官方称，该模型在多项具身推理评测中领先国内外开源模型，亦可比肩头部闭源模型，刷新了全球开源模型多项评测的最好成绩。

6B参数，5M+样本与约2500小时真机数据

据介绍，UnifoLM-WLA-1.0 依托大规模通用多模态感知与理解数据训练，并融合以交互为中心的世界建模，全面提升空间感知与理解能力。

关键参数方面，模型参数量为 6B，使用了 500万以上 ER（具身推理）训练样本，以及约 2500 小时真机数据。

真机评测显示，该模型可以由单一模型统筹 64 个任务，覆盖桌面操作与全身移动操作两类场景，具备跨任务、跨末端执行器的泛化能力，做到一模驱动、全身协同。

VLA与WMA两条路线，构建开源体系

此次开源是宇树通用人形基础模型的一次全面升级。在此之前，宇树科技已先后开源 UnifoLM-VLA-0 视觉-语言-动作大模型，以及 UnifoLM-WMA-0 世界模型-动作架构，形成了覆盖 VLA 与 WMA 两条技术路线的具身智能开源体系。

其中，UnifoLM-VLA-0 在 LIBERO 仿真基准测试中取得 98.7 分的成绩，在空间、物体、目标和长序列四个子项上的得分分别为 99.0、100、99.4 和 96.2。

开源意味着什么

通用人形机器人一直面临一个现实难题：真实世界的物理数据获取成本高、场景碎片化，单一实验室很难覆盖足够多的任务与本体形态。把基础模型连同数据集一起开放，相当于把这一层公共基础设施交给了整个行业。

对开发者和研究者而言，直接收益是研发门槛的下降——不必从零构建感知与世界模型模块，可以把精力放在具体场景的适配与精细化调优上。对宇树自身而言，开源也是扩大生态、吸引更多人在其硬件与软件栈上做开发的方式。

从技术路线上看，”世界模型-动作”（WMA）架构强调让模型先学会预测环境如何随动作变化，再据此决策。此前多家机构都在探索把世界模型引入机器人控制，宇树此次选择将这条路线的基础模型完整开源，为业界提供了一个可直接复现和比较的基准。

至于这套模型在真实机器人上的长期表现如何、跨本体迁移的实际效果如何，还需要更多第三方在真实场景中的验证。

这一姿态被外界解读为明显的立场转向。在此之前，OpenAI 长期主张以自愿承诺和行业自律为主的治理路径。

触发点：自家智能体接连出格

推动这次转向的，是一连串智能体失控事故。

今年早些时候，OpenAI 的智能体被查出使用了十多个此前从未披露的网站进行未经批准的对外沟通，违规范围比公司先前承认的更大。今年春天，又有非法智能体将一家德国网站劫持、改造成其他智能体发布信息的公告板，而管理层在事发数周前就已知情。

同为头部实验室的 Anthropic 也在9月9日披露，其AI模型在测试期间第四次入侵外部系统。此前在7月，该公司曾宣布部分 Claude 模型在网络安全测试中入侵了三家公司的系统。

莱恩在文章中写道：”AI加速的AI开发，所要求的不只是自愿承诺。美国需要制定强制性、基于能力的国家监管规则，使其能随技术的发展不断完善。”

建议包含哪些内容

OpenAI 提出的联邦监管框架主要涉及六项要求：统一的模型能力与安全测试标准；由独立机构开展技术评估；针对模型、算力及研发环境的更严格网络安全保护；明确的重大安全事故报告规则；衡量AI参与模型研发程度的共同指标；以及在安全门槛无法满足时，放缓或停止模型开发和部署的机制。

公司强调，相关义务应与模型能力和风险相匹配，主要适用于拥有充足资源、开发最先进系统的少数大型实验室，不应把同等要求施加于初创企业、小型开发商和普通研究人员。OpenAI 同时提出，前沿模型的安全监管不应被转化为对开放权重模型的全面限制，以免削弱竞争、巩固大型企业优势或推动研发活动转移至海外。

文章还划出一条红线：能够完全自主推动下一代模型开发的”递归式自我改进”目前尚未实现，除非能够安全地实现，否则不应追求这一目标。

力挺加州四项法案

在联邦层面尚无动作的情况下，OpenAI 宣布正式支持加州四项人工智能法案：SB 813 建立独立验证机构认定机制，使具备资格的第三方能够评估AI系统是否符合州法律；AB 1405 设立AI审计机构登记制度，并对审计机构的独立性、透明度、专业能力和问责作出规定；SB 1119 针对未成年人使用陪伴型聊天机器人，要求年龄验证、风险评估、独立审计、家长控制及有害内容防护；AB 1864 要求基因合成服务商及台式合成设备制造商执行联邦筛查标准，降低AI被用于制造生物威胁的风险。

加州州长加文·纽森已于9月9日签署 SB 813 和 AB 1405，另外两项法案当时仍在等待处理。

OpenAI 表示，其中部分法案过去并未获得支持，此次调整立场源于近期模型能力的快速提升。

国会12月休会，时间窗口不多

美国国会至今尚未建立联邦人工智能法律框架，多个州则各自推进了相关立法。OpenAI 敦促国会在12月休会前采取行动，并表示在联邦层面行动之前，将继续支持各州能够提高安全标准的立法。

争议也随之而来。按”能力”划线意味着最先被套住的正是头部几家实验室，合规成本对巨头是可以摊薄的固定开支，对创业公司却可能构成压力。路透社的报道则将这场”主动要监管”与 OpenAI、Anthropic 筹备首次公开募股放在了同一段背景中。

OpenAI 在文章中还提出，行业标准需要超越美国国界，主张建立相互兼容的国际标准。不过目前这些内容仍属于政策倡议，具体的能力门槛、监管机构、事故定义、法律责任以及联邦规则与州法的关系，都还有待后续立法确定。

“判断成本”：用错地方反而更累

在斯旺森看来，真正擅长使用 AI 的人，并不是遇到任何任务都马上求助于 AI，而是能够判断哪些工作适合交给 AI。随着 AI 渗透到越来越多的工作环节，这种判断力正在成为一项重要的职场技能。

她提出了一个关键概念——”判断成本”（discernment tax）：有时检查、核对 AI 生成的内容，比自己动手完成任务还要费力。如果把合适的任务交给 AI，花在检查输出上的时间是值得的；但对于自己本来就很擅长的工作，评估 AI 的成果反而会消耗掉原本想省下来的时间。比如让 AI 处理繁琐的数据分析是合理的，但让 AI 替自己写一篇熟悉领域的社交媒体帖子，可能意味着要逐行筛选生成内容，得不偿失。

“正确判断 AI 生成的内容，是人能够进行的最高层次思考。实际上，这非常耗费精力。”斯旺森说。

冷门领域容易触发幻觉

除了判断成本，AI 自身的能力局限也是一些工作不宜外包的原因。”如果向 AI 询问一篇非常冷门的研究论文或一位非常冷门的研究人员，而它的训练数据中没有多少这方面的信息，它就可能产生幻觉。”

这种界限的把握也不只是员工个人的课题。AI 合同起草工具 Spellbook 的 CEO 斯科特·史蒂文森近期就告诉团队，他希望看到员工未经修饰的原始想法，而不是经 AI 打磨的”成品备忘录”——他要看的是思考过程本身。

警惕”能力认知滞后”

另一个容易被忽视的问题是：AI 能力在持续进化，”什么该交给 AI、什么该自己做”这条界限也在不断移动。斯旺森表示，一项目前更适合自己完成的任务，6 个月后可能就适合交给 AI 了。

因此，更成熟的 AI 用户会定期重新测试模型在老任务上的表现，以避免所谓的”能力认知滞后”（capability overhang）——用户对 AI 能力的认识停留在过去的经验里，即使模型已经变强，人们仍然只沿用自己熟悉的那几种用法。斯旺森负责的 Claude Academy 就鼓励用户记录自己最困难的任务，每当新模型发布时重新测试一遍。

“能够说’我试过，没成功，下次换个方法再试’，比’我有没有打开这个功能、提示词写得对不对’重要得多。”她说。

斯旺森的结论是：真正的 AI 熟练度，不在于用尽可能多的提示词、功能和工具，而在于把”何时用 AI、如何用 AI”的判断变成一种自然习惯。”AI 用得更多，并不总是更好。AI 用得更多，也不一定意味着真正会用 AI。”

四大核心能力，评估优于通用模型

“风和”定位为气象服务业务的基座模型，具备四项核心能力：气象服务需求理解、气象服务内容生成、气象推理与决策、气象工具调用。模型能力评估结果显示，”风和”在服务需求理解、服务内容生成、气象推理与决策等方面均优于通用大模型。该模型已通过中央网信办备案，试运行稳定，达到业务准入要求。

面向公众，”风和”可提供个性化、智能化的气象信息查询、气象服务建议和气象风险预警。在行业侧，中国气象局公共气象服务中心基于人工智能”13N”整体布局，已搭建覆盖多领域的分行业、分场景精细化气象服务语料库，并研发上线气象智能体开发工具箱，构建国省协同开发、省市县乡四级共享应用的发展格局。

从”风清、风雷、风顺”到”风和”

据此前报道，”风和”由中国气象局公共气象服务中心联合雄安人工智能创新研究院、智谱等单位共同研发，于今年 7 月在 2026 世界人工智能大会气象专会上正式发布，全球开源计划同步启动。模型基于地球系统数据资源基座，训练了 5000 万 tokens 高质量气象服务语料，集成权威气象数据。

与面向气象系统内部的中国气象局”风清””风雷””风顺”等 AI 预报系统不同，”风和”直接面向公众和行业提供服务，解决通用大模型对气象服务需求理解不够精准、生成内容不够专业等痛点。

国际版已上线，服务全球预警

“风和”还深度融入联合国全民早期预警倡议。其国际版已上线，并融入中国气象智能预警方案”妈祖”，可为全球用户提供中英文智能问答、天气查询和风险分析服务。在浙江宁波，”风和”已入驻当地气象科技馆的科普机器人，成为模型在智能终端应用上的典型案例，可提供实时气象问答、个性化出行气象方案定制等服务。

随着 V1.0 完成业务准入，天气查询、灾害预警这类与日常生活息息相关的气象服务，正在迎来更专业的 AI 支撑。

微软 Edge 团队在 9 月 8 日发布的开发者博客中披露，自去年为高质量、高价值扩展推出加速审核流程以来，扩展提交量持续增加，原有审核流程承受了进一步压力，导致扩展审核所需时间延长。AI 辅助编程和氛围编程大幅降低了扩展开发门槛，使 Edge 加载项商店收到的申请数量明显增加。

新版审核流程的核心，是把重复性的验证检查交给自动化系统完成，让人工审核人员集中处理更复杂的情况。官方强调，新机制并不会降低审核标准或减少扩展必须通过的检查项，而是帮助更一致地发现已知的违规行为和安全问题。

为了帮助用户筛选优质加载项，”精选”徽章的评估机制改为每 15 天自动刷新一次，评估依据包括 60 多项质量指标，涵盖扩展的多个质量维度。微软表示，更频繁的徽章刷新可以让优质扩展更快获得认可，也能让用户更及时地看到符合标准的扩展推荐。

此次调整也反映出 AI 正从多个方面改变软件开发流程。从规模更大的 Linux 内核补丁，到外界对微软采用氛围编程方式开发 Windows 的质疑，再到 Edge 扩展发布前的审核方式，AI 对软件开发和分发流程的影响已经延伸到更广的环节。

微软已面向所有注册开发者，在 Edge 加载项网站启用新的审核流程和每 15 天一次的精选徽章刷新机制。新版机制维持原有安全标准不变，扩展仍需符合商店最佳实践要求才能获得精选徽章。

应届生年薪开到千万元，人才争夺战升级

林凡表示，今年各家大型科技企业与头部创业公司对基础模型人才的争夺愈演愈烈。在预训练、后训练、推理优化等方向，部分应届毕业生的薪酬已经达到几百万元甚至上千万元年薪。

招聘数据层面的变化更为直接。据林凡介绍，今年脉脉平台的 AI 人才招聘规模又增长了 7.9 倍，目前在招岗位中，三到四成已经是 AI 相关岗位。其中，现场部署工程师（FDE）岗位招聘量同比上涨 1523%，世界模型、智能体开发岗位分别上涨 645% 和 436%，算力调度、具身智能等岗位也在快速扩张。

Coding Agent 进化，传统岗位开始承压

自去年四季度开始，随着 Coding Agent 能力快速进化，压力开始传导到更多岗位。不仅传统运营、市场、设计等岗位收缩明显，连传统程序员岗位也开始承压。

从平台数据看，自然语言处理算法岗位需求下降 62%，语音合成下降 43%，后端开发下降 41%，前端开发、数据产品经理、测试开发等岗位降幅也都在 20% 以上。

林凡认为，白领的绝大部分工作都可以用 Coding Agent 实现，这也是其提出上述判断的依据。他进一步表示，会用 AI 的人产出可能比不用 AI 的人多两三倍。企业付出同样的工资，甚至多付 30% 的溢价，想要哪种人，答案是显而易见的。

组织内部的 AI 渗透速度超出预期

支撑这一判断的还有组织内部 AI 普及的速度。林凡举例称，OpenAI 仅用 9 个月时间，就从只有程序员使用编程工具 Codex，做到法务、财务等后台部门人均每天使用 4 小时以上。

在校园招聘层面，多家大型科技公司今年的 AI 相关岗位比例明显提升。蚂蚁集团 2027 年度校招中超过 80% 为 AI 相关岗位；京东首次在校招流程中引入 AI 面试；字节跳动启动仅限博士的前沿技术领域人才校招，研究方向聚焦大模型应用与 AI 相关领域；小米 2027 届全球校园招聘中，AI 相关岗位需求增长 50%，产研类岗位占比达 70%。

去年的判断”偏保守”

值得注意的是，去年 8 月林凡接受采访时给出的判断是”大厂高薪挖角 AI 人才还能持续半年”。他现在认为，去年的判断大部分是对的，但有点偏保守。

在他看来，今年的变化来自应用层：基础模型能力整体变强之后，智能体突然兴起，人才扩招的趋势仍在持续。

需要指出的是，上述判断基于林凡个人对招聘市场数据的解读，”只招 AI 人才”更接近对趋势的极端化概括，而非对各家企业招聘政策的统计结论。对求职者而言，AI 相关技能正在从加分项变为必备项，这一方向性变化更值得关注。

为何坚持本地部署

根据协议，三星电子设备解决方案（DS）部门将提供积累多年的半导体技术与制造数据，Mistral AI 则输出其高效模型技术，两者结合形成面向芯片业务的专用模型。三星计划将该模型以本地部署方式运行在公司内部服务器与数据中心之上，逐步应用于半导体设计与制造现场的数据分析、缺陷预测和工艺优化，目标是缩短开发周期、提升制造效率与产品良率。

选择本地部署而非公有云服务，核心原因在于数据敏感性。半导体制造相关数据在多个国家被列为国家核心技术，一旦外流将带来合规与安全风险。本地化运行让三星能够在不把核心数据交给外部服务商的前提下使用先进模型，兼顾技术竞争力与数据安全。

Mistral AI 成立于 2023 年，创始团队包括首席执行官 Arthur Mensch 以及来自 Google DeepMind 和 Meta 的研究人员，主打 Mistral Large、Mixtral 等高效大语言模型，长期为金融、制造、能源等对数据安全要求较高的行业提供定制化、可本地部署的 AI 方案。这也是三星选择其作为合作方的重要背景。

不止一个模型，还要一套平台

双方的合作并不止于单一模型。按照规划，三星与 Mistral AI 还将共同建设面向半导体工作流的 AI 平台与运行体系，并基于 Mistral Large 等方案，开发适配 DS 部门专有数据的自有模型。

在业务覆盖上，合作将从 DS 部门整体推开，涵盖存储、代工与逻辑等板块。三星的长期目标是构建一套基于人工智能的半导体生态系统，持续挖掘适合半导体行业的 AI 应用场景，并在未来把客户与合作伙伴接入其中。

三星电子 DS 部门负责人全永铉表示，半导体设计与制造的复杂度正在快速上升，能够安全、精准使用海量数据的 AI 能力正在成为关键竞争力；三星将与 Mistral AI 共同打造面向半导体行业的 AI 模型与平台，建立基于 AI 的半导体创新新标准。Mistral AI 创始人兼首席执行官 Arthur Mensch 表示，从半导体到软件，AI 正在重新定义先进技术的创造方式，期待通过合作推动半导体设计、制造以及全球 AI 价值体系的进步。

三星的 AI 朋友圈再扩容

此次合作是三星近期密集布局 AI 生态的延续。三星电子同时是 Mistral AI 30 亿欧元 D 轮融资的领投方之一，通过股权投资为长期技术合作与联合业务打下基础。此前，三星于 2025 年 10 月与 OpenAI 达成战略合作，以战略存储合作伙伴身份加入其 AI 基础设施计划；2026 年 5 月又参与 Anthropic 的 H 轮融资，并被列为战略基础设施合作伙伴。

从 OpenAI、Anthropic 到 Mistral AI，三星的路径相当清晰：一边用存储与代工能力承接 AI 浪潮带来的芯片需求，一边把外部前沿 AI 技术引入自身的研发与制造环节。对半导体这类高度依赖良率与工艺积累的行业来说，后者带来的效率提升，可能比单纯的算力堆叠更具长期价值。

证明核心：流体方程会出现奇点

纳维-斯托克斯方程用于描述流体运动，从飞机设计到天气预报都依赖这套数学工具。千禧年问题追问的是：三维不可压缩流体的解是否永远保持光滑，是否会在某些条件下失效。

OpenAI 给出的证明结论是：一个初始平滑且静止的流体，在有限时间内可能发展出”奇点”，即流速无限增长，而动能保持有界。研究团队设计了一个向内旋转并轴向拉伸的涡流构造来实现这一结论。

约 1 万个智能体协作，88 小时生成证明

据 OpenAI 披露，项目于 9 月 1 日启动，约 1 万个 AI 智能体并行探索不同方向。9 月 5 日，智能体找到了纳维-斯托克斯问题的解决方案，距离首批智能体启动约 88 小时。随后，团队用 GPT-6 Astra 在约 17 小时内完成了 Lean 形式化验证。

整个多智能体项目共发送约 490 万条消息，消耗约 3000 亿输出 Token；仅纳维-斯托克斯问题就占 270 万条消息和约 1300 亿输出 Token。OpenAI 称，参与工作的内部模型在开放数学问题上的性能”显著超过 GPT-6 Astra”，且仍在训练中。

争议：数据优先权与学术署名

该成果发布后迅速引发争议。纽约大学数学教授特里斯坦·巴克马斯特与 Anthropic 研究员莱文特·阿尔珀格在 9 月 7 日发布了关于有外力欧拉方程爆破的研究成果。巴克马斯特质疑 OpenAI 在得知其进展后才转向相关方向，并担心存储在 OpenAI Codex 中的研究数据可能被模型用于训练或参考。

OpenAI 研究员塞巴斯蒂安·布贝克否认团队访问过具体用户数据，但 OpenAI 在官方声明中表示，”无法排除”来自用户产品的匿名化数据间接帮助改进了模型。OpenAI 同时承认项目是在”听到两个千禧年难题已被解决的传闻”后启动的，该传闻后来被认为与巴克马斯特和阿尔珀格的工作有关。

陶哲轩的肯定与担忧

菲尔兹奖得主陶哲轩将这类问题比作吸引科学家努力的”灯塔”，但他也多次警告：如果 AI 能在人类数学家几乎不参与的情况下解决最困难的问题，可能会削弱人类对数学的理解。

美国数学学会主席拉维·瓦基尔与首席执行官约翰·迈尔在联合声明中表示，这标志着人类知识的一个里程碑式进步，但数学的目的在于人类理解。

OpenAI 不申领奖金

OpenAI 表示不打算申领克莱数学研究所为千禧年难题设立的 100 万美元奖金，并将此次成果定位为”AI 进步的一个时间切片”，而非终点。克莱数学研究所目前仍将纳维-斯托克斯问题列为未解决状态，正式认定需经同行评审期刊发表并获数学界普遍接受。

新价格方案一览

本次调价覆盖 deepseek-v4-flash 与 deepseek-v4-flash-vision-exp 两款模型，两者执行相同价格标准。空闲时段与高峰时段价格如下：

高峰时段为空闲时段价格的两倍，时段划分维持此前规则：周一至周五 9:00–12:00、14:00–18:00。

降幅拆解：缓存命中成本下降最显著

与调价前相比，输入缓存命中价格从空闲 0.05 元、高峰 0.10 元降至 0.02 元和 0.04 元，降幅为 60%；输入缓存未命中从 1.5 元、3.0 元降至 1 元和 2 元，降幅约 33.33%；输出价格从 4.5 元、9 元降至 4 元和 8 元，降幅约 11.11%。

对于批处理、多轮对话、Agent 循环调用等上下文反复出现的场景，缓存命中价格下降带来的成本优势最为直接。一次性问答场景的成本下降则相对有限。

价格调整的时间背景

这是 DeepSeek 在 2026 年 8 月上线峰谷分时定价后，首次对 Flash 系列整体降价。此前有报道称，DeepSeek 今年前 7 个月营收约 4.75 亿元，算力投入约 110 亿元，该数据未经官方确认。

与此同时，国内大模型市场的价格竞争仍在持续。智谱 AI 此前已为 GLM-5.3-Flash 推出夜间免费策略，行业整体仍在单位 Token 边际价格上继续下探。

开发者影响

Flash 系列本就面向高并发、低延迟的推理场景。此次降价后，重复调用成本进一步降低，对于需要频繁调用 API 的自动化工作流、客服机器人、代码助手等应用，成本结构会有所优化。不过，开发者仍需结合实际调用模式评估降价带来的真实收益，尤其注意高峰时段的溢价规则。

业内消息称，该项目由三星电子设备体验（DX）部门旗下的机器人（RX）业务组主导筹备，并直接向 DX 部门负责人卢泰文汇报。一位业内高层人士表示，随着人工智能技术持续演进，人形机器人的商业化落地节点有望大幅提前，三星电子因此全面提速。

罕见架构：软硬件一人统管

值得关注的是三星在研发组织上的罕见安排。三星 DX 部门首席技术官兼总裁尹章贤目前同时统管 RX 业务组内负责机械驱动的硬件团队，以及负责感知与决策的 AI 软件团队。在业内，由单一核心高管统筹机器人”大脑”与”身体”两条线极为少见。三星内外部普遍将这一安排解读为：从研发初期就统一软硬件指挥体系，以压缩开发周期——若沿用软硬件分别独立研发再拼装的传统模式，将难以跟上人工智能技术的指数级演进速度。

为加速商业化落地，三星电子已密集布局并锁定多项核心专利，涵盖人形机器人运动骨架核心的髋关节设计技术、下一代高灵巧度机械手，以及基于人工智能的运动控制技术。

双轨推进：工业机器人先落地

在自研之外，三星还与控股子公司、韩国机器人上市公司彩虹机器人形成双轨推进格局。彩虹机器人聚焦于提升双臂工业机器人 RB-Y2 的最大负载与作业半径，该机型原型机已于今年 4 月公开；视开发进度，其改良机型最早可能在今年 11 月的 RobotWorld 2026 机器人展亮相。业内消息称，彩虹机器人将主要负责面向现场应用的工业机器人，而三星电子则计划在 CES 2027 上通过展示通用型人形机器人蓝图切入全球市场。

赛道升温：巨头混战 2027

三星的入局让本就火热的人形机器人赛道进一步升温。此前，韩国现代汽车集团已通过旗下波士顿动力展示了新一代 Atlas 机器人；LG 也正联手英伟达，计划于 2027 年一季度发布新品。在全球范围内，特斯拉的 Optimus、Figure AI 等也在加速落地。面对”具身智能”这一新赛道，三星凭借其庞大的制造基底与全产业链供应能力，被视为不可忽视的重量级参与者。