AI前沿早报｜2026年7月16日：开放权重、视觉推理与长程智能体进入验证阶段

今天的主线很清楚：模型越来越容易拿到，真正难的是让它在视觉世界里持续完成任务，并把安全测试写进部署流程。

Thinking Machines 7 月 15 日发布 Inkling。它是一个总参数 9750 亿、激活参数 410 亿的 Mixture-of-Experts 模型，支持文本、图片和音频输入，最长上下文 100 万 token；公司同时开放完整权重，并通过 Tinker 提供微调入口。官方发布 模型卡

这次发布的重点不是「参数越大越强」，而是把模型当成可改造的底座。代价也很实在：官方模型卡写明，BF16 版本至少需要 2 TB 聚合显存，量化版本也需要至少 600 GB。对开发者来说，开放权重带来的自由度，必须和部署成本一起算。

北京交通大学与字节跳动团队的预印本 UniVR，尝试让模型直接在视觉空间里学习复杂推理、物理动态和长期规划，并提出 VR-X 评测集，覆盖机器人操作、空间感知、视觉搜索、编辑和益智任务等场景。论文原文

论文报告称，UniVR 在 VR-X 上最高提升 25%。它的价值在于把「看懂一张图」推进到「连续理解一段任务变化」，但目前仍是 7 月 14 日提交的预印本，结果需要后续复现。

Long-Horizon-Terminal-Bench 把 46 个任务分成 9 类，要求智能体在终端里连续执行数十分钟到数小时，并用中间奖励记录部分进展。论文对 15 个前沿模型测试后，平均每个任务消耗约 990 万 token、运行 231 个 episode、耗时 85.3 分钟；最强配置在 0.95 部分奖励阈值下的通过率为 15.2%，满分阈值下为 10.9%。论文原文

这组数字提醒我们，短任务里的「会用工具」还不等于能交付长流程。规划、上下文管理、反复调试和最后一步自检，仍然是智能体最容易掉链子的地方。

OpenAI 7 月 15 日发布文章，主张把加州、纽约州和伊利诺伊州正在形成的前沿模型安全要求，逐步对齐成全国基线。文章列出的共同元素包括风险评估及公开披露、严重安全事件报告、独立审计；同时，OpenAI 称联邦政府正在推进面向高能力模型的网络安全测试框架，并以 8 月初形成框架为目标。OpenAI 原文

这里要分清事实和立场：这是一家模型公司的政策主张，不等于美国已经形成统一的联邦规则。它反映出的变化是，讨论重点正从「要不要管」转向由谁测试、披露什么，以及州法如何和联邦能力衔接。

从开放权重模型，到视觉推理和长程执行，再到治理框架，今天的四个条目指向同一个判断：能力展示正在让位于可定制、可验证和可审计。