Astra 尝试用智能体反馈打造 Ultima 风格 RPG

开源权重模型与前沿水平的差距，比我们一段时间以来看到的都要大。Mythos 于三月发布，此后虽然开源模型的发布表现不错（K3 和 GLM-5.3 都很出色），但实际使用中它们与 Mythos 或 Astra 的差距并不小。我预计这种情况会改变。

过去两周越来越清楚的一点是：无论你的公司对网络安全环境有多担忧，都还不够担忧。 WeWorm 的演示展示了恶意行为者可以多么高效。Hugging Face 事件则表明，你甚至不需要恶意行为者。

@METR_Evals 的长时程指标是否实际上已经饱和？ 自5月以来，AI进展最著名的图表没有更新，但其他已发表的研究表明，在受控环境中，Fable（我推测GPT-6也是如此）可以有效完成18周以上的工作量。

Ethan Mollick 批评 GDPval-AA 是糟糕的基准：AI 回答主观判断题，且由其他 AI 而非人类专家评分，缺乏有效性却仍被 AI 实验室引用。引用推文指出 Artificial Analysis 坚持 GPT-6 在该基准上真实任务得分低于 Kimi K3，而 OpenAI 对此保持沉默，或与测试评分方式有关。

如今在Claude和ChatGPT中，要追踪你的工作和对话所在位置已经变得非常困难：是在本地电脑？云端？哪台电脑？手机？通过Dispatch或Remote连接的电脑？还是你在Tag中对话的那台？那是否在某个项目中？当前的用户体验几乎帮不上忙。

Transformer架构的发展至今不到十年。 GPT-3.5（ChatGPT）的发布至今不到四年。 o1-preview（首款推理模型）的发布至今不到两年。

鉴于AI的输出往往是交互式程序，越来越多的非技术人员将需要找到轻量级的托管服务（我使用Netlify，但还有很多其他选择）。 ChatGPT Sites和Claude artifacts虽然有用，但谁知道它们会被维护多久，而且你缺乏控制权。

过去一周进一步表明，前沿模型眼下基本是两家公司的竞赛。 Google 发布了一款出色的 flash 模型，Z 也发布了类似产品。Muse Spark 1.3 显示 Meta 仍在推进，GLM 5.3 发布才不过几周……但没有任何模型能与 Astra 或 Fable 相提并论。

Ethan Mollick 让 GPT-6 Astra 依据布列 1784 年未建成建筑"牛顿纪念堂"的几张黑白草图与文字描述，构建出完整 Blender 模型，并生成带旁白的漫游视频。此前 Gemini 图像生成器（nano banana）也曾据原图对该建筑进行成像。

GLM-5.3 已开源权重，可下载、运行和定制，是智谱（Z.ai）最强的智能体编程与网络防御模型。Ethan Mollick 认为，随着开源模型性能提升，发布模型卡和进行红队测试愈发重要，因为任何开源模型都可能被突破护栏，需明确风险。