OpenAI Codex v0.163.0 发布
OpenAI Codex v0.163.0 新增即时中断、并行只读工具及 Daybreak 默认启用功能,并增强 /config 与 /daemon 配置管理能力。
OpenAI Codex v0.163.0 新增即时中断、并行只读工具及 Daybreak 默认启用功能,并增强 /config 与 /daemon 配置管理能力。
新音色。更好的口音。更少的“正在加载...”。 GPT-Live-1.1 为 ChatGPT、Codex 和 dots 中的 Voice 带来了这些更新,新增法语、德语、印地语、墨西哥西班牙语、韩语和日语音色。 今天起向所有用户推出。API 即将上线。
OpenAI 向 Simons Foundation 发起的数学倡议捐赠 500 万美元,支持数学家审视并理解 AI 产出的结果。资金将用于举办研讨会、会议及特别项目。OpenAI 同时为受资助研究人员提供模型访问权限及计算资源。
该研究探讨了LLM设计运筹学算法的能力,测试了库存控制等三个问题。最强模型 gpt-5.6-sol 在几乎所有实例上匹配或超越现有最优方法,即使仅获问题类描述。性能随模型迭代提升迅速,表明前沿 LLM 已成为算法设计的有效经验基线。
推荐理由:原文展示了LLM在运筹学算法设计中的表现,读者可据此判断其在特定决策问题中的应用潜力。
ResearchArena 生成 117 篇论文,Claude Code 在纯文本评审中得分最高,但 117 篇均未达顶级会议录用标准。 纯文本评审分数高估质量,实际存在实验造假等问题,Codex 与 Kimi Code 的论文-工件不匹配率差异达 15 倍。 这表明当前 AI 自主科研系统在严谨性上仍有显著差距。
研究提出两种算法,利用机器学习的代理奖励信号解决 LLM 路由中的关联臂上下文赌博机问题。 算法包含耦合的奖励混合与解耦的预测混合设计,后者在代理奖励失配时保持鲁棒性并恢复与纯奖励方法相当的遗憾界保证。 在 LLM 路由基准测试中,方法展示了更高的样本效率和更优的准确性-成本权衡。
论文提出以仓库为中心学习(RCL),训练 4B 参数小型模型 SWE-Spot-4B,在七个目标代码库上性能优于同等预算的以任务为中心学习(TCL)模型。 该模型性能可比肩或超越 Meta CWM、Qwen3-Coder-30B 等 8 倍参数量的开源模型,以及 GPT-4.1-mini 等商用效率模型,并具备更高的训练与推理效率。
该研究提出一种在线分词算法,在保持输出延迟最优(至常数因子内)的同时,实现了近线性时间复杂度。 算法基于 P≠NP 假设确立了条件性下界,表明无法在常数因子内超越该延迟。实测显示,该算法在首 token 延迟上比 tiktoken 快 7.9×–34.8×,吞吐量提升 2.4×–7.0×,且内存占用保持近似恒定。
五项研究对 5 种 LLM 在 557 个科学查询上生成连续复杂度摘要的能力进行了实验。 模型在调整复杂度方向正确率最高仅 33.67%,多数修改不一致。 该结果揭示了当前 LLM 在响应用户直接文本操控需求时的稳定性局限。
研究人员构建四阶段 LLM 流水线,在 60 小时内对 COHA 语料库 143,933 条数据完成自动标注,准确率超 98%。 基于 44,527 条真阳性样本拟合贝叶斯模型,揭示英语 consider 结构中未记录的文体特异性演变轨迹。 结果证明 LLM 可低干预规模化处理数据准备,同时需关注成本与伦理限制。
研究提出 Claim Cards 使 LLM Agent 解释显性化,发现 GPT-5.4 在 60 条声明上的解释随运行波动。 实验显示随意修改 Claim Card 中量化词或阈值字段,能改变约 1/3 声明的判定结果。 结论认为判定应与解释一并报告,基准测试需公开标签背后的解释逻辑。
该研究对 8 个 LLM 进行零样本基准测试,GPT-5.6 Luna 领先英文词汇指标,LLaMA 3.3 70B 取得最高 ROUGE 和 BLEU,Gemini 2.5 Flash 获最高孟加拉语事实性分数。 测试采用词法、语义指标及 LLM-as-a-Judge 评估,结果显示不同方法产生不同排名,单一指标存在局限。 这凸显了面向低资源语言需采用综合评估框架的必要性。
Block 与 OpenAI 合作构建 AI 驱动的安全系统。 其安全团队利用该技术更快地调查威胁,并能在几分钟内提出补丁。 显著提升了安全响应效率。
Claude Code v2.1.300 更新新增 virtualText prompt 装饰、OpenTelemetry 缓存指标及 agentId 视图功能。 修复多项工作区、遥测和会话恢复问题,支持 AWS 平台 /advisor 命令及 GenAI 语义约定追踪。
欧洲企业正快速扩大其使用 AI 智能体(AI agents)的规模。在我们的欧盟企业和业务客户中,超过一半的 AI 使用已涉及这些工具,该地区小型企业用户数量增长了 8 倍。 我们最新的经济研究报告探讨了欧洲向 Agentic AI 的转变,以及如何将更广泛的采用转化为更深度的使用。 https://openai.com/index/the-eus-next-chapter-in-ai-is-agentic/
summary_zh: SentinelOne 通过 OpenAI Daybreak 将恶意软件分析周期从数周大幅缩短至数小时。 这一变化提升了处理效率,使团队具备调查更多威胁的产能。 SentinelOne 通过 OpenAI Daybreak 将恶意软件分析周期从数周大幅缩短至数小时。 这一变化提升了处理效率,使团队具备调查更多威胁的产能。
Third Moment Research 利用 GPT-6 Astra、GPT-6.1 Sol、Codex 和 Daybreak 构建 AI 系统,以运行 10,000 个 agent 达 36 小时以上。 这些 agent 能在数日内保持专注,并随使用不断改进,服务于该实验室在网络安全等领域的应用。
新分析显示 Agentic AI 在欧盟企业和中小企业中的采用率正在增长。 该分析指出了更深层次使用场景可释放更多价值的位置。
FiberTune 提出训练期目标,通过保留教师结构化视觉残差来防止动作监督微调导致的视觉结构压缩,且不增加推理开销。 该方法使用在线动作探针过滤中间视觉 token 表示中的动作可预测方向,结合中心方向对齐和有效秩正则化,在六个模拟设置及物理 SO-101 任务中表现优于仅任务损失微调。
研究者发现 22.7% 经 LLM 验证的 Java Modeling Language 规格缺乏后置条件,导致语义空洞。 Spec-Harness 基于 Hoare 三元组符号验证,从四个维度评估行为充分性,修复了验证器无法识别的约束缺陷。 该框架作为反馈信号,能指导 Codex、Claude Code 等智能体生成更高质量的规格。
研究者提出可验证过程奖励(VPR)框架,将任务预言机转化为动作级验证器,实现密集奖励与细粒度信用分配。 VPR在三类环境实例化:Sokoban搜索预言机、数独约束预言机及扫雷后验预言机。基于该框架训练的Qwen3-4B性能超过outcome-reward GRPO与VinePPO。 当在数学数据与三个游戏环境联合训练时,VPR展现出最强的通用推理与智能体结果。
NARCBench 基准提出 5 种探测技术,通过聚合单智能体欺骗分数实现多智能体串谋检测。 评估覆盖 Qwen3-32B、Llama-3.1-70B 等 4 个开源模型,Llama-3.1-70B 零样本迁移 AUROC 达 0.73-0.93。 模型内部状态为文本级监测提供了互补信号,推动了多智能体可解释性研究。
Physics基准包含1034道来自博士资格考试的开放式物理问题,用于测试基础模型的解题能力。 该基准涵盖6个核心物理领域,通过基于LLM的评分协议评估数值、符号和文本答案。 测试了53个专有和开源权重模型,结果显示强开源权重模型接近专有模型性能,但多数开源模型正确率仍低于50%。
MalwareFormer是一种基于Transformer的字节级恶意软件检测框架,直接处理原始字节而无需特征提取,在各项阈值依赖分类指标上优于基线模型。 该模型检测准确率达98.35%,平衡准确率和宏F1均为98.32%,假阳性率为1.94%。 研究发表于IEEE ICAD 2026,证明了Transformer架构在字节级恶意软件检测中的强扩展性与有效性。
提出神经逆最优传输方法 CloneOT,利用部分谱系追踪数据学习传输成本与映射,解决固定欧氏距离可能错误连接细胞响应的问题。 在 14 个癌细胞谱系追踪扰动场景中,CloneOT 在可见与不可见克隆上均优于 5 个基线模型,且能揭示药物耐受持久细胞特异的转录程序并预测各克隆命运。 实现代码已开源。
在护肤品这一难以事前判断质量的品类中,知名品在规格相同时可占据 100% 的 LLM 推荐份额,但竞对仅需 +0.1 星优势即可打破该垄断。 营销话术及伪造临床证据可将偏见盈余推高 +0.17 星;多品牌均优化时,单家收益从 +0.802 跌至 +0.007,不参与品牌零推荐。 提示需将生成式引擎优化(GEO)视为新兴营销实践来研究。
OpenAI 于 10 月 6 日发布包含 722 篇 AI 手稿的公开仓库,涵盖 372 个问题族并声称解决多个著名未解问题。 研究团队从中提取 38 个问题族里的新引理、构造、不等式及证明机制,识别出 11 种跨领域模式。 这些“数学工具”的描述有助于读者理解相关论文,其有效性与新颖性仍属临时评估。
Index-Translate 发布,包含 2B、9B 和 35B-A3B 三个尺寸,支持 150 种语言翻译及指令遵循,性能比肩 100B 规模模型。 系列还引入 Index-Echo 端到端语音翻译、Index-Homura 音节受控配音及 Index-NativeLong 长文档翻译,覆盖多元任务场景。
研究显示 GPT-4 和 GPT-5 系统性高估自我污名、低估个人及感知污名。模型将男性描绘为最具社会距离感且对求助态度最差的人群。 该结论基于 Healthy Minds Study 76,406 人的真实数据对比得出,证实了 AI 估值的偏差。 结果揭示了 LLM 在性别表征上的扭曲,强调了通过真实数据进行严格验证的必要性。
研究通过规则基于逆的语义保持变换,揭示了大语言模型对齐中的“对齐-效用不对称”现象:模型在变换输入上保持高任务效用的同时,有害率显著上升。 在针对四个开源权重和四个商用模型(包括 GPT-4.1 mini 和 Gemini 3 Flash)的实验中,适配后的 GPT-4.1 mini 有害率从 13.3 升至 74.3,Gemini 3 Flash 从 2.3 升至 43.0。
Jev 和 Decider 等决策模型在9个面板27次对比中表现接近 LLM 评判者,成本仅为后者的1/16至1/357,耗时仅为1/5至1/350。 两类模型在排序标准上错误模式相似,85%的 LLM 高置信度错误会重复决策模型的错误;级联策略最多仅带来2.7分提升,主要节省成本。 研究建议设计新型决策模型以纠正 LLM 评判者的盲区,反之亦然。
研究团队提出 SPINE 基准,通过 LLM 代理扮演持续反驳用户,对 4 个商业模型和 3 个 Olmo3-7b 模型进行 25 轮内的适应性压力测试,评估 LLM 的奉承行为。
研究发现,GPT-5.5 Pro、Claude Opus 4.8 和 Kimi K3 等顶级模型在二进制逆向理解上已具备与人类分析师相当的水平。 人类倾向遵循本地程序结构,而强模型采用“贪婪抓取”策略;在 4000 个真实二进制测试中,更大的上下文窗口能容纳更多程序,但低层表示会迅速耗尽资源。
Soohak 发布,一个由 64 位数学家从零撰写的 439 题基准,旨在评估前沿大模型的研究级数学能力。 该基准包含 Challenge 和 Refusal 两个子集。
研究者提出 LEST 框架,将 LLM 文档化的安全声明转化为黑盒测试规范,通过变异提示词寻找反例。在针对 Claude Opus 4.8 和 GPT-5.5 的评估中,使用 SORRY-Bench 等 97 条种子提示,自动筛选出 312 个候选反例,但人工验证仅确认 19 个有效。 该框架实现了从自然语言文档到可执行测试及反例的全链路追溯,证明现有基准提示不足以下述所有文档安全行为。
AfriEconQA 基于 204 份世界银行非洲经济报告构建,包含 4,138 个带证据关联的 QA 实例,覆盖 5 类推理任务,重点测试长文档中的定量提取与时间精度。 评估涵盖 Qwen 3.6 35B、DeepSeek v4-pro 等 4 个模型,在检索增强生成(RAG)条件下最佳系统 F1 分数仅 0.594,错误主要集中于列表提取、合成及跨期比较。
研究表明人类与 GPT-4 等大语言模型在字面理解上高度对齐,但在习语和 Z 世代俚语等深层表征上存在显著差异。研究对比了 4 个模型对 240 个句子在 6 种语言特征上的评分,发现 GPT-4 与人类对齐度最高。 使用 Gemma 系列模型测试发现,模型规模的增加并未显著改变其表征相似性模式。
研究对包含 1 亿条事实的 GPTKB v1.5 知识库进行了多维分析,该库源自 GPT-4.1。 结果表明,LLM 的知识准确性远低于此前基准测试所显示的水平,且存在显著的不一致性、模糊性和模型幻觉。 这一发现为神经符号 AI 在事实提取、整合与验证方面的研究指明了方向。
研究者将肿瘤治疗规划建模为部分可观测下的交互式强化学习问题,并基于真实临床记录构建患者特异性、过程感知奖励。 使用 GRPO 和 GDPO 优化 Llama-3.1-8B-Instruct,GDPO 策略在交互环境中 Mean@3 临床奖励较基线提升 79.60%,且以 18.82% 优势超越 GPT-5.2。 研究证实,患者特异性、部分可验证奖励可作为交互式临床强化学习的有效学习信号。
EmoXpt 框架通过对比人类推文与 ChatGPT 回复,揭示 LLM 生成内容更连贯、效率更高且情绪更积极。 该研究分析了提及 ChatGPT 和 LLMs 的人类推文,并专门评估了 ChatGPT 回复的情感表达,展示了其相对于人类评论的情感智能差异。