通过 NVIDIA H200 功耗物理侧信道识别 AI 工作负载以支持 AI 治理
外部观察者可通过监测 NVIDIA H200 的功耗,无需配合即可识别 AI 工作负载类型。 研究记录了 930 条 10 MHz 功耗轨迹,区分训练与推理的准确率达 97%。 该物理侧信道为 AI 算力验证提供了可落地的国际政策治理切入点。
外部观察者可通过监测 NVIDIA H200 的功耗,无需配合即可识别 AI 工作负载类型。 研究记录了 930 条 10 MHz 功耗轨迹,区分训练与推理的准确率达 97%。 该物理侧信道为 AI 算力验证提供了可落地的国际政策治理切入点。
该研究从统计校准角度分析了人类-AI 团队中人类与 AI 模型均具备校准属性的假设。 理论及实证结果指出,现有预测组合方法无法保留人类的校准度,而预测委托方法虽保留下游预测器校准度,但要求决策拒绝模型具备更精细的校准以识别成员优势区。当人类依赖系统无法观测的信息时,这一要求将变得不可达成。
Self-EvolveRec 提出自进化框架,整合用户模拟器与模型诊断工具建立定向反馈循环。 该框架引入诊断工具与模型共进化策略,使评估标准随推荐架构动态适应。 实验显示其在推荐性能与用户满意度上显著优于最先进 NAS 基线,代码已开源。
针对 LLM 上下文窗口限制,提出“智能体互联网”(IoA)架构。 新增 L8 通信层与 L9 语义层以支持协作。在两个真实数据集上,L9 的歧义消解使准确率提升 13-72 个百分点。
研究团队提出一种轨迹探测协议,通过截断并重新注入部分推理轨迹来评估模型预测答案的动态变化。 该协议应用于 Qwen3-4B/8B/14B、gpt-oss-20b/120b 等七款开源模型及 GPQA Diamond、MMLU-Pro 等四个基准。结果显示准确率随推理 token 比例增加而提升,且强模型常复现弱模型的错误,但允许进一步推理可显著恢复正确率。
研究团队扩展 FEM-Bench 至 17 项有限元任务,并评估 15 个 LLM 模型在无执行反馈下的代码生成能力。 最佳单次实现成功率达 87.1%,但 Claude Opus 5 结合 SimpleAgent 在 Pass@3 指标上表现最优。分析显示测试覆盖不足是主要错误来源,分离 coder 与 tester 的探索性配置取得了 97.6% 的 Pass@3 最高分。
大型语言模型算力租赁与Token输出市场已建立价格指数及衍生品交易,CME和ICE已制定期货合约。 研究发现合约结算价基于短期租赁率,而非运营商主要收入来源的长期私有合同价格;Token价格与租赁率通过吞吐量关联但风险敞口不同,GPT-5在十二个月内最低列表价下跌17倍。
作者使用 Claude Opus 5.5 复现了 Takehi 等人关于 GPT-6 Astra 的权重空间编程核心研究。Claude 成功从权重中识别 Atari 游戏并找到复制头,在 4/5 环境中超越 PPO,并利用 Qwen3.5-0.8B 的权重将 MATH-500 准确率提升至 58.1%,但其对训练数据的回答常受先验影响。
推荐理由:作者通过十项预注册实验复现了权重空间编程研究,展示了模型在不训练条件下修复网络与推理的具体边界。
引入基准SciResearch-Eval,首个结合自主实验设计与故意缺陷模拟器的科学判断评估集。 在93个任务、2511次测试中,模型常因忽视模拟器缺陷而报错,但95%置信区间覆盖真值的频率远低于预期。 Claude 5.5在最大算力下性能提升超10倍,而GPT-6 Astra和Claude Fable 5.2在默认设置下表现更佳。
研究人员提出 Turing Agent,一个用于编排研究级数学形式化验证的智能体系统。Turing Agent 利用结构化证明分解和并行验证,在 Formal TCS Bench 上的忠实形式化成功率约为 57-62%。在 DeepSeek 基础上,Turing Agent 成功验证了 OpenAI 2026 年 10 月集合中三个未解决的理论计算机科学任务,并能发现更简单的替代证明。
推荐理由:该论文提出了结合形式化证明验证的 Turing Agent 框架,通过实验证明其能可靠地将 AI 生成的前沿数学证明转化为可机器验证的知识。
研究提出 Razavi-Bench 基准,用于评估多模态大语言模型在模拟电路分析上的能力。 在 2024 年 5 月至 2026 年 11 月间发布的 73 个模型中,最高得分从 28.83% 跃升至 98.33%,仅用 30 个月。 当前主流模型几乎能正确回答所有教科书级问题,仅剩的难点在于那些看似常规但实际运作不同的电路。
研究团队提出信号接地基准 EEGProbe,包含 13 个子任务下的 620 个脑电中心问题,用于评测通用视觉-语言模型在无需特定特征工程下对脑电信号的提取与推理能力。
AGPV 在五个数学推理数据集上实现平均准确率 63.8%,较最强基线提升 13.5 个百分点。 该方法将解题分解为关键声明序列,结合共享数学工具箱与完整性验证,证明了在覆盖充分时的正确性保障。 评测涵盖 DeepSeek、Qwen 及 GPT 四个模型,显示 AGPV 的修复覆盖率高于程序化验证基线。
BitBypass 是一种利用比特流伪装的 Black-box 越狱攻击,在 GPT-4o、Claude 3.5 等 5 个模型上成功生成有害内容。 它利用数据的连续比特表示而非提示词工程,在隐蔽性和攻击成功率上优于多种 SOTA 越狱方法。 结果凸显了该攻击的高效性,并揭示了对齐 LLM 安全性的脆弱性。
研究发布Metacognitive Profile Atlas,收录33个前沿LLM在1,500个MMLU条目上的答案及口头置信度数据,共46,157条有效观测。
一项批判性综述考察了 OpenAI、Anthropic 等八家厂商前沿模型的语言习惯与谄媚现象。 研究核实了截至 2026 年 10 月 1 日的官方文档,并综合了关于词汇过度表征及风格差异的实证研究。 论文提出了针对重复性、语境适当性及信念扭曲的独立测量框架。
潜在晶格通过引入沿时间递归运行的逐层横向潜在流,在 406M 参数模型上验证困惑度从 15.41 降至 14.40。 该架构与超连接等技术组合可将困惑度进一步降至 13.61,且在混合架构中优于更大原生状态基线。 研究确立持久逐层状态是扩展语言模型计算的互补轴。
研究团队在三天内复现并扩展了 MIT 关于 GPT-6 Astra 直接编写和读取小型神经网络权重的成果。发现 GPT-6 Astra 编写的 Breakout 网络得分分别为 514、550 和 307,与 MIT 报告的 517 相当,且 Claude Opus 5.5 也能编写可运行网络但常因输出 token 耗尽而失败。
20 个前沿模型对 ICLR 2027 提交的盲审显示,模型版本更新导致“接受率”剧烈波动。 Claude Opus 和 Gemini 版本间接受率降幅达 43-79 个百分点;剥离评分的纯文本批评仍能造成 35-51 个百分点偏差。 LLM 评审阈值需随模型版本重新针对人类决策进行校准验证。
研究测试了类型化决策模型 Jev 在 24 篇 ACL 会议论文中的表现。 Jev 零样本直接替代了 46 个测试集里的 12 个,加 500 标签的提示优化中位数弥合 72% 差距,成本每搜索 $1.66。 相比微调 RoBERTa、DeBERTa 或 Qwen3.8-27B,零样本在简单标签下常够用,微调仍最准。
研究比较了 Pipecat、LiveKit 和 GPT-Live 在西班牙语电话货运费率谈判中的表现,GPT-Live 中位响应延迟为 2,444.8 ms,优于 Pipecat 的 2,616.0 ms 和 LiveKit 的 3,090.0 ms。
SurveyWeave 提出一种智能体架构,将自动综述生成解耦为四个任务,由三个智能体协作完成,并引入 WeaveEval 评估指标。 该框架在全面对比中,比 Codex 高出 8 分,比最强 AutoSurvey 基线高出 6 分。
针对多语言事实核查场景,研究构建包含英语、德语等 190 条声明的数据集,测试模型在证据缺失或误导下的表现。 实验表明,误导性编辑使 Llama 3.1 8B 的英语准确率从 80.00% 跌至 16.84%,且低资源语言性能下降更显著;机器翻译可部分恢复差距,但裁判评分衰减慢于准确率,显示自动评估低估了性能退化。 研究警告不应在嘈杂多语言证据上部署 LLM 事实核查,并开源了数据集与评估代码。
研究显示 LLM 裁判在医学评估中存在自我偏好,8 个模型在 13,760 次判断中均倾向于给自身生成的答案更高排名或分数。在 Real-POCQi 测试中,合并后的 Answer Rank Bias 为 +1.22 位置,揭示生成者身份仅使该偏倚平均减少 0.094 位置。临床 AI 部署应使用多模型裁判小组以增强评估公正性。
OpenAI 正与北约及盟国网络机构合作,帮助受信任的防御者发现漏洞、测试补丁并保护关键系统。
开发者通过在 AgenticRetrieveStream 请求中添加 memoryConfiguration,即可将 AgentCore 记忆功能与知识库结合,实现多租户场景下的用户数据隔离。
OpenAI 发布 20+ 医疗插件并升级 Computer-Use 智能体,以提升临床答复质量。 @AbridgeHQ 与 @CVSHealth 等机构已在先验授权、转诊及出院计划等环节应用相关模型。 此举旨在帮助医疗团队连接医学证据与实际工具,从而减少系统操作耗时,增加患者护理时间。
OpenAI 官方宣布 ChatGPT for Healthcare 正在推进更强大的 computer-use 智能体、更强的临床回答能力和 20+ 个新医疗插件。
OpenAI 发布的 ChatGPT for Academic Researchers 项目研究结果显示,1800 多名参与科学家报告使用 AI 后生产力近乎翻倍。研究通过隐私保护方法分析了 ChatGPT 在科研工作中的应用,涵盖从构思、数据分析到代码编写的完整流程,并探讨了其对科学发现的意义。
MoEngage 利用 Amazon Bedrock AgentCore 和 MCP 架构推出了 Merlin AI 智能体系统。该系统支持在单次对话中完成活动策划与数据分析,帮助客户提升营销效率。
{ "title_zh": "OpenAI:科学家如何使用 ChatGPT 进行前沿科研", "summary_zh": "OpenAI 探讨 1,800 多名科学家如何在研究中应用 ChatGPT。\n\n内容涵盖每日工作流程、生产力反馈及发现期望。" } ```
OpenAI 发布新工具、实际指导及合作伙伴关系,用于预防、检测和应对在线儿童性剥削与虐待。 这些措施旨在协助各方更有效地打击此类犯罪行为,提升相关响应能力。 此举体现了 OpenAI 对在线安全与儿童保护议题的重视和支持。
OpenAI 宣布扩大 ChatGPT for Academic Researchers 计划,向全球 20 万名研究人员提供前沿模型免费访问。
OpenAI 宣布与 Apollo Research、METR、Transluce AI 和 Goodfire AI 合作开展嵌入式评估(embedded assessments),允许外部专家深入访问内部模型和系统以调查对齐问题并测试安全机制。这些评估建立在 OpenAI 现有的对齐与安全研究基础上,旨在通过独立审查来识别和管理系统风险。
推荐理由:原文披露了OpenAI与多家外部机构合作开展嵌入式评估的计划,展示了其引入独立专家审查对齐与安全保障的新机制。
OpenAI 宣布将 ChatGPT 免费学术访问扩展至全球最多 20 万名科学家,并配套提供培训和支持。申请于 11 月 23 日开放,默认不使用通过该计划共享的数据来训练模型。此前该项目从 1 万名研究人员起步,计划到 2027 年扩展到 10 万名。
Hugging Face 将其 Inference Providers 的语言模型路由从自建路由器切换为 OpenRouter:同一 Hugging Face token 经同一 API 调用。
推荐理由:Hugging Face 语言模型推理路由已切换至 OpenRouter,按实测价格、速度和可靠性选择提供商并在失败时自动重试,代码无需变更。
OpenAI 推出面向医疗行业的 ChatGPT 更新,包括支持操作软件的计算机使用智能体、改进后的临床答案以及可跨医疗软件协作的新医疗插件。
The King’s Trust 与 OpenAI 宣布达成 100 万英镑合作,旨在帮助英国最多 25,000 名年轻人掌握实用 AI 技能。 该合作聚焦于为英国青年提供职场所需的 AI 技能培训,直接提升其在劳动力市场中的技术竞争力。
LVMH媒体部门与OpenAI宣布达成战略合作,以支持新闻业并提升出版物可访问性。双方将利用AI支持新闻业,并让用户通过ChatGPT获取LVMH旗下媒体内容。
研究发现 LLM 身份指纹具有传染性,模型会继承前序对话者的特征,导致 API 中继审计失效。 DeepSeek 替换 Claude Sonnet 时,检测器识别率从 0.97 降至 0.72;Haiku 降级后从 0.87 降至 0.54。 提出的 Lineup 方法通过对比相同历史下的参考分布进行审计,假阳性率为 0.056,有效识别 0.81 的替换会话。