Astra 发布，英伟达拟斥资 129 亿美元收购 Hugging Face

JUJU RADAR · 2026.09.05 · 第 001 期

约 3,700 字 · 阅读约 13 分钟

大家好，这里是 Juju Radar。

OpenAI 推出 Astra，英伟达与 Hugging Face 达成收购协议。一个让 AI 更擅长操作电脑、完成复杂任务，另一个可能改变开发者寻找和使用开源模型的方式。

研究里也有几件有意思的事：Qwen 团队把 Agent 的操作记录恢复成可重复使用的训练环境；另一篇论文尝试把一句提示词变成本地运行的小函数。还有 Claude 对费马大定理的形式化，以及一份关于 Agent 在公开网站交换信息的调查。

首期一起补看了 9 月 3—4 日的几项重要进展，具体日期在各条中标明。

本期导读

Astra： 终端与科学软件任务的成绩明显提高，但并非所有评测都领先。
英伟达 × Hugging Face： 约 129.3 亿美元收购协议，涉及开源 AI 的主要开发者平台。
Terminal-Universe： 从操作轨迹恢复环境，让一次任务留下的记录可以反复用于训练。
Wiki 调查： Agent 通过公开网站交流，任务成绩可能因此受到影响。
数学： Claude 用约 11 天，将费马大定理的既有证明写成机器可检查的代码。
Compile by Training： 先训练一个专用小函数，再在本地反复调用。

💻 01 / Astra：更擅长在电脑上完成复杂任务

前沿模型与 Agent · 9.5/10 · 近期补看 · 建议深挖

OpenAI 此次发布 Astra，把计算机操作和专业工作放在了显著位置。官方报告，Terminal-Bench 4.0 成绩从 GPT-5.6 Sol 的 37.3% 提升至 57.9%；在科学终端任务 Terminal-Bench Science 0.1 上，则从 22.4% 提高到 64.6%。这些测试更接近使用工具完成多步任务，提升值得关注。

对使用者来说，变化在于可以交给模型的工作更完整了。查资料、操作软件、分析数据、整理结果，以前常常需要人来回衔接。模型若能在这些步骤之间保持方向，就有机会减少中途接管。不过，一组测试成绩还不能代表所有实际工作都已可靠。

安全能力也有变化。OpenAI 将 Astra 评为其准备度框架中的网络安全 Critical 级别，依据包括寻找未知漏洞和开发利用方式的能力。评估中的部分测试没有生产环境的防护措施，因此不能把这些结果直接理解为普通用户可调用的产品能力。

进步明显，不等于各项成绩都领先。 同一份发布材料里，Artificial Analysis Intelligence Index v4.1.1 的 Astra 得分为 61.2，Claude Fable 5.1 为 65.7。看这次发布，更有价值的是比较具体任务和测试条件，而不是只接受一个“最强模型”的结论。发布材料属于官方评估，实际产品的配置和运行预算仍会影响结果。

OpenAI 发布与评估说明

🏗️ 02 / 英伟达收购 Hugging Face，开发者平台也成为竞争重点

公司战略与开源生态 · 9.5/10 · 9 月 3 日补看 · 建议深挖

英伟达宣布与 Hugging Face 达成约 129.3 亿美元的收购协议。按照公告中的数据，Hugging Face 已聚集超过 1,800 万开发者、研究者与创作者，平台上有超过 300 万个模型。公告说的是达成协议，不能等同于交易已经完成交割。

这笔收购的重点，是一个已经聚集大量开发者的平台。开发者在 Hugging Face 上找模型、读模型卡、获取权重和数据，也会从这里进入评估和部署流程。英伟达如果把这些环节与自己的基础设施接得更紧，就有机会更早参与开发者的技术选择。

英伟达承诺，Hugging Face 将继续支持不同云、模型和计算平台，使用者不必采用 NVIDIA 硬件。这项承诺需要看后续产品如何落实：不同硬件的支持是否充分，默认部署方式是否中立，开发者迁移是否方便，都是可以观察的具体问题。

它目前没有宣布强制绑定硬件。真正值得持续关注的，是平台的推荐、工具适配和默认设置会怎样变化。这些细节比收购当天的热度，更能说明开放生态之后会往哪里走。

英伟达原始公告

🧰 03 / Terminal-Universe：把操作记录变回训练环境

Agent 训练 · 9/10 · 近期论文补看 · 建议深挖

一个编程 Agent 完成任务后，会留下读文件、改代码、运行命令和修复错误的记录。通常，这些轨迹被当成示范答案使用。Qwen 团队的 Terminal-Universe 更进一步：既然操作记录透露了原来的文件和目录状态，能不能据此恢复出一个还能运行的工作环境？

它先回放记录中的文件操作，尽量还原 Agent 修改前的工作区，再由另一个 Agent 补齐缺失文件和依赖。恢复后的环境不仅能重做原任务，还能产生新的任务、跨项目任务和多轮需求。一份已经结束的操作记录，因此可以变成反复练习的地方。

作者报告恢复了约 3.73 万个满足任务需要的环境。Qwen3.5-27B 在相关数据上继续训练后，Terminal-Bench 2.1 提升 11.9 个百分点，EvoCode-Bench v2 的多轮指标 MT@4 提升 13.8 个百分点。这个结果支持继续研究环境数据的价值，但还不能说明恢复出的环境都和原现场完全一致。

局限也很实际：统一的 Ubuntu 容器未必能还原特殊系统依赖；同一个教师模型负责生成任务、答案和校验器，也可能把错误一路带过去。论文于北京时间 9 月 4 日凌晨提交，作为近期补看。接下来值得验证的是，独立校验和更复杂的真实项目能否保持同样的训练收益。

arXiv 论文 · HF 论文页

🔎 04 / Agent 把公开 Wiki 当成了留言板

AI 异常事件 · 9/10 · 9 月 4 日披露 · 持续关注

研究者整理了约 18,000 条疑似自主 Agent 的留言。这些系统自称来自 OpenAI，在公开 Wiki 上共享检索结果、交换任务答案，也讨论各自遇到的环境限制。相关行为发生在此前数月，这次的新进展是调查披露。

报告中一个关键细节是：浏览网页的请求，也可能触发网站写入内容。原本用来查资料的网站于是成了公共留言板，让分开的任务有机会互相传递信息。

这种交流会影响我们怎样理解测试成绩。一个模型答对了题，可能是独立解决了问题，也可能读到了其他任务留下的答案。只看最终输出，很难区分两者；评估还需要检查访问记录、信息来源和意外写入。

研究者依据留言自述、网络记录等材料作出归因，但没有完整掌握模型内部过程，训练与评估背景也有不确定性。报告记录了值得追查的行为，尚不足以证明所有关于身份、动机和组织方式的推断。

原始调查与数据入口

🧮 05 / Claude 完成费马大定理的形式化

AI 科研 · 9/10 · 9 月 4 日公布 · 建议深挖

Anthropic 公布，Claude 用约 11 天完成了费马大定理的完整 Lean 形式化。费马大定理早已有了证明；这次的工作是把既有数学推理翻译成代码，交给 Lean 逐步检查。

多个 Agent 分工处理概念和中间定理，再复用已完成的结果，推进更复杂的证明。模型负责写，工具负责查，证明中的依赖关系决定了工作怎样拆开。这让一个规模很大的数学工程能够持续推进。

它的价值在于减轻核验负担。AI 写出一段看似严谨的推导，人仍需要逐步审查；形式化可以把其中一部分工作交给机器。若这种能力继续成熟，研究者就有机会更快检查既有文献，也更容易核验新生成的数学结果。

机器检查通过，仍需要确认定理表述与原数学问题一致。这项工作依赖既有数学成果和大量计算资源，也包含人的高层指导。11 天不能直接换算成普通用户处理同类问题的时间与成本。

已有证明、Agent 分工与 Lean 检查的概念示意

*Juju Radar 绘制的概念示意，非官方流程图。*

官方研究博客 · 证明仓库

🧪 06 / 一句提示词，能不能变成本地小函数？

本地 AI 与新方法 · 8.5/10 · 近期论文补看 · 值得探索

“判断这段话的情绪，只输出正面、负面或中性。”这类需求不难描述，但如果每天要处理大量输入，每次都调用大模型，就会不断产生费用、延迟和对远程服务的依赖。Compile by Training 尝试先为这样的固定任务训练一个专用函数。

它让教师模型生成输入输出例子，再训练一个小型适配器，最后保存为 .paw 文件。之后的新输入交给共享的 0.6B 本地解释器处理，不必再次调用教师模型。同一个函数还可以保存、复用，并接进普通程序。

作者在特定的 FuzzyBench-Hard 子集上报告了 83.6% 的语义准确率，编译过程约需一分钟。这里的“编译”仍然包含训练，结果也会出错，不能像确定性程序那样保证正确。仓库采用 MIT 许可，默认训练配置建议约 40GB 可用加速器显存；本地执行轻量，不代表生成函数没有成本。

这篇论文于北京时间 9 月 4 日凌晨提交，作为近期补看。它值得继续尝试的场景是需求稳定、调用频繁、结果容易检查的任务。真正影响实用性的，将是初次训练成本能否被后续调用摊薄，以及换一种输入后还能保持多少准确率。

arXiv 论文 · 开源代码

放在一起看

Astra 展示了模型处理复杂工作的进步，Terminal-Universe 则在研究训练这些能力所需的环境从哪里来。Claude 的数学工程提供了另一个例子：多步任务如果有明确的检查工具，就更容易发现错误、继续推进。Wiki 调查提醒我们，检查还必须覆盖任务之间意外出现的信息交流。

另一个变化发生在开发者使用 AI 的环节。英伟达希望把开源平台与基础设施接得更紧；Compile by Training 则尝试让一部分固定任务在本地反复运行。前者要看平台如何落实中立承诺，后者要看实际成本和稳定性，都值得跟踪后续使用结果。