锐Owl 雷达 · 2026-09-24：GPT-6 Sol 每任务成本落到 $1.06（对照 Opus 5.5 的 58 分 / $5.98）、不生成文本的决策模型 laya 6 天 21.7k★ 登 HF 趋势榜首、Meta Muse 登顶美区双榜

今天五条看下来有一条共同的线：「生成」正在被从很多环节里拆出去。模型侧，OpenAI 上周发布的 Sol/Luna 到今天才真正算得清账——同一张榜上，能力差 10 分，完成一个任务的账单差 5 倍多；架构侧，一个不生成任何文本的决策模型 6 天冲上 GitHub 21.7k stars、HF 趋势榜第一，端侧延迟 5–14 毫秒；产品侧，Meta 的个人 Agent 一边被亚马逊全面拦截、一边被 Shopify 主动接入，说明 Agent 的落地上限不在模型而在存量平台的商业利益；框架侧，清华开源了具身智能的「塔台」，把真机设备变成可申请可调度的资源；最后是评测侧：同一天两篇论文用两组难看的数字证明，只报召回的评测一定会被刷爆。本期 5 条。

① OpenAI GPT-6 Sol / Luna 的「每任务成本」落到 $1.06：48 分对照 Opus 5.5 的 58 分 / $5.98（9/22 发布，AA 9/24 直查）

OpenAI 9/22 发布 GPT-6 Sol 与 GPT-6 Luna，补齐 GPT-6 家族的低价两档（GPT-6 家族为 Astra / Sol / Luna，没有 GPT-6 Terra）。官方口径是比 GPT-5.6 促销价再降约 50%：Sol $2 / $10 每百万 token（缓存读取 $0.20、折扣 90%），Luna $0.10 / $0.50（缓存 $0.01）；上下文 105 万 token、最大输出 12.8 万，API 模型 ID 为 gpt-6-sol / gpt-6-luna；OpenAI 发言人确认这是默认价而非促销价。Artificial Analysis 9/24 直查（同一批页面对照）：GPT-6 Sol（max）智能指数 48 分、#18/210，每智能指数任务成本 1.06 美元，输出 115.9 tok/s，跑一遍指数吐 0.77 亿输出 token；GPT-6 Luna（max）37 分、#6/173，每任务 0.07 美元，141.4 tok/s；同日同榜：Claude Opus 5.5 58 分 / 5.98 美元（输出 token 2.6 亿）、GPT-6 Astra（max）53 分 / 3.26 美元 / 52.5 tok/s。

认知价值：价格战打了两天，到今天才能真算账——而且算出来的不是单价，是每完成一个任务的钱：Sol 48 分、1.06 美元，Opus 5.5 58 分、5.98 美元，能力差 10 分，账单差 5 倍多；Luna 37 分只要 7 美分。这就是「效率是衡量标准」的现实版本：选型不该问谁最聪明，要问这 10 分在你的场景里值不值 5 倍钱。两个提醒：一是美国两家已经把「每任务成本」当主战场，单价对比的时代结束了，以后报数字必须把 effort 档一起报（Sol 要跑到 max 才是 48 分，档位一降分也降），否则不可比；二是 AA 的每任务成本是按它自己那套任务负载算出来的，换负载结论会变——它是选型起点，不是结账凭据。

来源：OpenAI 定价与模型页（9/22）https://developers.openai.com/api/docs/pricing ｜The New Stack（9/22，降价为永久价）https://thenewstack.io/openai-gpt-6-sol-luna-release/ ｜一手已核：Artificial Analysis 模型页 9/24 直查（gpt-6-sol 48/#18/210/$1.06、gpt-6-luna 37/#6/173/$0.07、gpt-6-astra 53/#6/210/$3.26/52.5 tok·s⁻¹、claude-opus-5-5 58/#1/210/$5.98/2.6 亿 token）

② 不生成文本的决策模型 laya 6 天拿到 21.7k stars、HF 趋势榜第一，9/24 更新把加载从 22 秒压到 2 秒

开源项目 laya（GitHub NandhaKishorM/laya，Apache-2.0）做的是「非自回归 System 1 决策模型」：给它一段状态（文本、邮件、工单或 JSON）加类型化问题，它在单次前向传播里返回带校准概率的类型化答案——Choice（选项分布）、Score、是/否，官方称短决策约 33 毫秒，覆盖 100+ 语言，不生成任何文本，所以没有东西需要解析、也没有幻觉可谈；训练用严格 proper scoring rule 做强化学习（RLCD），让「如实报概率」成为唯一最优策略。规模：英文版基于 ModernBERT-large（421M、512 上下文），另有多语言版（322M、1000+ 上下文）与 typed-decisions 版（四项工作流 0.766 准确率），三档共用一个 Router 自动选路。热度：9/18 建仓，截至 9/24 GitHub 21,774 stars、HF 趋势榜第一（模型页 3,133 赞），社区已有端侧移植 laya-mlx（M3 Max 上 7–14 毫秒，6,112 stars）与 laya-coreml（约 5 毫秒，Neural Engine）。9/24 的 0.3.11 更新全部是工程效率：checkpoint 加载 22 秒 → 2 秒（答案 bit 级一致）、import laya 不再拉起 torch、支持批量打分与批量路由、可上 ONNX / torch.compile / TileLang 快路径，另带自托管 HTTP 服务与 MCP server。

认知价值：这是今年最值得抄的一条架构判断——不是所有 AI 输出都该生成文本。「A 还是 B」「风险多高」「要不要转人工」这类判断，现在普遍走的是自回归生成 + 解析 + 校验 + 重试，一个本该一次前向完成的判断被写成了几百个 token 的作文，钱和延迟都花在「把结论说成句子」上。laya 把决策从生成式里拆出来单独立项，代价是只能做有限集合的判断；它值得盯的不是分数，而是落地成本结构变了：421M 参数 + 5–14 毫秒端侧延迟，意味着它可以按调用次数记账、跑在手机和边缘上，而不是按 token 计费、必须有网。对做 Agent 的人这是一条具体检查项：你的链路里有多少次模型调用，其实只是想要一个类型化的判断？（闭源对照路线是 TypeSafe AI 的 Jev，托管 API 走 Requesty 等聚合渠道，第三方整理口径约 0.042 美元/百万输入 token、输出不计费——🟡 待核）

来源：GitHub API 直查（9/24：laya 21,774 stars / created 9/18 / pushed 9/24 / Apache-2.0；laya-mlx 6,112；laya-coreml 1,404）｜HF 模型卡 convaiinnovations/laya（0.3.11 更新日志、33ms、RLCD、三档 checkpoint）｜hf-mirror 趋势榜 9/24（laya 居首）｜量子位（9/23，决策 AI 背景）https://www.qbitai.com/2026/09/496352.html

③ Meta Muse 登顶美区双榜、Meta 股价单日涨 11.43%，同一周亚马逊全面拦截、Shopify 主动接入（9/8 上线 / 9/21 数据，9/24 复盘）

Meta 9/8 上线个人 AI Agent Muse，9/18–9/21 期间同时登顶美国 App Store 与 Google Play 免费榜；第三方口径：Sensor Tower 称 13 天下载超 250 万次，Apptopia 称前 12 天总安装约 280 万次、北美约 180 万次（同期 ChatGPT 移动端约 130 万次），日活约 64.2 万（ChatGPT 同期约 23.1 万）。9/21 Meta 收涨 11.43%（741.24 美元，单日市值增加约 1,923 亿美元，2025 年 4 月以来最大单日涨幅），AMD、Intel、Arm 分别涨约 9.9% / 12.1% / 17.1%。同一时间出现两个相反动作：亚马逊以违反使用条款为由全面拦截 Muse 代购（此前起诉 Perplexity 的 agent 未果，第九巡回法院 8 月撤销初步禁令后转向条款武器），Shopify CEO Tobias Lütke 同日公开宣布平台全面接入 Muse、允许其自主下单结算。Muse 产品负责人 Nat Friedman 公开承认「很大程度上受 OpenClaw 启发」，包括工作区文件结构与 SOUL.md 命名。

认知价值：这条的价值不在「Meta 翻身」，而在两个方向相反的动作同时发生：同一个 Agent 能力，在靠广告变现的平台上是威胁，在按交易抽成的平台上是增量——所以个人 Agent 的落地上限不在模型多聪明，在存量平台的商业模式。这给做 Agent 的人一条硬约束：你的产品能做到什么程度，取决于你替谁省了流程、又动了谁的入口；技术方案再漂亮，撞到流量入口照样被拔网线。另一层是范式层面的：Muse 是「OpenClaw 式骨架」（工作区文件 + 人格配置 + 自主循环）的第二次工程化验证（第一次是豆包手机），说明这套骨架已经收敛，下一轮竞争的是分发与授权，不是骨架本身。

来源：量子位（9/24 复盘）https://www.qbitai.com/2026/09/496647.html ｜TechCrunch（9/22，Meta 承认受 OpenClaw 启发）、WSJ（亚马逊拦截）｜股价与日期交叉核：鉅亨網、每日经济新闻、數位時代（9/22，口径一致：9/21 收盘 +11.43%、741.24 美元）｜⚠️ 下载/日活为第三方统计（Sensor Tower / Apptopia），各源数字略有差异，🔴 引用时建议标「第三方统计口径」

④ 清华大学联合无问芯穹开源具身智能云原生平台 RLark：设备纳管从小时级到 5 分钟、任务提交 10 秒内启动、跨集群大包吞吐 +49%（9/24）

清华大学与无问芯穹开源面向具身智能的云原生纳管平台 RLark（GitHub RLinf/RLark，Apache-2.0；同组织的 RLinf 具身与 Agentic RL 基础设施已 5,366 stars）。核心是把机器人、相机等真实设备经自研具身设备运行时（embodied-runtime）统一抽象为云原生资源，像 GPU 一样可申请、可调度、可复用，并用任务级跨集群互联打通「云端算力—现场设备」。已核数字：设备纳管从传统约 1 小时缩短到约 5 分钟，任务提交后10 秒内在平台侧启动；已完成 3 个集群、近百个云边端节点统一纳管，覆盖 4 种型号具身设备；与 RLinf 结合的跨地域真机实验中，广东云端 GPU 与北京机器人现场连续运行约 36 分钟、推进 323 个 global step，跑通采集—训练—真机验证闭环；通信侧用虚拟寻址 + gVisor 用户态网络栈 + SSH 隧道做任务级隔离，受限网络下大包单流吞吐比对照 VPN 方案高约 49%、小包高约 14%，高带宽下大包接近 2 Gbps。

认知价值：和昨天那条 DeepSeek 沙盒是同一条主线，换了个战场：Agent 与具身的成本瓶颈已经从「买卡」挪到「把环境组织起来」。RLark 最值钱的不是那 49% 吞吐，而是它把一次实验里做过的接入、部署、通信配置变成可复用资产——这正是 DSec 里「基础镜像 / 工作区 / 工具包三层独立版本化」的同一思路，只不过对象这次是真机。它对做评测的人还顺手解释了一件事：如果纳管方式和通信路径本身就是变量，那么跑分差异很可能来自管道而不是模型——这也是我们坚持本地与云不混评、同脚本同协议才可比的现实理由。

来源：量子位（9/24）https://www.qbitai.com/2026/09/496767.html ｜一手已核：GitHub API（RLinf/RLark，Apache-2.0，9/24 有提交）https://github.com/RLinf/RLark

⑤ 评测侧两篇新论文：SWE-Flux 用真实执行收答案、最好模型只到 37%；回测审计证明只报召回会被刷爆（arXiv 9/23 提交、9/24 公告）

SWE-Flux（2609.28449）：仓库级动态执行推理基准，跨 12 个真实 Python 仓库、480 道实例，答案由插桩测试真实执行后自动采集（不靠人工写、也不靠 LLM 当裁判），覆盖单测/多测下的控制流、循环、程序状态、数据流、异常与程序不变式；五个模型里最好只有 37% 准确率，且模型在不变式、过程内控制流、异常这类局部行为上表现较好，在数据流、跨过程执行、精确状态推理、套件级聚合上明显吃力；用输入扰动自动生成变体，近 90% 的实例能产出有效新题，且变体更难。Can LLMs Catch a Rigged Backtest?（2609.28090）：96 组配对样本，每个有瑕疵的回测都配一个「只改一个方法细节」的干净对照（策略、日期、代码风格、标签、报告脚手架全固定），用确定性打分器把召回、干净对照误报、证据定位、修复相关性分开计量；某个审计模型代码召回做到 100%，但在开放提示下把 93.8% 的干净对照代码误判为有瑕疵；只报召回时四个模型里三个排名完全相同，改报干净对照误报率，差距拉大到 79 个百分点。

认知价值：两篇合起来是一句可执行的话——考卷要能区分「真会」和「会喊」。前者把答案锚在真实执行上（gold 从插桩测试里收，而不是让模型自己判自己），后半篇则证明只报召回的评测一定被「宁可错杀」的策略刷爆：错杀率才是分水岭。这正是我们自己的口径：评测要同时报假阳性和假阴性、本地与云不混评、不同 serving 栈不混评。对读者也是一条实用提醒：以后看到「某基准 X% 第一」，先问一句干净对照是多少。

来源：arXiv 官方 API 直查（9/24，两篇均 9/23 提交）：2609.28449 SWE-Flux https://arxiv.org/abs/2609.28449 ｜2609.28090 Can LLMs Catch a Rigged Backtest? https://arxiv.org/abs/2609.28090