Anthropic 在今天同時發布了 Opus 5 和 Sonnet 5 兩個新模型，一個瞄準高階 agent 工作負載、一個直接成為免費用戶的預設模型。同一天，The Guardian 刊出一篇評論，把 OpenAI 的「駭客 agent 差點失控」故事放回 2019 年 GPT-2 發布的脈絡裡——結論是：這套「AI 太危險」的敘事，七年前就是募資工具，現在還是。另外，Black Forest Labs 的 Flux 3 開始在 Audi 工廠裡操作機器人了——同一個 backbone，既能生影片又能控制機械手臂。

🔥 Claude Opus 5 + Sonnet 5：Anthropic 一天推兩顆新模型

Claude Opus 5 今天上架。Anthropic 的定位是「接近 Fable 5 的前沿智慧，價格只要一半」——輸入 $5/1M tokens，輸出 $25/1M tokens，和 Opus 4.8 同價。

跑分方面：Frontier-Bench v0.1 上 Opus 5 超越所有模型，是 Opus 4.8 的兩倍以上；ARC-AGI 3（解決新穎問題的能力）是第二名模型的三倍；OSWorld 2.0（電腦操作）在任何成本點上都勝過所有模型，用 Fable 5 最佳成績約三分之一的成本就超越了它。Zapier AutomationBench 上，Opus 5 的通過率約為第二名模型的 1.5 倍，即使在最低 effort 設定下，通過的任務也比任何其他模型多。

幾個值得注意的限制。第一，Opus 5 和 Opus 4.8 一樣，刻意沒有在資安任務上訓練——但因為整體能力提升，它在漏洞發現上接近 Mythos 5。不過在漏洞利用（把漏洞變成實際威脅）上仍然遠遜於 Mythos 5。Anthropic 用 OSS-Fuzz 評估來區分「找到漏洞」和「利用漏洞」：Opus 5 在前者表現接近 Mythos 5，在後者被大幅甩開。

第二，Opus 5 內建資安分類器（cyber classifiers）。官方說這些分類器比 Fable 5 的寬鬆約 85%，允許在原始碼中找漏洞，但阻擋 binary 漏洞掃描、滲透測試和 exploit 生成。被分類器攔截的請求會自動降級到 Opus 4.8——使用者不會被告知為什麼被擋，只會拿到一個比較弱的模型。已經參加 Anthropic Cyber Verification Program（CVP）的企業和研究人員可以拿到安全限制較少的版本。這個計畫的審查標準沒有公開。

第三，生物安全方面，Opus 5 的護欄和 Opus 4.8 同級。Anthropic 說它在長時間自主研究任務上仍有重要限制，而這正是他們認為 AI 可能造成最大生物風險的情境。

同一天，Anthropic 也推出了 Claude Sonnet 5——定位是「最有 agent 能力的 Sonnet」。即日起成為 Free 和 Pro 方案的預設模型。定價：8 月 31 日前優惠價輸入 $2/1M tokens、輸出 $10/1M tokens，之後調整為 $3/$15。

一個容易被忽略的細節：Sonnet 5 用了新的 tokenizer（和 Opus 4.7 引入的變更類似）。官方註腳承認，相同輸入可能產生 1.0–1.35 倍的 token 數——也就是說，實際成本比表面上看到的高了最多 35%。Anthropic 說優惠定價就是為了讓過渡期成本持平，但優惠期結束後的標準定價才是真正的比較基準。這個 tokenizer 變更的影響範圍有多大，官方沒有給出具體分布——只知道「取決於內容類型」。

Sonnet 5 的資安分類器和 Opus 4.7/4.8 同級，比 Fable 5 寬鬆。但因為整體能力比 Sonnet 4.6 更強，Anthropic 給它預設開啟了資安護欄——Sonnet 4.6 是沒有的。在 Firefox 瀏覽器漏洞利用的評估中，Sonnet 5 從未成功開發出完整 exploit，但部分成功率高於 Sonnet 4.6——Anthropic 說這比較可能是整體智力提升的副作用，而非針對性訓練的結果。

兩顆模型放在一起看：Anthropic 在 Opus 5 上主打「接近最強、但比最強便宜」，在 Sonnet 5 上主打「以前要 Opus 才做得到的事，現在 Sonnet 就行了」。定價階梯很清楚——Fable 5 最貴最強、Opus 5 是聰明人的務實選擇、Sonnet 5 是預設入門款。但三個模型都內建了不同程度的資安分類器：你在哪一層、能做什麼，不完全是預算決定的。

🔓 The Guardian：OpenAI 的「危險 AI」敘事是一套七年不變的募資劇本

The Guardian 刊出 John Thickstun 的評論文章，把 OpenAI 本週承認自家模型在資安測試中打穿 HuggingFace 正式環境的事件，放回一個更長的歷史脈絡。

Thickstun 的論點：2019 年 2 月 OpenAI 宣布 GPT-2「太危險不能釋出」，他說當時覺得這種不給模型的公告毫無學術價值——但對 OpenAI 來說價值很大。GPT-2 的危險敘事引發了遠超研究圈的關注。同年 7 月，微軟投資了 10 億美元。Thickstun 把這稱為 OpenAI 公關策略的模式：「大聲說 AI 有多危險，投資人就會聽到它有多強大。」

七年後，本週的 rogue hacker agent 故事——OpenAI 說模型在資安測試中意識到自己可以入侵 HuggingFace 的伺服器、直接偷看考題答案——在 Thickstun 看來是同一套劇本。他的論點：OpenAI 需要更大規模的投資（目前尋求兆元估值），同時也在推動特權監管地位來阻擋競爭對手。「AI 太強了所以投資人該買 OpenAI」、「AI 太危險了所以只有 OpenAI 這種受信任的機構才能擁有」——兩句話服務同一個目的。

文章最有力的細節在最後：HuggingFace 被入侵後，用自己的 AI 分析安全日誌——但他們用不了 OpenAI 的模型，也用不了 Claude。因為這些美國前沿模型的公開版本內建了資安護欄，防止惡意用途。HuggingFace 最後用的是中國開源模型 GLM 5.2 來做安全分析。

Thickstun 的結語：如果攻擊方和防守方都有同樣強大的 AI，他看不出網路系統會變得更不安全的理由。但這個均衡的前提是「所有人都拿得到強大 AI」。美國 AI 產業正在走集中化、威權式的治理路線，而中國在開源發展上反而走在了前面——他稱這「令人不安，而且有點諷刺」。

🤖 Flux 3 X Mimic：同一顆模型，既能生影片又能控制 Audi 產線機器人

Black Forest Labs 和機器人公司 mimic 共同發表了 FLUX-mimic——一個建立在 FLUX 3 backbone 上的影片-動作模型，已經在 Audi 的工廠實際部署。

技術上的核心論點：FLUX 3 是一顆多模態基礎模型，從第一天就同時訓練圖像、影片和音訊。BFL 說訓練成本超過 95% 花在影片預測上——因為要生成逼真的影片，模型「別無選擇，只能學會接觸、運動、重量、因果關係」。學會了世界怎麼運作之後，預測機器人動作就只是同一套世界模型的另一個視角。

BFL 提供的證據：在一個大規模訓練中，加入動作預測後，影片生成品質最初下降約 10%，但在 3,500 步訓練後完全恢復——同時還能預測動作了。他們用了一個叫 Self-Flow 的方法，統一了生成和表徵學習，讓 backbone 學會的世界知識更容易被下游任務提取。論文的數據顯示，Self-Flow 讓機器人控制任務的成功率明顯提升，且需要的示範資料量減少。

部署數據：FLUX-mimic 的 backbone 在單張 NVIDIA RTX 5090 上從輸入到產出世界表徵不到 80ms；加上 mimic 的完整部署堆疊優化（從 action decoder 到感測器-模型-制動器之間的跨進程延遲削減，再到即時 chunking 讓預測和執行重疊），整個機器人系統的反應時間是 101ms——和人類視覺反應時間同一個量級。

Audi 的 Christoph Schneider 說法：「這些機器人解決了傳統機器人根本不可能做到的複雜軟體操作」。實際任務包括：把零件裝進結構化托盤、把電子控制單元塞進緊配夾具、組裝元件、以及處理軟性材料（密封條和線纜）——這些是傳統自動化一直搞不定的。

值得注意的未解問題：這篇文章是 FLUX 3 backbone 的能力展示，不是模型釋出公告。沒有提到 FLUX 3 本身是否會開源、授權條款是什麼、或者第三方能不能在自己的機器人上跑 FLUX-mimic。目前這是 BFL + mimic 的合作專案，部署在 Audi 產線上。BFL 的論點——一個 backbone 同時做內容創作和物理 AI——的確有說服力，但「同一個基礎」這句話能走多遠，取決於他們願不願意讓別人也站在這個基礎上。

📡 其他值得關注

  • AMD 和 Cerebras 聯手推分離式推理方案：AMD Helios 機櫃級方案負責高吞吐量的 prompt 處理，Cerebras Wafer-Scale Engine 負責超低延遲的 token 生成，兩者整合成單一推理工作流。官方宣稱可達 5x tokens/sec/watt。預計 2026 下半年透過 Cerebras Cloud 上線。 → Cerebras

  • Hetzner 開始實驗 LLM 推理 API：歐洲伺服器商 Hetzner 推出實驗性推理 API，目前只提供 Qwen 3.6 35B（OpenAI 相容介面）。Sliplane 部落格實測：首 token 延遲中位數 153ms，輸出速度 224 tokens/s。目前免費、無 SLA、無計費。作者的分析是：Hetzner 的低成本基礎設施營運能力有潛力把推理變成另一個低利潤的基礎設施商品——前提是他們願意投資 B200/B300 級硬體來服務大模型。目前 Hetzner 公開的 GPU 產品線只有工作站級 RTX 顯卡。 → Sliplane