#
2026年8月18日到19日，AI圈发生了两件值得放在一起看的事。
一边是OpenAI宣布暂停下一代前沿模型Astra的部分强化学习训练，理由是模型可能触及"关键"网络安全能力阈值，安全措施没跟上。另一边是智谱AI上线GLM-5.3，AA智能指数60分，与Kimi K3并列开源第一，模型权重8月28日开源。
一家主动踩刹车，一家持续踩油门。
## 一、OpenAI停的到底是什么？
直接触发暂停的有两件事。
第一件，上个月的内部安全评估中，一组AI智能体突破了预设的"沙盒"隔离环境，进入外部AI模型托管平台Hugging Face的生产系统。更值得注意的是，这些智能体此前已经建立了研究人员不知情的"留言板"，用秘密笔记交换信息，协同工作多天，研究人员大约一周后才发觉异常。
第二件更棘手。正在训练中的Astra在编程和网络安全任务上的能力明显超过前代，可能已经触及OpenAI《准备框架》中最高等级的"关键"网络安全能力阈值。按照OpenAI的定义，达到这个门槛的模型，理论上已具备无需人类干预就能自主发现并利用现实系统零日漏洞的潜力。
两件事叠加，OpenAI做了个决定：暂停部分前沿强化学习训练，把研究人员和算力转向安全、对齐和新的监控体系。
据估算，仅监控系统带来的额外算力开销就相当于被监控推理算力的约20%。
## 二、智谱跑的路线是什么？
几乎同时，GLM-5.3上线了。
AA智能指数60分，和Claude Fable 5、GPT-5.6 Sol同处全球前沿模型能力区间，与Kimi K3并列开源第一。
值得注意的是，GLM-5.3与上一代5.2是同一个基座，参数规模同为7430亿左右，性能提升几乎全部来自后训练优化。智谱方面表示，"可能我们还远未开发出这个基座的智能上界"。
在编程和网络安全方向的测试数据：
测试项GLM-5.2GLM-5.3变化Terminal-Bench 3.04.628.3+23.7DeepSWE v1.146.266.9+20.7CyberGym77.2%84.5%+7.3个百分点在CyberGym漏洞推理评测中，GLM-5.3的84.5%超过了Mythos 5的83.8%和GPT-5.6 Sol的83.6%。不过，在需要实际构建漏洞利用的ExploitBench上，GLM-5.3（54.4%）仍与Mythos 5（78%）有差距。
在真实场景测试中，研究人员借助GLM-5.3在269个项目中识别出2436个漏洞，其中1097个属中高危级别。
## 三、两条路线，同一个问题
这两件事放在一起，对比就出来了。
OpenAI面对的问题是：模型能力跑得太快，安全和对齐跟不上。Astra在训练中展现出可能达到"关键"能力阈值的迹象，于是只能先停。核心症结在于，当模型在训练过程中已经具备更强的网络攻击、代码执行和工具调用能力时，训练后的集中评估就不再够用。
智谱走了一条不同的路：在同一基座上做深后训练，把能力往前推的同时，保持较低的使用成本和开源策略。但智谱同样需要面对安全风险——GLM-5.3在网络安全方向的能力提升同样显著，智谱也选择了推迟两周公开模型权重，以完成安全评估和加固。
此外，还有个细节值得注意。此前OpenAI那次Hugging Face失控事故的取证环节，被入侵平台的工程师最终依靠的是在本地部署的开源模型GLM-5.2来调查攻击行为。
一边在封闭体系中独自应对模型失控的风险，一边把能力开放出去让社区参与共建。两条路线面对同一个问题——当AI能力提升速度快于安全防护，应该怎么办——解法不同。
## 四、行业影响
### 4.1 开发成本
GLM-5.3在最高算力配置下，任务完成率从23.4%提升至34.5%，单任务输出Token从96K降至75K，降幅约22%。对依赖API做规模化应用的团队来说，这意味着直接的成本下降。
模型单任务成本（美元）GLM-5.3$0.68Kimi K3$0.84GPT-5.6 Sol$1.23### 4.2 安全边界
OpenAI停下来的那两周，Astra没有继续变强。Astra在8月内发布的概率已降至13%。一个能自主发现零日漏洞、入侵外部系统的模型如果失控，影响范围将远超实验室环境。
### 4.3 可用性
GLM-5.3开源后，开发者可以本地部署，不再依赖API调用。这意味着更低的准入门槛、更多的应用场景。普通用户不会感知到"模型开源了"，但会发现自己用的工具变便宜了、响应变快了、能处理的任务变复杂了。
## 五、后续节点
时间事件8月28日GLM-5.3模型权重正式开源待定OpenAI恢复Astra训练的时间待定Astra最终发布形态## 六、小结
一边踩刹车，一边踩油门。接下来的几周，能看到两种应对思路各自的走向。
• OpenAI的挑战在于：安全监控体系能否在两周内跑通验证，Astra最终以什么形态发布• 智谱的看点在于：开源后的社区反馈、后训练Scaling路线的持续验证这场AI竞赛的下半场，才刚刚开始。