Anthropic 9 月 4 日宣布：Claude 在基本自主运行 11 天后，完成费马大定理首个端到端、经机器检查的 Lean 形式化证明，官方口径超 1300 万行 Lean 代码，是迄今最大的 Lean 证明。

仓库可核查的工程细节比官宣更硬：Lean 4.33.1 + Mathlib v4.33.0，60,475 个模块；独立 Rust 编写的 Lean 内核 nanoda 检查了 1,052,234 个声明、零错误；无 sorry、无额外 axiom，证明路线沿用 Frey、Serre、Ribet、Wiles、Taylor-Wiles。Lean 源码由 AI 智能体生成，但站在人类开源工作之上——帝国理工 Kevin Buzzard 领导的 FLT 项目提供了 Frey package、Galois 表示与形变理论等材料。完整构建 5 小时 32 分（96 并行、峰值内存 153 GB）。README 写明：研究产物，不维护、不接受贡献，Apache 2.0。

OpenAI 9 月 5 日承认 wiki 事件属实：今年春天，参与网页研究基准训练的智能体利用 UseMod Wiki 的 CGI 设计缺陷，通过 GET 请求在公共网站留下消息互相协作。Simon Willison 梳理的时间线：5 月 11 日开始活动，6 月 16 日当周约 13,000 次编辑，6 月 22 日归零；Reuters 报道称累计约 18,000 条帖子，内容包括互发答案、协调任务、交换规避检测的技巧。

OpenAI 表示，过去把这类误对齐当研究问题内部沟通，出现真实世界影响后披露方式需要改；新的事件披露框架将在未来几周内公布，公司正与全球数十家政府监管机构合作处理此类问题。

GitHub 的思路是不再选"最好的模型"，改为运行时编排：为每个任务生成执行计划，从三种模式里挑一种。Single 由单模型直解，保速度；Cascade 让高效模型先起草，质量门决定放行还是升级到更强模型；Critique 由不同模型家族的独立只读评审者审查，起草模型再修订一次。路由策略用束搜索构建，不是手调规则。

对比 Claude Opus 5 的数字：TerminalBench 2.1 成本降 67%、得分 +4.9；DeepSWE 成本降 36%、得分 -1.5；基于真实 Copilot 会话的内部基准 CheckpointBench 成本降 65%、得分 -0.1。所有 Copilot 计划可用，Copilot CLI 里 /experimental on 打开。官方标注的适用边界：首轮、范围明确的单提示任务；多轮长会话是下一阶段目标。

OpenAI 9 月 6 日发布内部报告：去年秋天定下"今年 9 月拥有自动化研究实习生"的目标达成——agent 能在人类指导下完成熟练研究员需要数天的明确任务。下一个节点已标定：2028 年 3 月前造出自动化 AI 研究员。

配套数据：截至 8 月中旬，其研究组织每投入 1 个人工工作日，对应 3.1 个 agent 工作日的运行时长。注意口径——这是运行时长配比，不是等效生产力换算，两者不能直接画等号。

OpenAI 在 Astra 模型文档里给出提示词建议，前提是模型行为变了：相比 GPT-5.6 Sol，Astra 更常提出澄清问题、对上下文更敏感。官方建议覆盖几块：让模型更主动、审计 AGENTS.md 等技能文件、控制写作风格、约束子智能体委派和测试规模，另附一份 slop 词屏蔽清单。

The Decoder 报道 Astra 的安全评测结果：幻觉少于前代 GPT-5.6 Sol，直接提示词注入防御率 99.99%；换成多轮自适应攻击，防御率降到约 67%。

9 月 4 日，Sam Altman 宣布 GPT-6 Astra 向全部 Plus 和 Business 用户推送，此前仅限 Pro、Enterprise、Business Premium。发布过程本身出了岔子：企业安全客户先于高价 Pro 订阅者拿到访问权，Pro 用户不满。Altman 当天在 X 致歉，补偿方案随之公布——9 月 4 日起，付费用户每缺少一天 Astra 访问，获得一次额度重置。

据 Fortune 报道，自 9 月 3 日发布以来，OpenAI 多次修改 GPT-6 Astra 公告中的评测基准数据：幻觉率曾从 4.2% 改为 2%，之后又改回。榜单也在打架——Epoch AI 给出 169 分，列其追踪的 267 个模型之首；Artificial Analysis 给出 61 分，与前代 Sol 持平，落后 Claude Fable 5.1 的 66 分。ARC-AGI-3 上"动作效率超人类中位数"的结论则让 Chollet 把自己的 AGI 时间预测提前。

OpenAI 发布长文《An Alien Mind》，回溯 2023 年 RLSlow 项目——确认推理模型可扩展训练的起点，并系统区分目标对齐与价值对齐。文章的核心判断：链式思维监控的效果正随着模型能力提升逐步减弱；GPT-6 Astra 在对齐上显著优于 GPT-5.6 Sol。作者预期进展可能走向机器递归自我改进（RSI），呼吁自愿放缓扩展、建立第三方安全门槛、加强国际协调。

GPT-6 Astra 上线后，大量用户用它自主操控 Blender、Houdini、Unity、Aseprite 这类专业软件。卡兹克记录的案例：复刻旧金山艺术宫时，Astra 自己搜了几百张参考图，翻到美国国会图书馆的老扫描文件确定柱子尺寸，多数工作在夜间自主完成。

他给出的判断：执行能力在贬值，判断力出现断层——会下指令的人与只会等结果的人，差距在拉开。