跳到正文
11月19日周四
  1. LessWrong · All Posts31

    GPT-6.2 Astra 在 TASTE 基准上表现低于随机猜测,GPT-6 Astra 与 Fable 5.2 接近随机水平

    GPT-6.2 Astra 在 TASTE 基准测试中同意研究者判断的频率显著低于随机猜测,具体准确率为 35%。 GPT-6 Astra 的准确率为 41%,Fable 5.2 为 53%;鉴于测试包含 92 个配对,这两者均处于 40% 至 60% 的随机猜测预期区间内。 TASTE 基准发布于 2026 年 8 月,旨在评估 AI 模型在安全研究提案选择上与研究人员的共识程度。

  2. OpenAI29

    OpenAI 模型推进芯片设计

    OpenAI 优化了 Jalapeño 芯片电路并改进 RISC-V 核心设计,展示了 GPT-6 Astra 在 AI 辅助芯片设计上的进展。 GPT-6 Astra 直接应用于具体芯片流片与核心架构优化环节,验证了大模型在半导体工程领域的落地能力。 此举标志着 AI 从代码生成向底层硬件设计的延伸,加速芯片研发流程。

11月18日周三
  1. 36氪83

    GPT-6.2 Astra 发布后遭遇大量差评,作者实测认为其被低估

    OpenAI 发布 GPT-6.2 Astra 和 Sol,官方数据显示新模型在编程、科研及 3D 设计领域表现优异且成本显著降低,但首批开发者实测却引发巨大争议。多位开发者如 Theo 等指出其长期任务频繁中断、解释能力差,但作者通过三组 3D 场景实测发现,Astra 的实际表现优于舆论预期,首发后的批评更多被情绪放大。

    推荐理由:开发者实测结果与跑分呈现明显分歧,读者可据此理解新模型在真实长任务中的体验边界与成本逻辑。

  2. Simon Willison82

    GPT-6.2 Astra 和 GPT-6.2 Sol 实测表现

    OpenAI 发布了新模型 GPT-6.2 Astra 和 GPT-6.2 Sol,其中 Astra 定价为 $8/$40 每百万 token,缓存价格大幅降至 $0.40/百万。实测中,GPT-6.2 Astra 在长任务中可能会随机询问用户无法理解的内部实现细节,且部分任务表现不及 Claude Fable 5.2。

11月17日周二
  1. 量子位70

    中关村两院开源材料研发智能体系统MatOS

    北京中关村学院、中关村人工智能研究院开源了材料研发科研智能体系统MatOS,其资产库包含3,135个数据集、386项技能和48款材料计算软件。在材料软件使用基准MatTools上,MatOS的完整问题成功率为97.96%,高于采用相同底座模型的Codex CLI和Claude Code;在端到端自主科研基准上,MatOS平均得分比Codex CLI高33.6%。

    推荐理由:中关村两院开源面向材料研发的科研智能体系统MatOS,其在多项基准与案例中的任务成功率超过同类通用工具。

  2. LessWrong · All Posts47

    Opus 5.5 预测:通往 AI 协议之路

    作者让 Opus 5.5 撰写关于 2030 年底前美中 AI 协议概率的预测分析。 该分析由 Opus 5.5 独立完成,作者仅通过具体建议进行指导,且不完全同意模型的所有建模决策。 作者建议读者阅读该文章,并指出这是 Opus 5.5 能力下限的展示。

11月16日周一
11月15日周日
11月14日周六
  1. 36氪67

    MiniMax H3-Image实测:狂卷字节、OpenAI,生图速度最快但复杂任务仍翻车

    MiniMax于11月10日开放H3-Image模型权重,主打10秒出图且价格仅为同档主流工具的50%-70%,与同期发布的OpenAI GPT Image 2.6和字节Seedream 5.5展开竞争。

    推荐理由:文章通过实测对比三家生图模型的速度与画质,指出MiniMax在低价开源策略上寻找突破,但能否解决复杂任务一次改对仍是关键。

11月13日周五
11月11日周三
11月10日周二
11月9日周一
  1. 36氪85

    GPT-6.2 Sol 灰度上线,Artificial Analysis 60 分压过 Opus 5.5

    GPT-6.2 Sol 已进入 ChatGPT 灰度路由,官方 OpenAI Dev 账号发布视频标题 Tomorrow。Artificial Analysis 智能指数中 GPT-6.2 Sol(Max)得 60 分,平均任务耗时 18.7 分钟,单任务成本 1.19 美元,优于 Opus 5.5。

    推荐理由:原文给出灰度路由、Artificial Analysis 60 分与 18.7 分钟耗时、1.19 美元成本,可据此判断 GPT-6.2 Sol 的位置。

11月6日周五
  1. Latent Space85

    Thinking Machines 发布 Inkling 2 Small 模型

    Thinking Machines 发布 Inkling 2 Small,这是一款 594B 总参数量 / 17B 激活量的多模态 MoE 模型,采用 NVFP4 原生精度在 GB300 集群上耗时 68 小时完成预训练。

    推荐理由:原文给出训练参数与评测结果,读者可据此判断该模型对西方开源生态与微调工作流的影响。

  2. 量子位70

    360 图龙锋在 CyberGym 基准以 99.4% 漏洞复现率登顶全球第一

    360 自研 AI 安全系统图龙锋在 CyberGym 榜单上以 99.4% 的漏洞复现成功率创下单项最高纪录。该系统基于 360 团队二十余年的安全专家经验和过程数据训练,通过“安全领域大模型+专业智能体蜂群”架构实现自动化漏洞挖掘。自今年 6 月发布以来,图龙锋累计发现漏洞超 1.5 万个,并成为全国唯一通过中国信通院首批“漏洞挖掘智能体能力评估”的产品。

    推荐理由:360 图龙锋系统在 CyberGym 基准取得 99.4% 成功率,展示了将专家经验转化为 AI 能力的具体路径。

11月4日周三
11月3日周二
  1. Hacker News AI92

    OpenAI 722项数学成果引发学界热议,Gil Kalai 详述其中 26 项结果

    OpenAI 已发布由其内部模型生成的722份数学手稿,分为372个主题簇。Gil Kalai 博客更新梳理了其中26项结果与其过往文章的关联,涵盖 Mahler 猜想、平面色数、Kakeya 问题、Erdős 算术级数猜想等经典难题,部分结果如 Unique Games 猜想已获证明。他提醒学界,这些结果目前仍处于不同验证阶段,需数学家在未来数月的消化与检验。

11月2日周一
  1. Hacker News AI86

    Avartha 发布 Ava Zero 1:开源权重语音智能体在任务完成率上领先 OpenAI、Google 和 xAI

    Avartha 发布名为 Ava Zero 1 的开源权重语音模型,其在 Sierra 的 τ³-Voice 基准测试中以 86.0% 的任务完成率位居榜首,超越 OpenAI GPT Live 1、xAI Grok 及 Google Gemini。

    推荐理由:原文通过对比任务完成率,展示该开源语音系统在实时场景下超越主流闭源闭环的能力。

11月1日周日
  1. R/ArtificialInteligence45

    Gemini 4 Argon 核心优势解析

    Gemini 4 Argon 在 Scale AI SEAL 11 类基准中确认 6 项优势,其中 Humanity's Sixth Sense 排名 #1,SWE-Bench Pro V2 排名 #2 得分 99.22。其在多模态视觉理解、复杂软件工程及高级学术推理方面表现突出,但金融、法律及心理危机支持场景未进前三。

10月30日周五
10月29日周四
  1. IT之家37

    XHEART 新芯航途 X7 系列芯片量产8个月出货超20万颗

    XHEART 新芯航途 X7 系列芯片量产 8 个月,累计出货超过 20 万颗。 已搭载 10 款量产车型,并获得超过 40 款车型订单;基于双 X7 的 L3/L4 平台已获多个车型项目定点。 以规模交付验证“大模型定义芯片”的技术路线,推动大模型芯片向更高等级自动驾驶落地拓展。