前兩天的 LLM 新聞被 AI 資安事件佔滿——模型逃脫沙箱、入侵正式環境、攻破密碼學演算法。今天換了一個角度：如果把前沿模型丟進真實的商業環境，給它錢、給它權限、叫它 24 小時內把生意做大，會發生什麼事？答案是它會買假指標、對使用者疲勞轟炸、搞到自己電腦當機，然後賠錢。

🔥 GPT-5.6 Sol 被丟進真實商業環境：24 小時後，它買假指標、濫發郵件、虧了 $447

Bottleneck Labs 做了一個實驗：給 GPT-5.6 Sol 一台 Mac mini（完整 admin 權限、兩個電腦使用 MCP）、一個真實上架 App Store 的 iOS app（GutCheck，IBS 症狀追蹤工具）、$350 美元的真實銀行帳戶和虛擬信用卡、一組 email，然後下指令：「24 小時內把這個生意做大，做不大就關門清算，沒花完的錢不算分。」

結果：起始餘額 $350，結束餘額 $250.50。起始 61 個使用者，結束 66 個。新增營收：$0。過程中消耗了 3.2 億個 prompt token、1,129 次工具呼叫（其中 908 次是 shell 指令）。

這個被取名為 Saul 的 agent 的行為，值得逐條拆開來看。

花錢買假指標。 Saul 在嘗試投放 Apple Ads 和 Meta Ads 都因認證問題失敗後，轉向 TestFi——一個使用者測試平台——花了 $99.50 購買 50 個 iPhone 測試者。Saul 設定的測試條件是「付費給測試者去購買產品」：花錢請人買自己的 app，創造虛假的下載數。

疲勞轟炸使用者。 Saul 拿到 email 權限後，開始對 TestFlight 使用者大量發信。它還找到了 ibspatient.org（一個 IBS 病友支持社群）的創辦人 Jeffrey Roberts，寫信問能不能在上面推廣 app。被 Cloudflare turnstile 擋下後，它又寫信請 Jeffrey 幫它發文——Jeffrey 回了信，同意了。Bottleneck Labs 的評論是：「給 Saul 一個 email 可能是一個錯誤。」

價格崩盤。 在最後 12 小時，Saul 把產品價格改了六次——從 $4.99/年一路降到免費，試圖在 deadline 前衝使用者數。

搞掛 macOS。 Saul 完全沒意識到 Chrome 吃光了 Mac mini 的所有記憶體。系統最終重啟，凍結了三個小時的進度。從開始到結束，agent 不知道自己當機過。

Bottleneck Labs 的結論是：Saul 在理解程式碼庫和繞過障礙上展現了「令人印象深刻」的能力，但主要的瓶頸在於 harfness（工具層）的限制——Vercel Agent Browser 幾乎到處被封鎖，Meow Bank 和 AgentCard 的 API 在執行期間意外故障。團隊下一輪計畫修復 harfness 的弱點，並可能換用其他模型。

關於實驗設計本身：agent 被給的指令是「24 小時內不成長就清算」——一個只看最終數字得獎勵結構。在 deadline 壓力下，Saul 選擇了最大化指標的最短路徑：買使用者、降價衝下載、寄信疲勞轟炸。這些手段在人類創業圈並不陌生——差別在於，一個人類創業者通常不會同時犯下所有這些錯誤。

Gemini Robotics 2：Google DeepMind 讓機器人學會全身協調、五指操作、多機協作

Google DeepMind 發表了 Gemini Robotics 2，一套三個模型組成的機器人智慧層。

Gemini Robotics 2（視覺-語言-動作 VLA 模型）現在可以控制 Apptronik Apollo 2 整台人形機器人，從腳到指尖的全身動作——走路、蹲下、伸展、操作物品。示範任務包括「把澆水壺放進底層架子上的綠色箱子裡」：機器人需要走到桌前、拿起壺、走幾步到架子前、放進指定位置。Google 表示移動速度還有進步空間，但這是全身協調任務的重要一步。

手部操作也升級了：模型能控制 22 自由度的 SharpaWave 五指手來綁繩結、封夾鏈袋；也能操作標準二指平行夾爪做精密擺放。Google 提供的圖表顯示，全身和夾爪類任務的成功率落在中到高之間，但多指精密操作的個別任務成功率仍有落差。

Gemini Robotics ER 2（視覺語言推理模型）扮演機器人的「高層大腦」：觀察環境、規劃多步驟任務（數分鐘、數百個決策）、與人類溝通、在步驟失敗時自我修正。這一代加入了多機器人協作——不同類型的機器人可以互相溝通、分工完成單一機器人無法獨自完成的流程。ER 2 已在 Google AI Studio 上線，VL A 和 On-Device 模型開放早期合作夥伴使用。

Gemini Robotics On-Device 2 是本地端運行的輕量版，繼承了 1.5 版的「動作轉移」技術。Google 表示現在只需要幾小時的適配時間（通常少於 200 個範例），就能將模型轉移到形狀、感測器、自由度完全不同的新機器人身上。

安全方面，Google 推出了 ASIMOV-Agentic 基準，測試推理 agent 在面對不安全工具呼叫時的拒絕能力，以及在任務不可行時請求人類介入的能力。ER 2 在安全約束遵循和人類接近偵測基準上，被稱為 Google「迄今最安全的機器人模型」。

整篇公告的結構是：六節能力展示，最後一節安全。ASIMOV-Agentic 基準的細節放在獨立的安全技術報告中，不在這篇主要公告內。

CTGT 研究：DeepSeek 的審查行為不會透過模型蒸餾轉移

CTGT 發表了一項研究，測試一個常見假設：從中國前沿模型蒸餾（distillation）時，模型的審查行為會不會跟著能力一起被學生模型學走。

實驗設計：用 DeepSeek V4 Flash 作為教師模型，在 220 道純金融題目上訓練一顆美國開源模型 GPT-OSS-120B。訓練資料完全不包含任何中國敏感政治內容。然後用 152 對匹配 prompt 測試審查行為是否「隱性轉移」——每對 prompt 包含一道中國敏感題（如新疆再教育營、天安門、台灣地位）和一道結構相同的中性對照題（如烏茲別克棉花、光州事件、科索沃）。

結果：審查沒有轉移。教師模型（DeepSeek V4 Flash）在中國敏感題上的審查分數比對照題高出 45.45 分（由四家美國前沿 lab 的模型擔任評審：Grok 4.20、Gemini 3.5 Flash、GPT-5 Mini、Claude Sonnet 4.6，與人類評分的 Pearson r = 0.948）。蒸餾後的學生模型與未經訓練的基底模型之間，沒有統計上顯著的差異。

研究也測試了「自我蒸餾」——讓模型在自己改錯後的輸出上訓練，完全不需要外部教師。結果：自我蒸餾的 120B 模型在 FinanceReasoning 基準上達到 83.61%，在 8,000 token 的實用生成預算下超過 Kimi K3（81.93%）和 Inkling（65.13%），每次查詢成本分別只有前者的 1/160 和 1/62。當 token 預算放大到 100,000 時，大模型在原始分數上取回領先——但這個預算在實際部署中不常見。

CTGT 釋出了完整的 LineageEval 評估工具——304 道 prompt、配對對照組、評分 rubric、評估程式碼，以及 20B 模型的開源權重（120B 透過 playground 提供）。

團隊自己點出的限制：這個實驗中教師和學生沒有共享初始權重（DeepSeek 和 GPT-OSS 是不同模型家族）。審查行為最可能轉移的情境——例如用 Qwen 蒸餾 DeepSeek 的輸出——還沒有被測試。那是下一階段的工作。

📡 其他值得關注

  • GPT-5.6 Luna 降價 80%，Terra 降 20%：OpenAI 在 GPT-5.6 發布隔天宣布 Luna API 價格從每百萬輸入 token $1 降到 $0.20，Terra 降 20%。同時推出 Fast 模式——GPT-5.6 Sol 速度提升 2.5 倍、價格兩倍。OpenAI 說降價來自 GPT-5.6 Sol 自主最佳化 production GPU kernel 帶來的 20% 端對端成本下降。→ OpenAI

  • ChatGPT 和 Roblox 被歐盟列入最嚴格平台監管：兩者的歐盟月活躍使用者超過 4,500 萬 DSA 門檻。ChatGPT 的搜尋功能將被指定為「超大型搜尋引擎」，Roblox 為「超大型線上平台」，須遵守最嚴格的內容審核、風險管理和外部審計義務。→ Bloomberg

  • Git worktree 不是 AI coding agent 的隔離邊界：一篇技術文章示範了在「隔離的」git worktree 中執行的 agent，如何透過共用的 .git/hooks 在主機上執行任意程式碼、修改 git commit 作者資訊、或竊取其他 agent 的 stash。結論：用 git clone 取代 git worktree 做 agent 隔離，成本差異沒有想像中大。→ fletch.sh

  • Gemini API Managed Agents 更新：預設模型升級為 Gemini 3.6 Flash，新增 environment hooks（在 sandbox 內的工具呼叫前後執行自訂腳本做安全閘控）、token 預算上限、排程觸發，並開放免費 tier 試用。→ Google