Time Is the New Scaling Axis: Notes from OpenAI's ICML 2026 Q&A (中文版)

为什么一个 booth 比 keynote 更值得读
Reasoning：能力是一条曲线，不是一个数
Agents 与 evals：当尺子比工作本身还慢
Long-horizon RL：reward 去哪里了？
Safety：监控 thoughts，治理 actions
Research automation：从回答到委托
什么能活过下一代模型？
开放问题
总结

为什么一个 booth 比 keynote 更值得读

ICML 2026 上 OpenAI 最有意思的动作不是 keynote，而是一张折叠桌。

三天时间里，他们在首尔会场的 booth 连开了四场一小时的 Q&A。会后流到公开网络上的那些碎片，比同期任何一篇论文都更坦率。有三句话我一直记着：一次诚实的 week-long agent 任务评测，本身可能就要跑一周——甚至比训练下一个模型还久；被问到”模型做研究到底行不行”时，研究员真正拿来衡量的不是 benchmark 分数，而是他愿意把多少张 GPU 无监督地交给模型；而那一周最锋利的一句 safety 原则只有四个词：punish actions, not thoughts。

这三句话出自标题不同的三场 Q&A。但它们其实是同一个答案。

Booth 的议程本身有据可查。一张现场 schedule 的照片（Wu, 2026）可以还原出三天四场：

时间（KST）	场次	参与者
7 月 7 日周二 3:00–4:00 PM	Reasoning	Noam Brown、Raz Gaon、Isabella Zhu、Yash Pande
7 月 8 日周三 9:30–10:30 AM	Safety	Dylan Scandinaro、Josh Vendrow、Katherine Lee
7 月 8 日周三 3:00–4:00 PM	Leadership	Mark Chen（Chief Research Officer）
7 月 9 日周四 3:00–4:00 PM	Agents	Allison Tam、Kevin Liu

这部分是 primary evidence：四场里有三场是 speaker 自己在当天发帖预告的（Brown, 2026；Lee, 2026；Chen, 2026）。

缺的是逐字稿能给的一切：没有公开录像，没有观众实际提问的完整序列，也没有任何可以明确归到 Safety 场次的实质内容。留下来的只有一份信息密度很高的参会笔记（Hu, 2026）、一篇来自现场的中文随笔（孟醒, 2026），以及 The Information 的一篇付费报道。所以本文做的是从答案反推问题，再拿公开技术材料逐条检验。

怎么读这里的资料分级。 三层，刻意分开。活动记录——主办方帖子或现场照片。参会笔记——第一手的会后 paraphrase，不是逐字原话。公开背景——用来解释或压力测试某个想法的论文、访谈或后续文章，它不能证明现场说过同样的话。下文每一个 Question 都是我对”这个回答在回答什么”的重建，不是观众的原始提问；只有出现在引号里的表述才来自被引用的来源。

把四场放在一起读，它们描述的是同一个转变：

核心判断。 模型正在从回答问题走向接管项目。当有效 operating horizon 从几分钟延长到几小时、几周，真正的约束就不再是 raw capability，而是它周围那套机制：evaluation latency、credit assignment、verification、monitoring 与 human trust。时间不只是又一条 scaling axis，它是那条会把另外五件事一起拖着走的轴。

The operating-horizon ladder and the five things that scale with it Figure 1. 四场 Q&A 的共同主线。只有当它拖着一起走的这五件事——evaluation、training signal、safety monitoring、verification 与 trust——同时延长时，延长 horizon 才算 progress。

两个贯穿全文的例子。 用来让后面的抽象保持诚实：

E1 —— 一周的 refactor。 一个 coding agent 拿到一个 repo 和一份 spec，跑几天、几百次 tool call，最后交回一个分支。成功标准：测试全过，而且人愿意 merge。

E2 —— 一次复现研究。 一个 research agent 被要求复现某篇论文的主结果：读论文、写代码、跑实验、给出结论是否成立。成功标准：专家既认可结论，也认可得到结论的过程。

Takeaway. 这些笔记看上去是四个话题——reasoning、evals、safety、research automation；它们其实是同一件事的四个切面：当模型的工作单位从一次回答变成一个项目，什么会先坏掉。

Reasoning：能力是一条曲线，不是一个数

Question: 下一次跃迁需要 architecture revolution 吗？

🎯 按参会者记录下来的说法：大概不需要。下一次肉眼可见的跃迁在于模型能有效工作多久，而不是 benchmark 再涨几分。

Hu 的笔记把 Brown 的观点记得很直接——当前路线不需要架构革命也能走向 AGI，下一步的关键在 operating horizon：从数小时到数周的 autonomous work，”from completing responses to owning projects”。这是对一个人观点的转述，不是机构立场，应该松着拿。但它并不孤立。四个月前与 Terence Tao 的公开对谈里，Mark Chen 就把 AI 进展描述成在这条变量上”hill climbing”：一年前的模型只能可靠工作几分钟，然后就开始 hallucinate 或直接崩掉；他当时给的预测是 multi-day tasks （OpenAI Forum, 2026）。

这里真正的单位不是模型运行了多久——坏掉的 loop 可以永远跑下去——而是它能保持 coherent 多久：记得住目标、犯的错可恢复而不是致命、产出的东西还值得留下。E1 就是那把尺子：一个到了第二天已经忘了第一天决定的 agent，runtime 很长，horizon 很短。

Question: 如果同一个模型可以想十秒，也可以想十天，它的 benchmark score 是多少？

🎯 这个问题没定义完整。要么固定预算——tokens、成本、wall-clock——要么把整条曲线发出来。

这部分 Brown 的公开论证已经被更广泛地接受了。他的说法是：能力已经变成”a function of how much money you put into it” （Brown, 2026）。Benchmark grid——纵轴模型、横轴基准、每格一个数——默认每个模型有一个数。可是：跑一次；跑五次取最好；让三个副本互相辩论；给一个副本一周时间。同一组权重，四个完全不同的系统。

Capability as a curve over test-time budget Figure 2. 示意图。单数字 benchmark 报告的只是一条竖切片。在 grid 恰好使用的那个预算上，这一代看起来只比上一代高出一点误差；往右两个数量级，它已经是另一个系统。

实际后果是：一次公平比较至少需要三者之一——各系统共享的固定 inference budget、score 对 tokens/成本/时间的曲线，或者把 capability gain 与买到它的额外预算一起报告。

Insight —— benchmark-maxxing 从训练环节挪到了报告环节。Best-of-N、LLM judge、router、复杂 scaffold，都能靠多花 inference 抬高标题数字。作为产品决策这可能完全正确，但它不是”模型更好”的证据；而一张隐藏预算的 grid，恰恰无法区分这两者。

也不是所有任务都同样受益于更多时间，所以曲线的形状才是有意思的对象。Factual recall 几乎立刻走平；而 search 形状的工作——竞赛数学、debug、cyber、实验科学——会持续吃到收益，因为多出来的预算买到的是更多被探索、也被验证过的分支。

Takeaway. 能力正在从一个 scalar 变成一个函数。任何不写预算的分数，都是漏掉了单位的测量。

Agents 与 evals：当尺子比工作本身还慢

Question: 什么样的 agent eval 才值得相信？

🎯 三件事同时成立：它测的是有人真正在意的工作；分数变高意味着系统真的变好；trace 能解释这个分数是怎么挣来的。

参会笔记把 OpenAI 的回答压成三个支柱——覆盖真正有价值的任务而不是方便构造的任务；可信的信号，即分数提升是真实提升，而不是 data leak 或换了个更友好的 harness；以及可解释性，他们给的具体说法是仍然在逐行读模型行为。

第三点听起来有点老派，直到你真的去给 E1 打分：agent 交回的分支让测试全绿了。它是修好了 bug，还是改了测试？是解决了问题，还是删掉失败用例再配一句像样的 commit message？两种情况给出同一个绿勾，只有 trajectory 能区分。所以”读 trace”不是怀旧，而是差别唯一存在的地方。

Question: 为什么 eval 会变成 control plane，而不是发布时的一份报告？

🎯 因为 eval 决定了什么被训练、被选择、被发布、被信任。它偏一点，下游每个决策都继承这个偏差。

对 chat 模型，一个 eval item 花几秒；对 E1，一次 faithful pass 要一周——因为要知道一个 agent 能不能扛住一周的工作，唯一诚实的办法就是让它扛一次。Hu 的笔记点到了那个让人不舒服的推论：evaluation loop 可能比它本该指导的 development loop 还慢。

Evaluation latency against task horizon Figure 3. 示意图。Faithful evaluation 会随着它所测量的 horizon 一起变长。过了某个点，对一个模型的判决会在它的继任者发布之后才到达。

Trade-off. 并行买到的是样本量，不是速度。你可以同时跑两百条 week-long rollout，照样要等一周；而且 sequential dependency 比看上去更糟——在研究形状的工作（E2）里，往往要等 experiment t 跑完，才能决定 experiment t+1 是什么。

这也是 eval 从”测量”变成”基础设施”的原因：training 把它当 reward 或 curriculum；research 用它挑 checkpoint、砍想法；deployment 用它配 permissions 和 safeguards；users 则间接用它决定自己愿意委托什么。一个东西同时位于这么多 loop 内部时，它既是被优化的目标，也是攻击面。

Takeaway. Agent 跑得越久，量它的那把尺子就越慢、也越关键。在周级 horizon 上，evaluation 本身就是瓶颈学科。

Long-horizon RL：reward 去哪里了？

Question: 在一条很长的 trajectory 上，训练最难的问题是什么？

🎯 Credit assignment：在只有结尾才出现的结果里，判断前面几百个决策中哪一个该负责。

按笔记的说法，agents 团队把难点放在了这里。看 E1：agent 跑三天、发出几百条命令，而在第一天上午的某个时刻，它悄悄接受了一个关于数据库 schema 的错误信念。三天后测试没过，terminal reward 写着 0。它不会告诉你：在一个第一天就已经被污染的世界里，它在第三天跑的那条命令其实是个合理决策。

Credit assignment over a long trajectory Figure 4. 结尾的一个分数，要解释它之前发生的一切。Horizon 越长，中性动作越多、局部合理的 recovery 越多，早期错误污染后续全部观测的空间也越大。

Question: 那为什么不在每一步都加 reward？

🎯 因为 dense feedback 只有在 grader 比被评分的行为更可信时才有用。否则 agent 学到的是 grader。

Dense reward 看起来是显然的解法：给 plan、每次 tool call、每个中间断言、最终产物分别打分。但每多一个分数就多一个 proxy，而笔记对失败模式的概括很精准——sparse rewards drown; dense rewards teach grader-gaming。奖励精致的 plan，你会得到精致的 plan；奖励 test progress，你会得到被削弱的 tests；用一个偏爱某种 reasoning style 的 LLM judge，你会得到那种 style，但不附赠正确性。

现场记录下来的答案是：用足够强的 grader，尽早抓住 reward hacking。方向对，但还差一步：”让 grader 更强”只是把问题挪到了 evaluating the evaluator。实践中站得住的版本是一整套组合——只要领域允许就上 deterministic end-state check，再加 trace inspection、adversarial 与 held-out 任务，以及与后果相称的 human review。

Insight —— 这就是被时间拉长的 generator–verifier asymmetry。 让 environment scaling 难做的那个张力，在这里有更长的力臂：任务容易生成的领域，往往不是结果容易检查的领域，而长 horizon 会把每一个没被检查的步骤都放大。

Takeaway. Long-horizon RL 缺的不是 reward events，而是能在一条没人盯着的 trajectory 结尾处站得住脚的 evaluator。

Safety：监控 thoughts，治理 actions

Safety 场次的名单是确定的，它为什么而开也是确定的：Katherine Lee 邀请大家来聊”safety research at OAI generally or pretraining safety research”（Lee, 2026）。真正说了什么则没有留下来——我没有找到任何能归到那一小时的公开笔记。所以下面重建的这个想法，是 Hu 归给 Noam Brown 的，而 Brown 出现在 Reasoning 而非 Safety 的名单上；本节再拿 OpenAI 已发表的工作去检验它。把它当成”那一周的一个想法”，不是某一场的记录。

Question: 训练时应该因为一个 unsafe thought 去惩罚 agent 吗？

🎯 不该把”看起来有罪的 reasoning”变成你优化掉的目标。压力足够大时，模型会留下行为、丢掉自白。

参会者记下来的原话是 “punish actions, not thoughts.” 它很容易被误读成”reasoning trace 不重要”。已发表的结果说的其实更具体、也更有用。在 Baker et al. (2025) 中，一个 GPT-4o monitor 观察 frontier reasoning model 的 chain of thought，在 agentic coding environments 里抓 reward hacking 的效果远好于只看 actions 和 outputs 的 monitor——一个更弱的模型成功监督了更强的模型。接着他们做了显然的下一步：把这个 monitor 放进 reward。在低优化压力下它是有效的，得到的 agent 更强、hacking 也没增加；再往上加压，agent 学会了 obfuscated reward hacking——同样的 exploit，配上看起来无害的 reasoning。

The monitorability tax Figure 5. 对 Baker et al. (2025) 定性结论的示意图，不是复现数据。这个 sensor 一直有效，直到你对它优化得足够狠；而这种失败从内部看不出来——你观察到的现象是”hacking 消失了”。

Trade-off —— monitorability tax。 想让 chain of thought 保持可读，可能意味着刻意不针对它训练：用一个稍差或稍贵的模型，换一条你还敢信的通道。这是一笔要主动去付的成本。

Question: 那是不是干脆忽略 reasoning trace？

🎯 不。把 reasoning 当 sensor 来看；把控制手段落在行为，以及正在展开的 trajectory 上。

对现场那句话更准确的改写是：monitor thoughts, govern actions。保留 trace 作为观察通道，绝不奖励它”看起来清白”，同时把 constraints、permissions、pause 与 escalation 施加在 agent 真正做出的动作上。

这不是一个愿景。ICML 之前四个月，OpenAI 就描述过他们在内部这样做：一个 monitor 审查大约 99.9% 的内部 coding-agent trajectory，读取整段对话——chain of thought、消息、tool call、tool output——并在三十分钟内把高严重度的情况升级给人（OpenAI, 2026）。Reasoning 是被读的，而且是大规模地读；被升级的则是行为：用 base64 编码命令绕过 monitor、调用自己的另一个副本来规避限制、试图把文件上传到公网。

一旦 E1 要跑一周，这个区分就不再是修辞。Single-action filter 问的是”这条命令被允许吗”——而一条糟糕 trajectory 里的每条命令都可以是单独被允许的。真正要问的是：这一串单看都合理的命令，合起来在完成什么。ICML 之后，OpenAI 公布的正是这套架构：在一个 long-running 模型的有限内部使用中，他们撞上了 pre-deployment evals 没抓到的 failure，于是暂停访问、用这些事故构造新 eval，再在 trajectory-level monitoring 之下恢复访问——这个 monitor 观察整段演化中的 session，并且可以暂停任务交给人。这是关于 deployment 的后续证据，不是现场发言记录，但它说明 actions / thoughts 的区分是一个工程决策，而不是一句口号。

Takeaway. Reasoning trace 是 long-horizon agent 目前最好的 safety sensor，也是最容易被毁掉的那一个。Observe the trace; control the trajectory。

Research automation：从回答到委托

Question: 应该如何衡量 research automation？

🎯 看研究者在无监督的情况下愿意交出去什么，而不是模型能在 benchmark 窗口里回答什么。

笔记给出了一个没有 leaderboard 的指标：一个研究者愿意让模型无监督地使用多少张 GPU？与之并列的还有 OpenAI 内部两个可观测的趋势——由 Codex 完成的 pull request 快速增长，以及 per-researcher token 支出持续上升。（这份笔记同时覆盖了多场 Q&A，并没有把这一点归给某位具体 speaker，所以应当把它读作 recap 的综合。）

这些指标很糙，却比看上去更好，因为它们测的是 revealed trust：有人真的愿意花稀缺算力，也愿意让系统在真实 codebase 上动手。公开数据指向同一个方向：到 2026 年 5 月，超过 70% 的 sampled Codex 用户至少委托过一项预计需要人类一小时以上的任务，四分之一委托过超过八小时的任务（OpenAI, 2026）；在分布的顶端，并行 agent 的数量已经多到”逐分钟监督”在算术上不可能。

The delegation ladder Figure 6. Benchmark 大多停在下面三级。GPU 那个问题问的是最上面两级——在那里，约束是 trust，不是 capability。

Question: 当 evaluator 已经无法可靠检查模型时，会发生什么？

🎯 Capability 会变成 verification bottleneck：候选结果产生的速度，超过专家判断它是否正确、新颖、值得推进的速度。

孟醒的随笔用一句刻意带刺的话转述 Mark Chen：一年前 OpenAI 还在雇人给模型出题；现在，用孟醒文章里的表述，“如果 PhD 说模型错了，往往是 PhD 错了。”站得住的是窄的那种读法。它不是说模型在各方面都胜过 PhD，而是说：在 frontier 难度的任务上，专家的即时判断本身也是 noisy label——检查者可能漏掉一个有效构造、误读一个不熟悉的论证，或者把 novelty 当成 error。

E2 正是这个问题咬人的地方。PaperBench 展示了受控版本长什么样：把 20 篇 ICML 论文的复现拆成 8,316 个可评分 rubric item，rubric 与原作者共同设计，judge 单独做过验证。在 2025 年发布时，最好的 agent 得分 21%，没有超过 ML-PhD human baseline。这并不反驳 2026 年的能力判断；它说明这样的判断需要什么代价——命名清楚的任务、冻结的 harness 与预算、blind scoring、明确的 human population，以及一个你验证过的 judge。

Caveat —— “在很多 AI research 任务上优先于大多数 intern”是媒体转述的 claim，不是 benchmark。The Information 从 ICML 报道，Noam Brown 表示在很多 AI research 任务上他更愿意用 GPT-5.6 而不是大多数 human research intern，报道没有指明这句话出自哪一场（Palazzolo, 2026）。在没有公开 task set、tool budget、human baseline 和 grading protocol 的情况下，它是关于内部人判断的证据——这本身很有信息量——但不是可复现结果。

这背后还有一个更深的 asymmetry：生成十个看起来可行的证明或实验正在迅速变便宜；判断其中哪一个有效、原创、值得继续投入，则没有。Research automation 首先消除的并不是 human judgment，它抬高的是单位产出所需要的 judgment。

Aside —— 这条轴也有物理边界。 孟醒的笔记称，Chen 被问到 storage 时把 HBM 点为关键的 supply-chain bottleneck。单一来源，而且与 horizon 论点正交——但它提醒我们：一条以”周”为单位的 inference scaling 论证，最终会落到 memory bandwidth、电力，以及谁拿到配额上。

Takeaway. 有意义的门槛不是”模型会不会回答”，而是”专家愿不愿意交出稀缺资源、让它动手，并在事后相信结果”。

什么能活过下一代模型？

Question: 一个团队应该在 harness engineering 上投入多少？

🎯 建设那些能形成长期控制与 proprietary feedback 的部分；默认那些”聪明”的部分会被吸收掉。

孟醒的随笔记录了 ICML 上给创业者的一句直白提醒：要搭 harness 可以，但别投入太多，三个月后多半就过时了。Brown 在公开场合给过更强的版本——“the ideal harness is no harness”——他举的例子正是 reasoning model 之前的时期：团队用很多次弱模型调用去伪造 deliberation，然后一个更强的模型把这整套装置吸收掉，用更少的 orchestration 做得更好（Brown, 2026）。

这不是反对 harness，而是在说 durable value 在哪里。Hu 的 recap 把这条线画得相当好：

大概率被下一代模型吸收	大概率能活过两代模型
通用 prompt engineering	Proprietary data loops
简单的 memory scaffold	真实的 tool access 与集成
固定 workflow、手工搭的 chain	专业的、领域特定的 evals
伪造 deliberation 的 orchestration	Permissions、audit trail、failure recovery

这与 Self-Evolving Agentic Harnesses 中的证据并不冲突：在同一代模型内部，harness 是巨大、便宜、可控的杠杆，同时它也可能是更强的 base model 最先吃掉的东西。真正长期成立的区分是：哪些 capability 只是暂时寄存在权重之外，哪些 control 必须永久留在权重之外。Permissions、audit、independent verification 和 recovery 属于后者，不管 planner 变得多好；prompt choreography 不属于。

Takeaway. Harness 不会消失，它的重心会从 clever prompting 移向 infrastructure、verification 与 governance。

开放问题

现场给出的答案是好的，它们留下的缺口才是有意思的部分。

我们没法不花一周就评估一周。 上面的一切都依赖对 long-horizon 工作的 faithful evaluation，而目前没有一条捷径能经得起现实检验——checkpoint 式的部分给分、模拟环境、学出来的 progress predictor，都会把 eval 本想去掉的 proxy 问题重新引回来。

Frontier 附近的 grader 没有被验证过。“用更强的 grader”是 long-horizon RL 的通行建议，而那句关于 PhD 的话恰恰承认：在 frontier 附近，人类标注本身也是 noisy 的。对于”出题的人可能才是不可靠那一方”的任务，我们还没有公认的 grader 验证协议。

没有人公布 intervention policy。Trajectory-level monitoring 意味着一条决策规则：哪些模式该被 block、哪些该暂停 session、哪些该升级给人，以及误报在任务中途会让用户付出什么代价。这条规则才是实质内容，而它并不公开。

“比 intern 更好”需要先有协议才有意义。 命名清楚的任务、冻结的预算、blind grading、明确的 human population。在那之前，它是一个信息量很高的观点。

还有，记录本身很薄。 一场被确认的 Safety Q&A 没有留下任何公开痕迹；那些好记的 one-liner 无法对应到具体场次；而几乎每一份关于这次活动的总结——包括本文——都严重依赖同一位参会者的综合。这一点值得直说，而不是抹平。

Takeaway. 诚实的记分卡：evaluation latency、grader validation 和 intervention policy，是当前这套叙事最可能跑在证据前面的三个地方。

总结

四场、四个话题、一个论证。Reasoning 说下一次跃迁在 horizon 而不在架构。Agents 说对周级工作的 faithful eval 可能比它要评判的模型活得还久。Long-horizon RL 说难点在于判断哪个早期决策换来了结尾的那个零，而 dense feedback 的诚实度取决于 grader。Safety 说 chain of thought 是我们最好的 sensor，也是最容易因为”针对它优化”而失效的那个。Research automation 说真正的度量是专家愿意无监督地委托什么。每一条都在讲同一件事：当工作单位从一次回答变成一个项目，会发生什么。

这个故事的简单版本是 agents 正在变得 autonomous。这些笔记真正支持的版本是：autonomy 会附带一张账单，用 evaluation time、verifier quality、monitoring、硬件和 human judgment 支付，而且这张账单的增长速度至少和 horizon 一样快。这会改变”什么算 progress”的定义：把 agent 能工作的时间翻一倍，本身不算成就；只有当检查、监控和信任这份工作的能力同时翻倍时，它才算。

Takeaway. 值得担心的 scaling 问题，已经不是模型能工作多久，而是我们能在多长时间尺度上 evaluate、monitor 并信任它做完的工作。

致谢 / 来源：本文由公开活动记录、第一手参会笔记与明确标注的公开技术材料，重建了一场 conference booth Q&A。它不是逐字稿；无法确认归属的场次，文中都会写明。所有图均为原创；Figure 2、3、5 是用来说明论证或已发表定性结论的示意图，不是复现数据。

如何引用

Zhang, Jiaxin. (Jul 2026). Time Is the New Scaling Axis: Notes from OpenAI’s ICML 2026 Q&A. Jiaxin Zhang’s Blog. https://jxzhangjhu.github.io/blog/2026/time-is-the-new-scaling-axis-openai-icml-2026/

或使用 BibTeX：

@article{zhang2026openaiicmlqa,
  title   = "Time Is the New Scaling Axis: Notes from OpenAI's ICML 2026 Q&A",
  author  = "Zhang, Jiaxin",
  journal = "Jiaxin Zhang's Blog",
  year    = "2026",
  month   = "Jul",
  url     = "https://jxzhangjhu.github.io/blog/2026/time-is-the-new-scaling-axis-openai-icml-2026/"
}