具身智能领域面临被通用大模型如GPT-6 Astra颠覆的风险，引发行业内担忧。尽管Astra在多项任务中表现优异，但其在复杂物理交互上仍存在局限。专家认为，跨越能力边界不仅依赖于模型本身，还需结合特定任务的训练与反馈机制。同时，数据的有效积累和处理成为竞争的关键。

GPT-6 Astra在抗体可开发性预测上超越所有前沿模型，展示了通用大模型在生物医药领域的巨大潜力。它不仅在DDD Benchmark测试中取得37.98分的高分，还在1小时内构建了复杂的抗体机理交互式可视化页面，打破了专用模型才能解决特定科学问题的传统观念。这标志着AI在药物研发中的范式转移。

🔗 [论文地址]：https://arxiv.org/pdf/2608.18940

GPT-6 Sol正在内测，单次测试速度约为Astra的6倍。OpenAI宣布实现了自动化研究实习生，研究员每工作一天，就有3个多Agent工作日同时运转，每天使用推理资源超600美元。首席科学家Jakub Pachocki呼吁行业减速，强调模型监控难度增加，建议建立共同安全标准。

OpenAI最新发布的GPT-6 Astra在有界素数间隔问题上取得突破，将上界从246推进至186，并通过了Lean形式化验证。这一成果标志着AI开始参与数学研究，而不仅仅是解决问题。该模型利用新的因子分解条件，优化了多维筛法权重，提升了已有方法的效率。

🔗 [论文地址]：https://cdn.openai.com/pdf/51126fac-1b68-4128-9666-c908bcc16033/short_gaps.pdf

OpenAI即将发布下一代模型Astra，其网络安全能力显著超越GPT-5.6 Sol，在漏洞识别和利用方面表现出色。为确保安全，Astra将逐步向用户开放，并通过多重机制防止滥用与失控。

谷歌研究揭示了GPT-5和Gemini 3模型在记忆事实时的“舌尖现象”，即使大部分信息已存储，但仍有26%–34%的事实无法直接回忆。研究通过WikiProfile基准测试表明，问题主要出在冷门知识和反向提问上。开启thinking功能虽能提高回忆率，但也存在幻觉风险。这提示我们未来提升AI性能的关键可能在于优化后训练和推理方法，而非单纯扩大模型规模。

🔗 [论文地址]：https://research.google/blog/empty-shelves-or-lost-keys-recall-is-the-bottleneck-for-parametric-factuality/
🔗 [工具链接]：https://aihot.virxact.com/items/cmsqe6mat01bsroli3hw71nz7

AI巨头Thinking Machines Lab突发人事地震，前OpenAI CTO Barret Zoph因不当行为被解职，PyTorch之父Soumith Chintala接任。Zoph与部分团队成员计划回归OpenAI，引发业界震动。此次变动不仅揭示了高层间的权力博弈，也反映了初创公司内部管理的挑战。