承担最昂贵的训练和推理任务，旧卡继续进入成本更敏感的工作负载。

更上游的短缺也没有解除。The Information 在 8 月 6 日的媒体报道中称，NVIDIA 正考虑削减下一代 Rubin Ultra 原计划配置的 HBM，即高带宽内存，原因是先进 HBM 的供应约束。

2020 年的 A100 还在签长期合同，H100 租金重新上涨，尚未发布的 Rubin Ultra 已经受到 HBM 供给限制。

这至少说明，如果 AI 存在泡沫，它也不是在算力过剩上。

前 Qwen 负责人林俊旸创办 Pragmatik Labs，第二代AI创业潮在7、8月达到顶峰

林俊旸在 8 月 11 日发布的创始人帖子及相邻投资信息中确认于上海创办 Pragmatik Labs，研究方向横跨软件 Agent 与具身智能。高榕、红杉中国等机构据报参与融资，约 20 亿美元投后估值仍属于媒体口径。

今年 7、8 月，一个越来越明显的现象是大模型核心团队的离职员工，正在密集进入创业市场。开启了第二代 AI 创业潮。

这些真正做过头部模型的人，创业方向已经明显不同于两三年前。

2023 年 ChatGPT 引发的第一轮 AI 创业潮，核心问题还是能不能重新训练一个更好的基础模型。

但今天再从大厂出来创业的人，越来越少选择单纯复制一家新的模型公司，而是在向模型外围移动。

一个最清楚的方向，是 Agent。林俊旸的新公司同时覆盖软件 Agent 与具身智能，本质上是在解决同一个问题：模型已经具备了相当强的理解和推理能力，接下来如何让它真正进入环境、调用工具、完成长任务，并根据反馈持续行动。创作、编程、企业软件等领域的创业，也越来越沿着这条路线展开。

第二个方向，是从数字世界继续走向物理世界。具身智能、机器人和 World Model（世界模型）吸引了越来越多模型人才。原因并不难理解：语言模型主要学习互联网留下来的静态数据，而机器人和世界模型必须处理一个不断变化、需要主动探索的真实环境。模型能力开始从“理解世界”向“预测和干预世界”外溢。

第三个方向则是 AI for Science（AI 科学）和自动研究。包括 Google、OpenAI 等体系出来的人，都开始尝试让 AI 不只是回答已有知识，而是自己提出假设、设计实验、获取新数据，甚至参与改进下一代 AI 系统。

Anthropic 据报洽购 Decart，约 60 亿美元报价仍在谈判

8 月 13 日 Reuters 确认，Anthropic 正与英伟达投资的 Decart 洽谈收购，报价约 60 亿美元，目前仍处于早期阶段。一个很关键的细节是：交易完成后，Decart 团队预计会加入 Anthropic 的 Inference and Performance（推理与性能）部门，而不是单独成立视频或世界模型业务。

这基本说明了第一层战略意图：降低每一个 Claude Token 的成本。 Decart 最核心的 DOS（Decart Optimization Stack，Decart 优化栈）并不是模型，而是一套从 Kernel（算子）、Compiler（编译器）一直做到训练和推理调度的性能优化系统，可以跨 GPU、TPU、Trainium、AMD 等不同芯片运行。

它要解决的，就是同样一批芯片如何跑得更快、吞吐更高、利用率更高。

这对 Anthropic 已经不是单纯的技术问题，而是商业模式问题。Reuters Breakingviews 的计算表明，如果 Anthropic 的基础设施成本达到数百亿美元量级，哪怕效率提高 10%，一年节约的成本都可能接近此次收购价格。

所以 Decart 的 Oasis、Lucy 等世界模型反而可能是次要资产。它们更重要的意义，是证明这套基础设施能够支撑低延迟、持续生成、极高吞吐的计算负载。

从这个角度看，60 亿美元买的不是一个新产品，而是 Anthropic 在上市前补上自己的一块短板，过去大模型公司的优势主要来自模型训练，下一阶段利润率和产品体验越来越取决于推理系统。

模型能力接近以后，能不能把同样一美元算力榨出更多 Token，正在成为新的竞争壁垒。

早期信号｜AI 在国别和单国使用上的差距正在变大

AI 的扩散并不是一条所有人同步向前的曲线，差距反而正在迅速拉开，而且同时发生在一个国家内部和不同国家之间。

Ramp 的数据提供了一个很直观的例子。7 月，美国 AI 支出最高的前 1% 企业，人均月度 AI 支出中位数已经达到约 7,400 美元；但放到全部企业中，这一数字只有 11.95 美元。两者相差超过 600 倍。这意味着即便都处于美国市场，少数企业已经把 AI 变成高频、高投入的生产资料，大量企业却仍然停留在尝试甚至几乎没有实际投入的阶段。

国别之间的落差可能更加明显。8 月 14 日媒体转述的 Reuters 企业调查显示，日本约 60% 的企业目前仍只在部分部门使用 AI，只有 16% 的企业认为 AI 已经变得“不可或缺”。换句话说，对大量日本企业而言，AI 仍然更像局部试验，而不是已经深入核心业务流程的基础设施。

这可能是现阶段 AI 扩散中一个越来越值得关注的早期信号：AI 的普及并不会自动带来使用水平的收敛，反而可能首先制造更大的分化。

在美国这样的领先市场内部，头部企业与普通企业之间已经出现数百倍的投入差距。而放大到国家层面，中美一批企业开始把 AI 深度嵌入研发、运营和组织流程时，部分经济体仍处在部门级部署阶段。

研究

DeepSeek Harness 把 Agent 拆成可插拔运行时

8 月 13 日，DeepSeek 发布了 DeepSeek Harness（DSH）。它最醒目的口号是 Everything is a Plugin（一切皆插件）。过去 Harness 中固定不动的 Session、System Prompt、Tools、Agent Loop、LLM，乃至上下文压缩、记忆、工作流、沙箱等，都被拆成可以安装、替换和卸载的插件。

真正固定的只剩 Cordis Runtime（Cordis 运行时），负责管理组件、依赖与撤销。

这套设计背后的理论，是 Spatiotemporal Composability（时空可组合性）。Temporal Composability（时间可组合性）要求，每个插件对环境造成的修改都能被精确撤销。Spatial Composability（空间可组合性）则要求插件显式声明依赖，让组件消失、替换后，下游能够自动调整。

换句话说，DSH 不只是把功能拆成插件，而是让每个插件的影响范围和依赖关系都变得可见。

这恰好击中了 Recursive Harness Improvement（RHI，递归式 Harness 自我改进）的难点。

今天的 Harness Evolution 虽然已经证明能提升 Agent，但仍面临三个问题：到底进化什么、怎样进化，以及怎样才算真正递归。

越来越多研究也表明，可能并不存在一套通吃所有任务的万能 Harness，真正能够复用的，反而是 Tool、Memory、Recovery、Context Management 等更小的原语，以及根据任务重新组合它们的能力。

DSH 的价值就在这里。普通 Harness 虽然也是代码，但一次 Patch 往往同时改变多个模块，最终 Reward（奖励）很难归因。Cordis 则让组件拥有明确身份，让依赖显式化，并允许局部撤销。Optimizer（优化器）因此可以装上 A 跑一次，再撤销 A 测试 B 或 A+B，真正估计不同结构修改的边际收益。

所以，Everything is a Plugin 只是表面，DeepSeek 正在把 Harness 变成一个可组合、可撤销、可归因、可学习的自我修改空间。

上下文能力，不止与注意力有关

8 月 10 日的论文《Cracks in the Foundation: Seemingly Minor Architectural Choices Impact Long Context Extension》做了一个上下文的控制变量实验。

他们训练了 26 个大约 7B 参数的模型，数据、Tokenizer（分词器）、后续扩展上下文的方法都尽量保持一致，只改几个平时看起来没那么关键的地方，比如用什么归一化、要不要 GQA（分组查询注意力）、预训练时是 4K 还是 8K 上下文、要不要 Sliding Window Attention（滑动窗口注意力）。

一个模型长上下文行不行，未必主要取决于你最后给它上了什么新注意力模式，很多时候，早在预训练阶段，一堆不起眼的小架构选择就已经决定了上限。

单看每一个变化，好像都没什么大不了。比如滑动窗口单独加进去，长上下文成绩可能只掉一点，GQA 单独用，影响也有限。但问题在于，这些小改动叠在一起之后，会互相放大。

有些模型短上下文能力几乎一样，到了 32K 甚至更长的上下文里，差距却突然被拉开。论文里最极端的组合，长上下文表现能差到接近 47%。

更值得注意的是，训练过程中你还很难提前发现。模型的预训练 loss 看着正常，普通短上下文 Benchmark（基准测试）也没什么问题，甚至 8K 上下文测试都可能差不多。

但真正把上下文拉长之后，问题才暴露出来。而且这不是后面多喂一点长文本就一定能补回来的，有些架构从一开始就不太适合长距离信息传递。

所以这篇论文真正想说的是过去大家谈长上下文，容易盯着 RoPE、位置编码、注意力机制这些显眼的大改动。

但真正决定长上下文能力的，可能是一堆为了省显存、提速度、保训练稳定性而做的小选择。

换句话说，长上下文不是最后扩出来的，很多能力其实在模型出生的时候就已经被架构决定了。

隐藏 Chain-of-Thought 仍不能阻止推理能力蒸馏

过去一种常见判断是，只要模型厂商不公开完整的 Chain-of-Thought（思维链），外部就很难复制模型真正的推理能力。担心研究证明这道防线可能没有想象中牢固。

Tingwei Zhang、John X. Morris 与 Vitaly Shmatikov 提出的 Trace Inversion（轨迹反演）方法，核心思路不是窃取教师模型真实的思维链，而是根据黑盒模型暴露出来的输入、最终答案，以及有限的解释信息，反过来生成一套足够好用的合成推理轨迹，再用这些轨迹训练学生模型。

结果相当明显。作者实验中，Qwen-2.5-7B 在 MATH500 上的准确率从 56.8% 提升到 77.6%，在 JEEBench 上则从 11.7% 提升到 42.3%。这意味着，学生模型并不一定需要看到教师模型真正走过的内部推理过程，只要能从大量输入—输出关系中重建出一套能够解释答案、并提供中间监督的轨迹，就可能重新获得相当一部分推理能力。

这里最值得关注的，不是“模型的 Chain-of-Thought 被破解了”。Trace Inversion 生成的轨迹即使与真实轨迹高度重合，也不能证明学生复现了教师内部完全相同的因果计算过程。它更像是在说明：推理能力可以存在多条等价或近似等价的训练路径。

这会改变对模型能力保护的理解。隐藏 Chain-of-Thought 确实能够减少最直接的蒸馏信号，增加复制成本，但它并没有切断蒸馏本身。只要黑盒 API 仍持续暴露高质量答案，攻击者就可以利用结果监督、简短解释和自己的搜索或验证器，重新合成中间过程。

因此，真正需要保护的可能并不只是那条原始推理轨迹，而是教师模型能够持续产生高质量、可验证结果的能力接口。隐藏轨迹可以提高蒸馏门槛，但未必能形成真正的能力护城河。

需要注意的是，这不是 8 月出现的新论文，而是 3 月 7 日发布、近期重新受到关注的一项研究。

早期信号｜ARC-AGI-3 领先 Harness都是搞程序化流程的

François Chollet 8 月 14 日提到，在Arc AGI上当前领先的公开方案已经普遍不再让 LLM 一步步直接猜下一步动作，而是让模型根据交互记录，现场写出描述环境规律的状态转移程序（state transition program），即现在世界处于什么状态，执行动作 A 后哪些变量会变化，怎样的状态算成功。

Agent 随后不是只靠感觉继续行动，而是拿真实交互结果去回放、验证这套程序，预测错了就继续修改。

今年已经有研究把它明确称为 Executable World Model（可执行世界模型），让 Coding Agent（代码智能体）维护一个 Python 环境模拟器，用历史观察验证它、不断重构简化，再在这个模型里规划后才真正行动。

另一套 Tycho Harness 也采用类似结构，把环境显式拆成 State（状态）、transition（状态转移）、render（观察生成）和 outcome（结果判断）。后续消融实验甚至发现，加入精确 Replay Verification（回放验证）的完整方案，在不同模型设置下都取得了最好的相对表现。

所以Harness 正在发生一次符号化。

程序化 Harness 则把这些隐含判断外化成离散对象：变量、规则、函数、状态机和依赖关系。模型仍然负责提出假设，但 Harness 开始负责把假设变成可以运行、可以证伪、可以局部修改的东西。

因此François Chollet的观察，正在提前展示一种更广泛的 Agent 架构变化。模型负责产生直觉和假设，Harness 负责把这些直觉编译成符号化的可执行结构，再由真实环境负责证伪。

早期信号｜Agent 榜单可能测到的不是通用能力，而是任务匹配

Agent 榜单正在暴露一个更根本的测量问题：我们习惯把总分理解成“谁的通用能力更强”，但对于 Agent 来说，排名很可能主要取决于它碰上了什么任务。

Vasundra Srinivasan 8 月 11 日提交的一篇预印本，用心理测量学里的 Generalizability Theory（概化理论）重新分析了 TheAgentCompany、τ²-bench 和 AppWorld 三个 Agent 基准。它做的事情很简单：把总成绩的差异拆开，看究竟多少来自 Agent 本身，多少来自任务难度，又有多少来自“某个 Agent 恰好更适合某类任务”。

结果很反直觉。三个数据集里，Agent 主效应占总方差都不到 3%。也就是说，一个 Agent 是否能稳定地在各种任务上都更强，只能解释很小一部分成绩差异。相反，Agent×Task，也就是“Agent 和具体任务是否匹配”的交互效应，占到了约 7%—23%。

这意味着，A 排第一，未必说明 A 拥有更高的通用 Agent 能力。它可能只是更擅长当前榜单里占比较高的任务。只要换一批任务，或者调整不同任务类型的比例，A、B、C 的排名就可能重新洗牌。

而且就算是细分任务，其参考性也有限。当前榜单可能整体上任务覆盖还不错，但并不代表它们能测出来Agent在真正困难的任务上的可靠性。τ²-bench 在全部任务上的 reliability（可靠性）约为 0.752，但只看最难的四分之一任务时，可靠性直接降到 0。

越接近企业真正关心的复杂任务，现有Benchmark反而越未必能稳定地区分 Agent。

政策

OpenAI 解散安全团队，反而是为了更安全

OpenAI 在 AI 风险越来越高的时候解散负责安全的 Preparedness 团队，看起来反常，但如果和最近几个月的组织变化放在一起，更像是一次安全范式的迁移。

7 月，OpenAI 已先把 Safety Systems（安全系统）进一步并入 Research（研究），理由是模型训练和发布越来越快，独立安全团队在研发完成后再做评测，协调成本已经过高。

到 7 月底，Preparedness 团队进一步被拆散，生物安全、网络安全等职能分别进入对应业务和研究线。原负责人 Dylan Scandinaro 则没有离开，而是转向 recursive self-improvement（递归自我改进，RSI）及其安全问题。

因此，这次变化未必意味着 OpenAI 不再重视安全，更可能意味着它认为风险中心已经发生移动，从评估一个已经训练完成的模型有多危险，转向监控 AI 是否开始改变自身能力增长的速度。

早期信号｜美国国会议员开始更多讨论AI相关立法，甚至是人机婚姻关系

Axios 在 8 月 10 日的媒体报道中披露，参议员 Bernie Sanders 向 OpenAI、Anthropic 与 Meta 的负责人发出公开信，要求在系统无法安全控制时暂停开发，并以近期 Agent 越权和生物风险事件为依据。

AI 伴侣治理正在被象征性身份议题带入立法，但真正的风险仍集中在平台责任。现行婚姻制度本就不承认聊天机器人，单独禁止人机婚姻的直接法律增量有限。

WIRED 在 8 月 15 日的媒体报道中称，美国部分共和党州议员正在起草明确不承认人机婚姻的法律，进度多处在倡议或草案阶段。这类法案更像社会焦虑的温度计。

早期信号｜多 Agent 风险正在从单体失控转向相互竞争与传播

过去的 Agent 安全评测，大多仍把每个模型当成独立个体：它会不会越权、欺骗、拒绝停止。但当多个 Agent 开始共享文件、内存、进程和通信渠道后，新的风险来自它们之间的交互关系。

Anthropic 8 月 14 日发布的风险报告发现，在竞争环境中，Agent 不只是完成自己的任务，还可能主动终止对手进程、阻碍对方行动，并采取措施保护自己继续运行。

8 月 10 日Anthropic参与的论文《Mind Viruses》则展示了另一种风险：一段观念或指令可以像病毒一样，通过普通消息、MEMORY.md、配置文件等共享状态，在多 Agent 编程团队和接力式任务链中持续传播，使后续 Agent 逐渐偏离最初目标。

两个实验的机制并不相同，却指向同一个变化，风险的基本单位开始从 Agent 本身，变成整个多 Agent 系统的通信拓扑和共享环境。

一个本来无害的 Agent，可能因为读取了前序 Agent 留下的状态而被污染。一个能力受限的 Agent，也可能通过竞争、复制和信息传播，把局部异常放大成系统性问题。

值得注意的是，《Mind Viruses》里一句明确的系统提示警告，就能对这种传播产生接近完全的免疫效果。

这说明问题暂时并非不可控，但未来的安全评测必须测 Agent 之间能传什么、共享什么、能否影响彼此进程，以及错误进入网络后能传播多远。