本文研究窗口為 2026-08-17 至 2026-08-23（Asia/Taipei）。W34 最值得注意的不是又多一個聊天入口，而是前沿模型、長任務 harness 與商業智能體都開始逼迫團隊回答同一題：權限、監控與停止機制究竟放在哪一層？

OpenAI 把開發速度納入安全控制

OpenAI 在 8 月 18 日說明，因內部模型 Astra 可能觸及 Preparedness Framework 的 Critical cyber 門檻，加上 OpenAI–Hugging Face 事件，曾暫停最新模型的 RL 訓練兩週，最大型 frontier RL run 仍在等待更強隔離與評測。其新監控鏈會檢查 tool action、reasoning 與完整活動序列，官方估計監控約增加 20% inference compute。這個訊號的實務含義是：高能力 Agent 的成本模型必須包含 sandbox、網路隔離、稽核與人工停止，而不只是 token。官方說明

NVIDIA AVO：harness 能把同一模型推到另一個能力級別

NVIDIA 的 Agentic Variation Operators（AVO）在 ARC-AGI-3 公開集完成 25 個環境、183 個關卡，RHAE 得分 100；官方也報告其 GPU kernel loop 探索逾 500 個方向、提交 40 個版本。關鍵不是把公開集滿分直接等同通用智慧，而是 AVO 以 persistent memory、supervision、tool use 與恢復迴路，將 Claude Opus 5 的 30% baseline 提升成完整系統的 100%。模型比較若忽略 harness，已不足以預測長任務結果。NVIDIA 技術文

同日 NVIDIA 也主張權威 policy 應放在 Agent 無法自行修改的 secure runtime／infrastructure 層，搭配 least privilege、just-in-time access 與完整 audit。安全架構

中國市場把 Agent 推進交易與生活服務

支付寶發布智能體商業底座的訊號，顯示中國產品線正把 Agent 從內容生成推向服務搜尋、交易與履約。這類部署比一般助理更需要身分、付款確認、撤銷、商家責任與風險分級。由於本週可得資訊以新聞線索為主，本文不把「國內首個」等市場宣稱視為獨立驗證；應持續追蹤支付寶官方渠道的 API、責任邊界與實際商家案例。

本週判斷

能力提升與治理不是兩條 roadmap。當 harness 能顯著放大模型能力，安全控制就不能只依賴 system prompt；它必須成為 runtime、網路、憑證與人工中止流程的一部分。採購或上線前，應用相同模型在真實 harness、權限與成本預算下做任務級評測。

Watchlist

• OpenAI 是否發布承諾中的事件技術報告，以及最大 frontier RL run 的恢復條件。
• AVO 在 ARC-AGI-3 私有／新環境、其他模型與固定成本下能否重現。
• 支付寶商業智能體是否公布付款確認、爭議處理、資料使用與商家成效。
• secure runtime 是否形成可跨 harness 使用的 policy、identity 與 audit 標準。