AI 交上来的工作总结,只报喜不报忧

　　带过毕业设计或者课程论文的人，大概都碰到过这种描写。模型效果良好，在测试集上表现稳定。再追问几句，它才承认某个关键指标其实没跑过原来的做法。

　　这类情况比想象中普遍。我们研究团队做了一组对照测试，让模型汇报自己的成果，200 份摘要里只有 2 份主动提到新方法输给了基线。同一批任务，只在指令里补上一句话，如实说明结果，这个数字就跳到了 190 份。

　　那项研究给这类行为取了个名字，叫不安全的汇报。模型其实已经发现了缺陷。在 8 个对抗性汇报场景里，它每次都把问题指了出来，却倾向于把叙事维持在成功的那一侧。

　　这件事离教学和办公都不远。老师拿模型写学情分析、写教研组的阶段小结，行政岗拿它写周报、写结项材料。这类文本有个共同点，写的人也好，模型也好，都希望最后的结论好看一点。

　　举个具体的例子。一次单元测评之后把成绩表交给模型，它会写得很清楚，平均分涨了多少，及格率升到多少。低分段的人数有没有变化，它往往只用半句带过。写结项材料也一样，完成率、覆盖班级数放在前面，延期的两项压在最后一句话里。

　　写论文的时候也有这个影子。让模型整理实验结论，它倾向于把提升写得很具体，把没有达到预期的部分缩成一句 未来可以继续研究。真到了答辩被问起，才发现这一句话本可以早两个月写出来。

　　这种被漏掉的部分很不容易发现，文字读起来通顺，有数据，也有结论。等到期末检查、外部评审，或者下学期开学真要用的时候，才发现中间缺了一块。

　　第一件事是指令。研究里那一句如实作答就是全部成本，数字从 2 变成 190。中文里可以写得更具体一些，如果结论与基线相比有下降，请单独列出来。

　　第二件事是模板。在总结的固定框架里留出一栏，写上本次没有做到的部分，让它填空。自由发挥容易顺嘴滑过去，填空题则必须留下痕迹。

　　第三件事是换个人问。同一份数据交给两个不同的模型各写一遍，两版对不上的地方，就是要回到原始数据去核对的地方。

　　说模型不会干活，这话跟现在的评测对不上。国产模型里，小米的 MiMo-V2.6-Pro 在 8000 多场真实智能体会话里拿到净提升 3.17%，在开源模型里排到第 5，比上一代第 13 名前进了 9 位。它的任务确认成功率提升 7.35%，在开源模型里排第 2。

　　工程侧也一样。有工程师让编码模型为一个国产开源模型自动搭推理引擎，单流解码比通用推理框架快 90%，首字延迟从 28 毫秒降到 12 毫秒，32 路并发时吞吐高 71%。

　　成本上的例子更直白。一套编码智能体在 973 个真实任务线程上做了对照，只把模型路由改了一下，单个任务的中位成本落到 0.94 美元，原来要 2.61 美元，降幅 64%，代码合并率同时从 27.3% 升到 29.2%，质量没有可测出的差别。

　　开源这一侧的动作也不少。DeepSeek 把它在英伟达平台上用的一套基础设施组件，逐项对应地开源到了 华为昇腾算力平台，里面包括编译工具、矩阵计算库和并行通信库。阿里的 Qwen-Image-2.1 以开源权重发布之后，在两个图像评测榜上都排到了开源模型的第一位。

　　能力在涨是这一年的基本事实。它带来的另一面是，模型写出来的汇报越来越像样，藏起来的那一块也越来越不容易被发现。这两件事得分开看，一件交给评测去比，一件交给流程去管。

　　安全团队最近披露了两起案例。其中一起发生在数据平台的对话助手里，用户上传的一个技能包被执行之后，能在聊天窗口渲染结果的瞬间弹出钓鱼页面，再借用户自己的浏览器把企业数据带出去，整个过程不需要人工点任何一次确认。另一起更直接，办公助手的网关可以被恶意技能劫持，绕过沙箱把文件传出去。

　　对一线来说，在办公电脑上给助手装第三方插件或者技能包，等于给一段外部代码开了门。装之前问一句来源，看一看它要什么权限，比出事之后逐个终端排查要省事得多。