OpenAI 披露科研自动化进展，Meta 公布 Agent 夺金细节

JUJU RADAR · 2026.09.07 · 第 003 期

约 2,300 字 · 阅读约 8 分钟

大家好，这里是 Juju Radar。

过去几天，模型发布占据了不少注意力。到了这个周末，两家实验室开始披露更具体的事情：研究员实际把哪些工作交给 Agent，这些系统能做出什么结果，又在哪些环节仍然需要人。

本期导读

OpenAI 公布内部科研使用数据，以及推理过程监控面临的新问题；Meta 解释 AIRA₃ 的竞赛成绩与模型组合。另补读一篇视频物理论文：判断一段运动是否合理，放两个物体一起看，可能比盯着一个物体更有效。

本期截止北京时间 9 月 7 日 09:00。两篇 OpenAI 文章于 9 月 6 日公开；Meta 材料与论文补读分别注明原始日期。

🔬 01 / Agent 已进入科研日常，3.1 倍该怎么读

AI 研究自动化 · 9/10 · 9 月 6 日新披露 · 建议深挖

OpenAI 发布内部研究自动化报告，称已达到“自动化研究实习生”的阶段：在人类指导下，系统能够完成定义清楚、熟练研究员需要数天处理的研究任务。这是公司的内部评估，距离自主决定研究方向、独立完成整项研究还有区别。

报告里最醒目的数字是 3.1 个 Agent 工作日，对应 1 个人类工作日。截至 8 月中旬，按每天 8 小时折算，研究组织内 Agent 的累计运行时长已经超过人的劳动时长。多个 Agent 可以并发，这个比值描述的是使用规模，不能读成“科研效率提高了 3.1 倍”。

更能说明现状的是人工介入：过去半年，成功完成的 4–8 小时任务里，超过一半至少得到过一次人的干预。实验数量增加，也同时发生在公司算力扩张期间，因此无法把增长全部归因于 Agent。

这些数据让“AI 帮助研发 AI”有了可检查的细节。它首先改变的是写代码、排查基础设施和运行实验等日常工作；研究方向怎么选、异常结果值不值得追，仍然会决定增加的实验量能否变成有用发现。

OpenAI：科研自动化内部报告

🏅 02 / Meta 公布 AIRA₃ 夺金组合，用的是 GPT 与 Claude

多智能体 / 自动化研究 · 8.5/10 · 9 月 5 日（UTC）披露，近期补看 · 建议深挖

Meta 官方账号披露，AIRA₃ 参加了 NVIDIA 在 Kaggle 举办的模型推理竞赛，任务是微调一个 30B 参数的 Nemotron 模型。官方称系统取得第 8 名和金牌。这场比赛在此前已经进行，本周末公开的是系统说明，不能把它写成昨天刚刚夺冠。

模型组合很有意思。Meta 明确指出，赛时取得第 8 名的系统结合了 GPT 5.5 + OpenCode，以及 Claude 4.8 + Claude Code。因此，这个结果首先说明的是研究系统如何组织现成模型和编码工具，不能直接归为 Meta 自有基础模型的成绩。

对 Agent 开发者而言，这比又一张模型排行榜更值得看：底层模型之外，实验怎么分工、结果如何保存、下一轮选什么方向，都可能影响最终表现。但仅凭官方帖文，还不能拆出这些因素分别贡献了多少收益，也不能推断换成更强模型就一定更好。

本期核到的是官方账号对赛时组合和名次的说明，尚未独立完成化名队伍与榜单的对应核验。金牌按 Meta 自报呈现；明确目标下的竞赛结果，也不代表开放式科研已经可以无人负责。

Meta：AIRA₃ 参赛说明 · Meta：赛时模型组合

👁️ 03 / OpenAI 首席科学家：推理过程越来越难监控

对齐 / Agent 安全 · 9/10 · 9 月 6 日新披露 · 持续观察

OpenAI 首席科学家 Jakub Pachocki 在《An Alien Mind》中写道，公司的评估显示，对思维链监控的依赖能力正在逐步减弱。这里的“思维链”指模型用文字展开的推理过程；检查它，曾是发现异常目标和行为的重要办法。

文章给出的原因不止一种。推理越来越多地穿插在人、工具和其他 Agent 的交互中；模型更善于调整自己的推理过程；随着预训练能力提升，有些能力即使不展开文字推理也能实现。可见的文字因此只能提供部分观察依据。

Pachocki 同时强调，这种监控仍然关键，并提出结合模型内部状态等方法。文中关于未来能力增长、递归自我改进的判断，应当与已经测到的现象分开：这是首席科学家的研究判断，并非已经完成自我改进闭环的证明。

对实际部署的启发很直接：不能只看 Agent 的解释是否合理，还要核对它动了哪些文件、调用了哪些工具、结果是否通过检查。长任务交出去以后，留下可核查的操作记录，与提高任务完成率同样值得投入。

OpenAI：An Alien Mind

🎬 04 / 视频里的物理对不对？先放两个物体一起看

视频生成 / 物理评测 · 8.5/10 · 论文补读 · 建议深挖

Principia 提出了一个简洁的评测思路：不急着从视频里恢复真实速度、尺寸或相机参数，先比较同一画面中两个物体的相对运动。论文于 9 月 3 日提交，9 月 4 日进入 Hugging Face 每日论文列表，本期补读，不计作过去 24 小时的新发布。

比如，两块质量不同的滑块，在坡度、摩擦条件、起点相同的斜面上同时释放，理应同时到达终点。单独看其中一块，运动可能很像真的；放在一起，违反物理关系的地方就容易暴露。论文把这类测试扩展到重力、摩擦、碰撞和振动等八类现象。

作者测试的六个视频生成模型，整体物理一致性得分最高约为 0.42。这个数值是连续评分，不等于只有 42% 的视频正确；它与常用的视觉质量分数也不能直接相减或换算。

这种评测适合追问“视频能不能用于预测动作后果”。不过，它覆盖的是特定牛顿力学场景，不包含流体、软体等全部物理现象；缺失物体和严重形变也会影响评估。对世界模型的检验，仍需一项项落到具体任务上。

Principia：论文与版本记录 · 论文全文：方法、结果与局限

今天的主线

研究自动化正在从“能不能做”走向“究竟做了多少、结果如何验收”。OpenAI 提供使用规模和人工介入的数据，Meta 给出竞赛里的具体组合。它们的共同价值，是把讨论从笼统的自主能力拉回可以逐项检查的工作。

监控与物理评测则提醒我们，验证方法本身也要跟着更新。文字解释可能遗漏实际动作，逼真的视频可能违反物体之间的关系。任务越长、结果越复杂，越需要明确究竟用什么证据判定它做对了。