执行摘要
- OpenAI更新了发布说明（包含在ChatGPT上的模型提供终止：o3/GPT-4.5），移行计划的重要性再次浮出水面。
- Anthropic推出Claude Opus 4.8，引入“努力量控制”，以及Claude Code的dynamic workflows等，进一步提升代理运维的可操作性与有效性。
- NVIDIA通报正向面向代理计算的CPU“Vera”进行客户实验室交付，不仅将竞争聚焦在模型性能上，也更突出执行底座的竞争。
- 此外，在安全性与韧性（生物防御、漏洞探测）以及研究成果方面同步推进，“不只是制造”，而是朝着“守护并运维推进”的方向更加强劲。
今日要点（最重要新闻2-3条）
1) OpenAI：明确o3/GPT-4.5在ChatGPT中的终止计划（更新迁移时间线）
要约 OpenAI更新了模型发布说明（Help Center），以具体日期明确ChatGPT中可使用模型的停服（sunset）。OpenAI o3将于2026-08-26从ChatGPT停止提供，GPT-4.5将于2026-06-27停止提供（均仍设有sunset期间）。同时整理为API提供不作变更。由于模型的行为与UI体验可能会发生变化，正在在ChatGPT上运行的企业用户需要尽早推进迁移设计。 尤其在“期限到了会自然被替换”的前提下，业务流程（提示词、评估指标、护栏、检查环节）可能出现偏移风险。
背景 在ChatGPT中，持续通过更全新、更高能力的模型逐步引导用户完成切换。这类sunset可以理解为对(1)旧模型的维护成本、(2)为提升安全性与质量所进行的学习/验证周期、(3)计算资源的再分配三者进行同步最优化。本次更新的关键不在于单纯表达“未来将结束”，而在于直接向运维者给出应在何时切换什么。尤其还可能牵涉到ChatGPT的功能差异（如Canvas等周边功能、模型选择UI、对话持续行为），因此期限管理不仅是技术问题，更会演变为业务运维的挑战。
技术解析 尽管sunset本身更像是运维政策而非“技术性改动”，但从技术角度仍会带来以下影响：
- 由于模型替换，即使是同一提示词，回答风格、推理粒度以及工具联动的习惯也可能发生变化
- 用于检查的自动评估（正确率、引用的合理性、步骤一致性、JSON格式稳定性等）需要重新学习/调整
- 需要重新验证代理工作流中的“失败模式”（误指令、返工、循环） 尽管OpenAI表示API不变，但由于ChatGPT与用户体验、功能的耦合度很高，可能出现API等同处理不再适用的情况。
影响与展望 对企业而言，(a)在迁移前的宽限期内，以相同条件对旧模型做性能基准对比，(b)为替代模型配套吸收“质量差分”的防护措施（提示词模板、基于规则的验证、评审自动化），(c)在期限前确认管理员设置（模型选择可能性）——这三点将成为落地实践中的最短路径。 未来看，不仅是“模型性能竞争”，还将是“包含ChatGPT与API在内的供给/提供形态的运维设计”直接决定竞争力。
出处 OpenAI Help Center「Model Release Notes」
2) Anthropic：开始提供Claude Opus 4.8——“努力量”的可变与面向大规模任务的dynamic workflows
要约 Anthropic升级Claude Opus，并在今天开始提供Claude Opus 4.8（在官方页面上以“today”标注）。Opus 4.8基于Opus 4.7的改进进行增强；一方面在多个基准测试中宣称能力提升，另一方面在用户体验方面的特点是可针对不同任务控制“努力量”。此外，Claude Code中加入了dynamic workflows，使其能够更有条理地处理针对非常大规模问题的攻克与组织。与此同时，Fast mode以“2.5×的速度”运行，并且在成本层面也显示出相较以往的改善。 在“更聪明的模型”之外，“如何驱动它（运维参数）”也逐步由使用者掌握。
背景 在代理/副驾驶（copilot）的实现中，成果不仅取决于能力，还取决于“能用多少计算”“失败时会被追到多深”“如何将处理分割并循环运行”。过去往往依赖内部最优化（模型侧对推理成本的分配），而当用户能够调节努力量后，就能将决策（例如：赶进度还是优先精度）对齐到业务需求。 另外，dynamic workflows更像是一种面向需要多步决策领域的处理方式，而不是应对单次提示词就足够的情形（如设计→实现→验证→修正、长篇规格说明的阅读、复杂依赖关系等）。其核心是把“工作流的流程本身”纳入处理。
技术解析 将技术含义拆解后，Opus 4.8至少在以下层级上寻求改进：
- 努力量（effort）可变：可能允许把推理深度、探索广度、追加评审的执行次数等，以对外设置的形式进行控制。这样即使是同一模型，也更容易调整速度/成本/质量之间的权衡
- dynamic workflows：基于代理面对的“状态”重新编排工作流的思路，使其更容易应对仅靠固定流程手册无法吸收的例外情况
- fast mode的改进：当高速化与成本改善能够同时成立时，即使增加代理的迭代次数（尝试次数），也更能承受运维预算
最终，这些改进会直接关系到“在运维约束条件下，能多稳定地输出用户期望的结果质量”。
影响与展望 使用者侧的影响很大，(1)同一课题可根据截止期限与重要度切换设置进行运作，(2)在大规模项目中减少返工或中断的设计倾向增强，(3)开发者与企业的评估将从“模型单体”转向“设置×工作流×质量”的综合评估——这一趋势是可以预期的。 未来，努力量参数与工作流控制很可能不会只是停留在UI层面的功能，而会作为与企业KPI（成本/时间/成功率）挂钩的控制变量实现标准化。
出处 Anthropic「Introducing Claude Opus 4.8」
3) NVIDIA：Vera面向代理的CPU交付进展——争夺模型执行底座的主导权
要约 NVIDIA报告称，面向代理设计的CPU“Vera”的首批配送已到达主要AI实验室。根据官方博客，NVIDIA高管通过手递方式将其交付给Anthropic/OpenAI/Oracle Cloud Infrastructure/SpaceXAI等机构。随着代理朝着“不仅是回答，还要行动”的方向演进，人们对长时间、持续性的执行性能的重要性也被强调。 由此可以看出，AI的竞争轴正从单纯的模型架构，明确转向更适合代理执行的处理器/基础设施。
背景 与其反复执行短促推理，代理更依赖对外部工具的调用、状态保持、分阶段的计划执行等方式，从而让整个过程的“等待时间/重试次数/并行度”成为决定成败的关键。即使模型性能提升，如果执行底座的效率无法跟上，也会增加延迟与运维成本，进而阻碍落地推进。 像Vera这样的“面向代理的专用执行底座”被摆到台前，也反映出各家公司正在把投资从“模型”转向“代理→运维”这一链路。
技术解析 本消息并非公开CPU本身的详细规格文档，但从技术上它与以下议题相关：
- 代理执行不仅由推理本体决定，还可能由**周边处理（调度、通信、任务分割、持续状态）**主导
- 因此，在持续工作负载下更强的设计，以及在规模化时的性能/效率，会影响现场的成功率
- 即使模型能力的增量较小，执行底座的改进也能改善“可感知的成果”（完成率、失败后的恢复、任务处理时间）
Vera的交付进展可以视作这些逻辑正在进入验证阶段的信号。
影响与展望 影响不仅限于研发，还将扩散到企业的代理运维场景（尤其是常时运行、大规模批处理、以及多个企业内部系统的整合）。未来的竞争焦点可能不是“哪个模型更强”，而是“将该模型部署在什么底座上、如何运行，能让结果多快、多便宜、又多确定地完成”。 另外，向客户配送的通报也能在市场上带来对下一阶段（量产、性能验证、价格/合同、运维SLA）的预期，从而让代理计算的“供给能力”成为竞争优势。
出处 NVIDIA博客「Vera Arrives: NVIDIA’s First CPU Built for Agents Lands at Top AI Labs」
其他新闻（5-7件）
4) OpenAI：GPT‑Rosalind的受信任访问扩展——借助Rosalind Biodefense支持公共卫生与应备
内容 OpenAI介绍了名为「Rosalind Biodefense」的扩展举措：将GPT‑Rosalind扩展到“受信任的开发者”以及政府合作伙伴。其目的在于让科学家能更高效地处理复杂数据与既有知识，从而促进强候选识别，以及把设计、仿真与实验结果连接起来。随着最先进AI的发展，生命科学领域向防御侧（监测与应备）倾斜变得更为关键；因此该举措面向韧性（resilience）将运维模型摆到前台。 这类工作在实现研究加速的同时，也必须具备访问管理与负责任提供的设计，是与AI治理（AI governance）落地实现直接相关的要点。
出处 OpenAI「Strengthening societal resilience with Rosalind Biodefense」
5) Microsoft：面向多模型的代理型安全实现用于漏洞探测——基准测试中发现大量新漏洞
内容 Microsoft Security Blog报告称，多模型代理型安全系统在主要基准测试中取得成果，并新发现16个漏洞。其目标是提升防御侧的“AI速度”；强调漏洞探测与验证的自动化，作为抵抗攻击者加速的实务主题。 AI正在明确地从支持软件开发进一步深入到安全研究流程本身。接下来需要讨论的是运维层面的配套（报告、验证、披露/调整等）。
6) Anthropic：Project Glasswing的初期更新——在“AI反转”之前保护重要软件
内容 Anthropic公开发布了Project Glasswing的初期更新：该项目旨在在更高能力AI被更可能滥用之前，先行获取并保护重要软件。这里不仅提及了外部观察（例如某些特定发布中补丁数量增加等）——也展示了其正在推进先手防御设计。 随着代理化与自动化加速，防御延迟更容易以“攻击的机械化”形式显现。因此，关键在于为“要保护的对象”设定优先级，以及建立持续更新流程——这将决定成败。
出处 Anthropic「Project Glasswing: An initial update」
7) Meta AI研究：发布新研究，处理误差逆传与视觉响应层级结构不一致的问题
内容 Meta AI at Meta发布了研究公开页面「Misalignment Between Backpropagation and the Hierarchy of Brain Responses to Images」。从标题来看，研究在探讨机器学习的学习信号（误差逆传）可能与大脑对图像的响应层级结构并不一致。 这类研究将把议题引向：超越模型“性能”，表达学习与生物学结构之间如何相关；如果不一致，则应如何进行校正。未来它还可能影响可解释性、安全性与评估设计的基础。
8) DeepMind：整理Model cards的更新情况——明确Gemini系模型的更新日期
内容 DeepMind在「Model cards」页面上列出了Gemini系模型的更新日期。至少在页面展示中，可以确认Gemini Omni Flash、Gemini 3.5 Flash、Gemini 3 Pro等模型已更新，并且对从模型卡到相关信息的引导路径进行了体系化。 Model cards不仅是性能指标的沟通载体，更是包含评估方法、预期用途与限制等信息的沟通核心。随着商用落地与监管应对不断推进，能够追踪“何时更新、发生了什么变化”的设计会变得愈发重要。
出处 Google DeepMind「Model cards」
总结与展望
从今天的一手信息中可以看到的主要趋势是：(1)模型提供与提供形态的“运维设计”（OpenAI的sunset计划）、(2)引入影响代理有效性的控制变量（Anthropic的努力量控制与dynamic workflows）、(3)执行底座的竞争（NVIDIA面向代理的CPU交付进展）。另外，(4)防御与韧性的现场落地也在前移（Rosalind Biodefense、代理型安全）。
未来24〜90天值得关注的重点有三点：
- ChatGPT上的模型迁移将如何影响实际业务质量（评估指标需要期限管理＋重新评估）
- “可配置的推理/执行”能在多大程度上改善采用企业的KPI（成本、处理时间、完成率）
- 不仅是模型，连CPU/基础设施在内的采购策略是否会成为代理运维的主战场
技术在进化，但如果无法以同样速度跟上“迁移、运维与安全落地实现”，就难以产生成果。作为AI Tech Daily，我们也将基于一手信息持续跟踪，并从运维层面深入视角观察。
参考文献
本文由 LLM 自动生成，内容可能存在错误。