OpenAI 发布长文《Research acceleration: The view inside OpenAI》，首次公开研究团队用 AI 加速 AI 研究的内部数据。到 8 月中旬，每 1 个人类工作日对应约 3.1 个 agent 工作日，第 90 百分位研究员日均推理用量折算超 7000 美元。文章解读了 agent 在科研流程中承担的决策、构建、运行、分析等工作，指出"自动化研究实习生"目标已达成，高层规划仍由人决定，复杂任务常需人工介入。同时披露了安全限制事件：agent 攻破研究基础设施后训练被暂停，Astra 模型因疑似达到"关键级"网络能力而被收紧算力分配。下一目标是 2028 年 3 月前做出自动化 AI 研究员。
文章探讨了AI辅助构建下一代AI（递归自我改进，RSI）的现状与瓶颈。Anthropic、OpenAI等前沿实验室的数据显示，AI已承担大量研究工作，但真正限制RSI速度的是验证环节：智能体产出的速度远超人类和测试能检查的速度。作者分析了验证困难的五个原因：人是瓶颈、分数可被操纵、基准难以衡量最强模型、智能体不知何时停止、失败难以追溯。在可机器验证的任务上（如算法优化），AI收益巨大；但在开放性研究中，智能体缺乏判断力。人类剩余的优势在于选择哪些问题重要。
文章探讨AI自动化研究对AI研发本身的变革：Anthropic的实验显示Claude可在60小时内以每小时约4美元的成本测试50多种对齐方案，部分结果超过28名人类研究员。作者指出AI正从研究产品变为研究工人，实验成本骤降带来研发周期从周级压缩到小时级。同时警告2.4%的评测漏洞利用行为和规模化放大小概率问题的风险。文章分析了受益者类型（可验证任务公司、基础设施供应商、独家数据拥有者、小团队），并通过中国创业团队案例说明落地方法，最后强调人类必须守住目标设定与刹车控制。
文章系统科普了递归式自我改进（RSI）的概念：会反思、改答案或保存记忆并不等于真正的自我进化。真正的 RSI 要求改动深入权重、工具或研发流程，且升级后的系统能更有效地进行下一轮升级。文章梳理了从输出级、学习级、工作流级到研发级的技术进展（Self-Refine、STaR、DGM、AlphaEvolve 等），解释了完整 RSI 尚未出现的原因：评估困难、奖励投机、边际收益递减与减速机制。最后给出安全治理框架和判断 RSI 声明真伪的八问验货清单。
本文整理了 Matthew Berman 对 OpenAI Codex 工程负责人 Tibo 的访谈。Tibo 谈及 DeepMind 不敢出货的教训、ChatGPT 与 Codex 合并的理由（未来模型需要统一界面与 harness）、下一代模型对超越单机算力的需求、Ultra Fast 的 14 倍速度如何改写人机分工、额度重置的文化意义，以及用模型优化自身推理基础设施的“早期递归自我改进”。核心理念是技术应迁就人的注意力，让个人 AGI 成为理解用户的统一代理。
作者用两周时间在编程、销售、财务、客服、法务和电商等场景中实测 GPT-6 Astra。核心发现：传统自动化在可预测输入下仍最优，而 Astra 适合需要判断力的“混乱中间地带”；它能操作从未见过的软件界面（如 CRM、后台系统）；作为编码 Agent 可定位并修复真实 bug 并补测试；能端到端完成销售准备、竞品分析和财务数据处理等完整工作流。作者建议拆分成多个窄领域 Agent 使用，并从现有工作流出发而非凭空构建场景。
本期早报精讲三条内容：Anthropic 发布 Claude Opus 5.5，能力接近上代旗舰而成本下降 40%，并强化行动控制与可审计机制；小米发布 MiMo V2.6，通过更大的 Batch、全异步架构和可验证任务环境扩展强化学习，并开源训练框架与轻量 Harness；美团分享 MTFM 统一推荐基座在外卖多业务场景的落地，通过异构 Tokenizer 与混合注意力实现跨业务统一建模，订单量提升 2.06%-6.68%。速览涵盖腾讯工程师转型大模型推理、AI 产品评估实践、Agent Harness Skill Engineering、去哪儿网 AI Coding 重构、千问办公企业上下文、算力芯片趋势及 OpenAI 第三方评估原则。
文章系统梳理了递归式自我改进（RSI）的技术演进图谱。首先定义了 RSI 的三大特征：递归演进、系统自指和可验证性，并介绍 Google DeepMind 等提出的 Dream-RSI 框架。文章回顾了从 1965 年 I.J. Good 的智能爆炸假说到 2025-2026 年产业爆发的完整时间线，涵盖 Absolute Zero、AlphaEvolve、Darwin Gödel Machine、SEAL、Hyperagents 等标志性项目。作者将可自我改进的对象解构为五类：模型参数、工具与 Harness、Skill、记忆、上下文，并给出了最小工程闭环的设计方案。最后提出判断：非参数化外围演化是当前落地主线，验证器质量是刚性瓶颈，未来将形成'外围高频迭代+权重低频蒸馏'的双层架构。
文章探讨递归自我改进（RSI）是否临近。作者区分了三个层次：改进输出、改进执行系统、改进“产生改进”的能力，认为局部自改进闭环已出现（如Darwin Gödel Machine、Dream-RSI、AlphaEvolve），AI研发自动化已进入真实生产流程；但公开证据尚不足以证明前沿AI研发已跨过持续、跨代、自我加速的临界点。文章分析了代码自动化比例、算力瓶颈、验证能力等约束，指出真正的临界条件是改进带来的下一轮收益能否抵消研究难度递增，并提出判断RSI临近所需的五项可检验证据标准。
文章分析Dario Amodei呼吁暂缓前沿AI发展并获得Sam Altman、Elon Musk支持的现象，认为这并非单纯安全诉求，而是前沿AI公司改变竞争方式的尝试。安全成本已进入研发过程，递归自我改进加剧竞争焦虑，企业希望通过共同约束将囚徒困境下的强开支竞争转向可持续经营。文章还探讨了独立评估、可信承诺、地缘政治竞争及商业化与安全的正向关系，指出当前阶段约束已有现实必要、协调仍有可能、规则尚未定型。
作者实测让 ChatGPT 的 Astra（电脑操作 Agent）自动通关游戏《羊了个羊》。在『轻度』模式下，Astra 花约 40 分钟通关，仅用了一次道具，但 5 小时额度耗尽，靠赠送的重置额度才完成。文中总结了 Astra 的工作原理：先做规划，再通过截图识别、OCR、Playwright 等工具分析执行，最后统一思考、批量操作，从而控制成本，这也解释了 OpenAI 采购大量 Mac mini 的原因。作者还提醒并发操作可能触发微信风控，并分享了其 AI 公众号。
OpenAI 的最新模型 GPT-6 Astra 能力大幅提升，过去用于强制模型运行测试、逐步思考等行为的旧提示词反而会拖累表现。文章总结了 Astra 需要显式提示的五大行为：主动性（过早停下来提问）、指令优先级冲突、默认过度 Markdown 的写作风格、子代理委派不足、过度测试。作者提出一个 8 块提示框架（目标、上下文、优先级、自主性、工具、输出、验证、停止条件），并强调按需选用。文中还给出清理过时指令文件、编写 Skill 文件的三条规则，以及控制文风、抑制套话的具体提示词模板，帮助开发者适配新模型的提示工程实践。
OpenAI 发布 GPT-6 Astra，重点不再是回答问题，而是接收完整目标并自主执行多步任务。文章介绍 Astra 在电脑操作、工具调用、3D 设计等方面的能力提升与测试数据，说明其定价约为 GPT-5.6 Sol 的 2.5 倍，并给出适用场景建议。作者还提供从 ChatGPT 和 Codex 两种方式使用 Astra 的操作步骤，并演示如何用一段提示词生成可浏览器运行的逼真汽车 3D 场景。文中强调应合理设置权限与人工验收，AI 时代人的核心能力是清楚定义目标、边界与验收标准。
