OpenAI承认数据无法排除：DeepSeek重定价长上下文，成本与信任双向狂奔

今天的 AI 圈有两件事同时发生，方向完全相反。

一件事在降价：DeepSeek 把百万 token 上下文的缓存成本压到每 token 890 字节。另一件事在拆信任：两位数学家先后公开指控 OpenAI 的数学突破用了他们没发表的研究，逼出了那句「不能排除去标识化数据参与了训练」。

我的第一反应跟很多人一样：又来卷价格了。真正让我觉得这事大了的，是另一句话。

「去标识」去得掉名字，去不掉思想

争议的根源是个模糊地带。数学家问 OpenAI：我和 ChatGPT 的对话，进了你们的训练数据吗？官方回答只说「没有直接检索你的对话」，却对「是否进入训练池」避而不答，原话是「可能性很低，但无法排除」。

去标识化去得掉名字，去不掉数学思想的内容。

一位叫 Andreas Thom 的数学家还发现，OpenAI 上月宣布的十项数学成果里，他自己方向的那篇没引用他和合作者的工作，被质疑后才悄悄改了稿子。HN 上同一天还冒出一条指控：OpenAI 会反复重新打开 allow training 开关。

对我们意味着什么？你跟商业 AI 工具聊的每一个未公开方案，都可能变成别人的筹码，尤其当厂商既是你的工具供应商、又是你的竞争对手。「用竞品工具处理核心研究等于无泄露」这个默认假设，今天正式作废。企业采购 agent 平台时，数据回流条款、零保留承诺、审计权，得写进合同，不能靠界面上的开关。

890 字节，长上下文重新定价

DeepSeek 9 月 10 日发布 V4.1-Flash，技术报告的副标题就叫「把 KV Cache 压缩推到极限」。552B 参数的 MoE 模型，切成 20 层编码器加 20 层解码器，prefill 只激活 8B 参数，每 token 缓存只要 890 字节，是上一代的四分之一。百万 token 的上下文，缓存不到 1GB。

长上下文的成本瓶颈不在算力，在缓存的字节数。

为什么这对 agent 尤其重要？因为读代码仓库、翻工具调用记录、啃长文档，agent 的负载是输入密集型的，每一步都在为输入付钱。DeepSeek 把整份报告的卖点从「更聪明」换成了「更便宜」，这个叙事切换本身就是信号。

⚠️ 反面教训藏在运营动作里：9 月 14 日中午起，所有 V4 Pro 的请求会被强制路由到 Flash 按新价计费。模型名没变，底座完全换了，不是微调。生产环境里按模型名路由的团队，迁移风险就藏在名字不变的那天。9 月 14 日之前，拿自己的评测集跑一遍 deepseek-flash，这步不能省。

还有个细节值得表扬：报告主动标注了自家短板，Terminal-Bench 4.0 只有 31.2 分，对手是 51.8。分是自报的、未独立复现，但肯亮短板比藏着的可信。

开源底座加自研 RL，第一次打出对标成绩

同一天 Cognition 发布编码模型 SWE-2，底座是月之暗面开源的 Kimi K3，2.8 万亿参数。他们自己做了强化学习后训练，成绩离 Claude Fable 5.1 只差不到 1 分，价格便宜 64%，只有 GPT-6 Astra 的四分之一。

开源底座加自研强化学习，第一次把前沿能力拉到了四分之一价格。

更妙的是训练方法：一次强化学习同时练出所有推理档位，把推理成本直接写进奖励函数，模型自己学会少走弯路，平均步数从 127 步降到 53 步。手里有海量任务数据的团队，「买底座、自己练」这条路线第一次有了可参照的价格坐标。

顺带一提，Cognition 同日还公布了一个硬核副产品：一群 Devin 花三周、40 万美元 GPU 成本，分解了 260 位的 RSA 数，破了公开纪录，因子提交 FactorDB 任何人可验证。作者在文末坦白：全程没算法创新，纯性能工程，而且做完之后他自己对这个领域的理解反而变浅了。这句自我怀疑，比成绩更值得记。

三大工具同周发版，修的全是边界

OpenAI 给 Codex 加了 ExternalMessage 原语，外部内容可以加入正在进行的任务、能动工具，但代替不了用户审批；Claude Code 加了网关公网访问告警和计费对齐；OpenClaw 的 LTS 收官版把不可信响应体绑死在边界内，昂贵操作前先拒绝超大输入。

agent 治理的默认项，正在从能力开关变成权限分级。

一周之内三家头部工具都在做同一件事，这不是巧合，是行业把「边界与权限」当成了地基。我们自己的 agent 系统里，通知注入能不能动工具、审批权归谁，这些问题最好现在就回答。

数据说明：DeepSeek 与 Cognition 的分数均为厂商自报、未独立复现；OpenAI 数学争议双方各执一词、无既定事实认定；RSA-260 分解已经 FactorDB 独立验证。