基于 Anthropic 2026 年 9 月发布的威胁情报报告，作者分析了 AI 降低作恶成本带来的多维风险：AI 混入真人视频的约会应用诈骗、低价 AI 代理窃取凭据、网络攻击自动化、影响力行动、人物画像监控以及武器与生物领域的双重用途问题。文章强调对涉及中国公司的蒸馏指控应区分训练方法、服务授权与用户数据处理三个问题。作者建议中国用户与开发者主动核验 AI 服务的数据路径与经营者身份，管理权限与密钥，验证信息来源，从知情权、选择权和数据权益出发保护自己。
本文介绍了开源 RL 训练框架 Meshy，它摒弃了中央控制器和 Ray，将 Inference、Training、Rollout、Teacher 建模为独立服务。样本数据通过 TransferQueue 数据面在生产者与消费者之间直达传输，流程由数据列的就绪状态驱动，拓扑由各进程在启动时本地确定性推导，使 RL 训练回归预训练式的 SPMD 设计。文章分析了传统 RLHF 流水线与 Single-Controller 架构在异步生成、多轮 Agent 等场景下的局限，阐述了 Meshy 通过声明式 ServiceGroup、基于令牌环的多角色共置等机制，支持同步 RL、异步 RL 及在线蒸馏等多种训练方式。框架基于 TorchTitan 与 SGLang 实现，代码已开源。
文章介绍了一种名为 MAD-OPD 的新算法，旨在解决 OPD（On-Policy Distillation）中单教师模型存在盲点导致学生模型学习受限的问题。通过引入多智能体辩论机制，让多个教师围绕学生状态互相纠错并达成共识，再进行蒸馏。实验表明，该方法在 14B+8B 到 4B 的蒸馏任务中，不仅提升了代码生成能力，还在 Agentic 任务中实现了小模型反超大教师的突破。
本文深入探讨了模型后训练中的 SFT 与 RL 流程，重点分析了基于同族模型（Same-family）的 On-Policy 蒸馏（OPD）技术。文章解释了 SFT 存在性能天花板的原因，以及 RL 如何通过复利效应突破这一限制。作者指出 OPD 结合了 SFT 的低成本和 RL 的复合优势，能高效利用教师模型的反向 KL 散度信号，是实现高性能模型微调的关键手段。
北大教授、前字节跳动算法专家张驰分析中美AI现状。他指出国内大模型存在“应试刷榜”、基础算力设施薄弱、高质量数据飞轮断裂等问题。因国产模型体验差距，顶尖开发者纷纷流失至美国产品，导致数据反馈闭环恶化；过度依赖模型“蒸馏”也限制了原创能力。尽管在硬件和具身智能领域尚存优势，但在纯软件领域的整体差距恐将持续扩大。
