控制权外移：ServiceNow 工作流进 ChatGPT、Nemotron 3.5 Transcribe 开放微调、GEPA-Curator 筛选学习信号、扩散智能体自定算力边界
本期四条动态：OpenAI 与 ServiceNow 扩大合作把动作权限交给企业既有配置；NVIDIA Nemotron 3.5 Transcribe 与 Granary v2 把适配权交给部署方；GEPA-Curator 在反思式提示优化前筛掉噪声失败；Metacognitive Decoding 用外挂控制器决定扩散智能体算到哪里停。
四件事指向同一个方向：模型该做什么、算到哪里、向谁学、输出成什么样，正在从权重内部搬到一层可插拔的外部控制器手上。
1. ServiceNow 工作流接进 ChatGPT：能做什么由企业既有权限决定
事件概述
10 月 28 日，OpenAI 宣布与 ServiceNow 扩大合作，把 ServiceNow 的业务上下文与工作流动作直接搬进 ChatGPT。IT 人员在 ChatGPT 里就能检索相似故障单、评估变更风险、更新 ServiceNow 记录，不必在两套系统之间来回切换。这轮扩展建立在双方 1 月已公布的合作之上。
技术解析
关键设计是把「可执行动作」的判定权留在 ServiceNow 侧。客户连接自己的 ServiceNow 实例后自行选择开放哪些能力，ServiceNow 的 Action Fabric 负责套用企业现有的业务规则与权限配置——ChatGPT 拿到的是一份经过该企业权限过滤后的动作清单，而非模型的自由发挥。
ServiceNow 还在预览更复杂的交互：值班工程师可以在 ChatGPT 内查看关联的监控告警、近期变更和受影响服务，然后直接分派团队并推进修复。
三个新方向同步展开：应用开发（Codex 接入 AI Workflow Factory，模型驱动 Build Agent 与 Autonomous Engineer）、网络安全（结合 OpenAI 的安全能力与 ServiceNow 的资产、身份、业务上下文）、语音（在 Super Intelligence Control Tower 中用口述方式填报 AI 用例评估字段）。ServiceNow 计划向全体员工开放 ChatGPT Work 与 Codex。
时间点写得很具体：ServiceNow MCP 插件已在 OpenAI marketplace 上线，增强能力预计 2026 年底；语音能力 2027 年第一季度；安全能力 2027 年 1 月进入 early access、第二季度 GA；Codex 进 AI Workflow Factory 要等到 2027 年。
行业影响
大部分企业 AI 落地卡在权限与审计，而非模型能力。把动作判定权交给既有 ITSM 系统的规则引擎，等于承认一件事：模型的价值在于推理，边界由业务系统划定。对 OpenAI 而言，这是把 ChatGPT 从对话框推进工单系统的通道；对 ServiceNow 而言，是把自己的权限层变成任何模型进入企业时的必经关卡。二者的分工值得关注——谁掌握动作清单，谁就掌握了分发入口。
相关链接
2. NVIDIA Nemotron 3.5 Transcribe：一个检查点覆盖转录、说话人归属、翻译与问答，并开放微调配方
事件概述
10 月 28 日，NVIDIA 在 Hugging Face 与 ModelScope 发布 Nemotron 3.5 Transcribe（开放权重、可提示）与 Granary v2 数据管线及微调配方。模型把转录、说话人归属（diarization）、翻译、音频问答合并进同一个检查点：转录覆盖 40 种语言，其中 31 种可与英语互译，13 种支持说话人归属，单条录音最长一小时，最多标注 8 位说话人。
技术解析
架构上，语音编码器配一个混合 Mamba–Transformer 的 MoE 语言模型，30B 总参数里每 token 只激活约 4B。说话人线索通过 Sortformer 与声学特征一起进入语言模型，于是「谁说的」在生成过程中就被打上标记，不必等后续步骤再把说话人贴回词上。
榜单成绩：Hugging Face Open ASR Leaderboard 英语赛道 5.33% 平均 WER，开放权重模型第一；多语言赛道跨七种语言 4.62%；长音频赛道 10.98%。Artificial Analysis 的 AA-WER 为 2.8%，与开放权重模型并列第一，而对比对象激活参数 24B。在占 AA-WER 指数一半的 AA-AgentTalk 上为 1.8%，次优开放权重模型 2.3%。说话人归属方面，David AI 的 21 语言 diarization 赛道 DER 18.26%，是 14 个系统中最低（NVIDIA 自家 Nemotron 3 Diarization 为 18.38%）；VoiceArena 的 14 系统比较中 cpWER 32.4% 最低，删词率 8.32%，中位数约 31%。
通用权重解决不了专业词表，Granary v2 就把控制权交到使用者手里。医疗场景的对照实验把基准按说话人拆成 855 条调优片段与 2,764 条留出片段，留出片段每个最终系统只解码一次：留出说话人上 WER 从最佳提示的 22.44% 降到 12.17%，相对降幅 45.8%；关键词 WER 9.2%→6.5%，语义 WER 10.0%→7.6%。这个成绩优于一个开放的医疗专用模型（13.79%）和一个常用通用 ASR（14.92%）。
代价也写明了：通用英语 LibriSpeech test-clean 的 WER 从 1.54% 微升到 1.69%；品牌药名与诊断名的精确匹配上，医疗专用模型仍然领先。NVIDIA 给出的建议是至少保留 100 条真实标注片段用于检查点选择，并把实体类型的评测与通用语音保持率放在一起看。
行业影响
「一个模型 + 一份数据管线 + 一套微调配方」的发布形态，把适配环节从厂商侧移到了部署侧。吞吐数据也在往边缘推：用即将发布的 NVFP4 量化版本，单张 RTX PRO 6000 Blackwell Server Edition 处理 100 小时音频不到三分钟（30 秒片段、高并发下测得）。需要留意的是它面向录音而非实时流，实时场景目前不在覆盖范围。
相关链接
3. GEPA-Curator：自我改进的第一步是筛掉不该学的失败
事件概述
arXiv 2610.37651（v1 2026 年 10 月 27 日），来自 UC Berkeley、ICSI、LBNL、Furiosa AI 与 KAIST，作者包括 Matei Zaharia、Michael W. Mahoney、Kurt Keutzer、Sehoon Kim 与 Amir Gholami。论文针对反思式提示优化器（GEPA）提出一个前置筛选层：不是所有失败轨迹都值得学。
技术解析
多轮智能体任务里，一次失败可能来自提示写得不好，也可能来自工具不可用、harness 限制、执行随机性或评审模型打分的噪声。反思器很难分辨，容易把外部因素误判成提示缺陷，写出有害的修改。GEPA 用留出验证集在变异之后做门禁，论文指出这道门禁只作用于「已经生成的变异」，且聚合分数本身带有随机性，坏变异可能通过、好变异可能被拒。
GEPA-Curator 作为跑在优化器之上的 harness 加了两件事。任务策展（task curation）在抽样 minibatch 时主动剔除可能提供噪声信号的任务；既往成功检索（prior success retrieval）把该任务历史上成功的轨迹挑出来，作为上下文一起交给反思器。
先行动机实验说明了问题的严重性：把「可优化」任务分别与「简单」「不可能」「不稳定」任务混合，与简单任务混合时 GEPA 接近满分，与后两者混合时峰值只到 16 题中的 12 题。在一个含 48 简单 / 54 可优化 / 45 不可能 / 21 不稳定任务的构造集上（表 4），GEPA 66.2%、纯数值课程学习 62.5%、只加任务策展 67.4%、完整 GEPA-Curator 70.2%——只看成败历史的课程学习反而拖了后腿。
在 GoBrowse/WebArena 四个站点上（Gemini 3.1 Pro 作优化器）：种子提示 72.4%、GEPA 78.7%、GEPA-Curator 82.1%，站点级增益 1.6–7.4 个百分点，聚合差 3.4%，相当于把 GEPA 相对种子的改进放大到 1.54 倍。换成 Claude Opus 5：种子 73.1%、GEPA 79.5%，聚合差 5.0%，放大到 1.78 倍。ALFWorld / AppWorld Test-N / Test-C / τ-bench 上，Gemini 3.1 Pro 设定下相对 GEPA 平均 +14.3%、相对 ACE +5.0%，ALFWorld 91.8% 对 GEPA 82.4%、ACE 90.1%；Opus 5 设定下相对 GEPA 平均 +8.1%、相对 ACE +12.6%。摘要给出的最高增益为对 GEPA +20.7%、对 ACE +21.2%。
成本方面（表 8）：WebArena 四个站点 GEPA 优化花费 594.05 美元、准确率 78.7%，Efficient GEPA-Curator 为 776.88 美元、82.3%，成本 1.31 倍换来 +3.6 个百分点；非 WebArena 三项上 GEPA 132.65 美元 / 55.9%，ACE 768.69 美元 / 65.2%，GEPA-Curator 173.98 美元 / 74.4%。效率优化版在多数基准上保持了可比表现。
行业影响
递归自我改进要落地，先得解决「向什么样的经验学习」。把筛选层放在优化器之外，意味着自我改进系统也可以被审计—— curator 判了哪些任务不可用、为什么，都留下了可查的记录。这比只调反思器更贴近工程现实：真实环境里的任务本来就有歧义、有坏掉的执行器、有抽风的评审。
相关链接
4. Metacognitive Decoding：给扩散智能体装一个决定「算到哪停」的控制器
事件概述
arXiv 2610.37642（v1 2026 年 10 月 27 日），罗格斯大学团队（Zhenting Wang、Dimitris N. Metaxas 等）联合 UNC 与 Amazon。论文指出扩散语言模型在智能体场景下的两类浪费，并给出一个轻量控制器。
技术解析
扩散模型按固定大小的块处理 token，而智能体的执行边界是硬的：工具调用一生成，就必须停下来等环境返回。块内剩下的位置照算不误，算完直接被丢弃。另一类浪费是块内混合了高度可预测的格式化内容（API 模板）与复杂推理，统一处理要么在简单 token 上多花算力，要么把复杂 token 过早定稿。
控制器是一个两层 Transformer encoder，在 8 张 A100 上按阶段训练 40 轮，接在 LLaDA-8B-Instruct 的块扩散骨架之外，用级联策略管两件事：confidence alignment 决定哪些 token 可以成批定稿并逐 token 调整接受阈值；flux decoding 动态收缩活跃的生成窗口，需要更多空间时再扩回来。
五个基准为 BFCL v3（live / non-live）与 HotpotQA、2WikiMultiHopQA、MuSiQue（各采样 1,000 题）。相对于同权重、同推理设置、只去掉控制器的 LLaDA-8B (SFT)，FLOPs 下降 24.6%–43.1%，四个基准准确率上升、MuSiQue 持平。相对 Fast-dLLM，FLOPs 下降 56.6%–77.2%，BFCL non-live 与 live 准确率还分别高出 12.81 和 13.50 个百分点。对上 16B MoE 的 LLaDA2.0-mini，四个基准准确率更高、五个基准 FLOPs 全降，在 LLaDA2.0-mini 更准的 BFCL non-live 上仍降 11.4%。相对 DLLM-Searcher，三个多跳基准准确率 +9.50 / +17.50 / +2.50 个百分点，FLOPs 降 88.3%–89.7%。
消融（表 2）显示两个策略各有用处：单独去掉 flux，五个基准 FLOPs 平均涨 24.5%；单独去掉 confidence alignment，平均涨 16.3%，准确率变化都不大。换骨架也成立（表 3）：Dream-7B 上 HotpotQA / 2Wiki / MuSiQue 的 FLOPs 分别降 52.9% / 58.0% / 67.5%，代价是 2Wiki 准确率 −0.60、MuSiQue −2.20 个百分点。案例里最后一个工具调用块只保留 48 个位置中的 13 个，活跃范围压缩 72.9%，整轮交互 82.11×10¹² FLOPs 对 108.44×10¹²，降 24.3%。
需要提醒口径：摘要写的是「相对最高效基线平均降 20.6%」，正文各对比给出的数字更大（对 Fast-dLLM 为 56.6%–77.2%），两者基线不同，引用时必须写明对谁。
行业影响
扩散语言模型进智能体的好处是并行解码，坏处是块与执行边界对不齐。用一个外挂的小控制器去对齐，比改骨架便宜得多，也不用重训主模型。局限也写在论文里：如何让控制器跟上不断演进的扩散模型，还没解决。
相关链接
本期小结
四条动线的落点各不相同——动作权限交给业务系统（ServiceNow）、输出形式交给部署方（Nemotron + Granary v2）、学习材料交给筛选层（GEPA-Curator）、算力边界交给外挂控制器（Metacognitive Decoding）。共同点是：决定权正从权重内部搬到一层可插拔、可审计、可替换的外部结构上。模型负责推理，边界由外部给出——这个分工在 10 月 28 日这一天被四条独立消息同时印证。