OpenAI 推了个面向国家的计划：帮伙伴国建数据中心、数据留在境内、可以定制自己的 ChatGPT。听起来很主权，但每一段落到最后都会绕回同一句——respecting future global standards。你可以定制，但要遵守未来的全球标准。
这个计划的关键词密度很高——通篇都是「民主 AI」。本质上做的是主权大模型这门生意：给伙伴国建数据中心，把数据放在对方自己的管控范围内，每个国家可以定制自己的 ChatGPT。
但每一段的结尾都会绕回同一句话：respecting future global standards——你虽然可以定制，但要遵守未来的全球标准。
而「未来的全球标准」由谁来定，文件里没说。
DeepSeek 的数学证明模型走的还是熟悉的路子，但前半段值得拆开看：
把数学任务分解，借助形式化工具做严格的 verifier；通过验证的部分再用 V3 改写成带 CoT 的证明——这样攒出一个高质量的、用于强化学习的 CoT 数据集。
接着把这批 CoT 数据和大量非 CoT 数据合在一起，在 V3 base 上用 GRPO 做强化学习，得到 671B 版本的 Prover V2。整体思路和 R1 很像，差别在于前半段的数据是靠「可自动验证的任务 + 验证器」造出来的。
最后是老套路：把 671B 蒸馏成 7B 版本，两者能力都不弱。
测了一轮带情绪的语音生成。念新闻稿的效果就很稳；要求「生成一段很戏剧化的」，出来的东西低沉、带着一丝不易察觉的颤抖，情绪层次相当足。
顺带一个产品细节的吐槽，做对话类产品的都该注意：用户在输入法里按回车是想换行，不该被直接当成提交事件触发推理。这个细节 Google 那边处理得就比较好。
一个越来越清楚的判断：agent 需要属于自己的前端。
而这个前端绝对不是为了炫技、为了表明「我的模型多聪明」——那件事对最终用户根本不重要，只对模型厂商重要。
拿一个让 AI 控制安卓手机的开源项目做了实测，接了一圈模型——OpenAI、DeepSeek、GLM 等等。
结果挺惨：只跑通了三个任务。
两个原因都存在：一方面项目本身还不够强；另一方面也确实反映了模型能力——即便是 OpenAI，对国内很多中文应用的支持也比较差。
这类实测的价值就在这里：榜单上的分数和「能不能真的把手机上的活干完」，中间隔着很远。