利用 ChatGPT 多模态视觉能力对卫星图像进行贫困等级排序:推进社会科学研究工具
ChatGPT 能基于卫星图像对贫困等级进行排序,其准确率与使用人类专家特征训练的模型相当,且优于此前报道的专家直接财富分类。 研究采用成对比较方法评估 LLM 在分析人类贫困中的表现,并探讨了公开数据集 DHS 中位置坐标去噪处理对财富指数提取可靠性的影响。 该研究为贫困评估工作流程中整合 LLM 提供了基础,并为成本效益更高的大规模贫困监测开辟了新途径。
ChatGPT 能基于卫星图像对贫困等级进行排序,其准确率与使用人类专家特征训练的模型相当,且优于此前报道的专家直接财富分类。 研究采用成对比较方法评估 LLM 在分析人类贫困中的表现,并探讨了公开数据集 DHS 中位置坐标去噪处理对财富指数提取可靠性的影响。 该研究为贫困评估工作流程中整合 LLM 提供了基础,并为成本效益更高的大规模贫困监测开辟了新途径。
在 Qwen3-Coder-30B 上,因果定位法在语言分布偏移中使判决正确性预测保持 0.09 AUROC 领先于输出置信度。 该优势显著优于最佳非因果预测器 0.04 AUROC,但在 gpt-oss-20b 或基准测试偏移中未能一致泛化。 对于程序正确性,预测器主要通过识别模型易失败的问题在基准间成功迁移。
研究测试 20 家提供 GPT-6 Astra 和 Claude Opus 5 的 LLM API 中继,发现低价中继更可能存在行为差异。 35 组复测中部分中继状态改变;3,332 个响应中确认无注入,但 4 家中违反禁用工具指令。 5 家中对相同请求多报 4,200 至 60,000 个输入 token,且 6 家可查余额服务按申报用量和标价收费。
研究测试 Claude Opus 5.5 处理约 125,000 参数卷积网络的权重,发现其解读依赖局部算术与记忆而非权重流追踪。 模型在识别 CIFAR-10 等熟悉数据集时表现准确,但面对快食、SAT-6 等非常见数据时出现误判,表明其依赖先验知识。 该结果为零样本权重阅读提供了审计协议,澄清了大语言模型在权重空间编程中的实际能力边界。
SEVERus 提出一种针对 Rust 验证器 Verus 的游戏化基准生成技术。 它将验证任务组织为“任务”(quests)和“关卡”(levels),通过移除证明上下文来增加难度。 在 6 个开源项目中生成了 819 个任务和 10,095 个关卡;实验显示随着上下文减少,模型成功率下降且成本增加。
GPT-6 Astra 等模型在审计临床预测网络时,计算能力比直接访问权重更重要。 使用专用计算工具后,模型在 38,401 权重网络中 29 次测试全部正确识别植入关系,且无假警报。 研究发现,黑盒访问效果与白盒相同,验证了计算与提示引导而非权重直接访问的核心作用。
研究在5个知识图谱上基准测试了5个大语言模型(GPT-5.1、Gemini 2.0 Pro、Llama 3、Qwen、BioGPT)。通过多层级查询数据集评估了模型在感知图谱和无关图谱条件下的推理深度与事实准确性。
论文提出了 TCSExam,一个覆盖定理证明、求解器工程、构造及解决未解难题的理论计算机科学评测基准。基准包含 100 道专家审查任务,验证结果由 Lean kernel 或可执行检查器确认。评测显示 GPT-6 Astra 在全量版得分最高为 71.9,Opus 5.5 在轻量版得分最高为 72.3,两者排名高度一致(Spearman's ρ=0.93)。
WeightLoop 框架利用 GPT-6 Astra 编写有界的参数编辑程序,将实验反馈转化为部署预测器的持久更新。 该框架在离线回放中,针对八种端点预算设置中的七种,通过定向编辑提升了平均排名效用。 此方法使实验证据直接驱动模型变化,且无需额外的 LLM 调用或梯度再训练。
D^2-OPD 将 On-Policy 蒸馏中的外推方向与距离解耦,通过固定 KL 约束限制目标偏移,并结合教师策略更新与初始差距确定方向。 该方法在三种数学推理场景下均取得最高分,较最强基线提升最多 9.45 分,验证了各组件的有效性。
研究提出实证信息设计框架,评估 10 款前沿 LLM 在经济市场中的表现。结果显示信息透明度效果高度依赖模型:GPT-6 Sol 在贸易中收益下降(98% 降至 91%),而 Claude Sonnet 5 收益上升(72% 升至 86%)。
EnvOpt 提出对静态环境进行自动化端到端优化,在 AutomationBench 上将 Claude Haiku 4.5 的成本降低 72.7%,通过率提升 14.34%。 该方法同样适用于 Opus 5 等模型,在 Meta-Harness 基础上可进一步降低成本 83.4% 并提高准确率 11.17%。 研究证实环境信息呈现方式决定智能体成本与成功率,环境优化是参数与框架之外的第三大方向。
研究提出跨智能体形式化协议,发现验证成功不等于独立一致。在 96 份临床试验文档上评估,强模型担任实现者时一致性达 53.0%,反转角色仅为 14.3%。 最强配置 GPT-5.6-luna/GPT-5.4-mini 一致性为 34.4%,且受直接矛盾主导。
OpenAI Codex 发布 0.167.0 版本,新增通过 codex agents --no-daemon 命令开启 Agent 指挥中心的功能。 会话选择器现可标记未读结果,支持在终端切换连接后端并保留草稿。新增本地图片预览及通过 /experimental 启用系统代理设置的功能,并修复了切换模型提供商后聊天历史可见性问题。
OpenAI 在 ChatGPT 和 API 上每周生成的图像数量超过 40 亿张。该数据是 8 周前超过 30 亿张/周的显著增长。
OpenAI 发布 GPT‑6 Cyber,这是一个用于寻找可利用漏洞并开发修复方案的网络安全模型,且经过训练以保持在授权范围内运行。
亚马逊 A+ 内容使用高质量素材可提升 8–20% 销量,但现有单资产评估难以捕捉整体质量。该方案将完整电商页面渲染为快照,由 VLM 进行整体评估,并结合 OCR 信号与轻量级 CatBoost 分类器预测专家质量标签。 SHAP 解释用于生成改进建议,该端到端流水线基于 Amazon SageMaker AI 实现,涵盖数据摄取至生产监控。
OpenAI 推出网络安全专用模型 GPT-6 Cyber,该模型在多种网络安全特定用例中表现突出。其驱动了此前公布的 Linux 内核研究,并已被 Mozilla、Palo Alto Networks、Calif、Cisco 及 OpenAI 自身的安全团队投入使用,目前向部分 Daybreak Red 客户开放。
OpenAI 发布 GPT-6 Cyber,称其为结合更强能力与更好模型对齐的安全研究进展。该模型支撑了此前发布的 Linux kernel 研究,Mozilla、Palo Alto Networks、Calif、Cisco 的安全团队以及 OpenAI 自身团队已开始使用。GPT-6 Cyber 目前面向部分 Daybreak Red 客户开放,访问权限将逐步扩大,详情见 openai.com/index/introducing-gpt-6-cyber/。
推荐理由:原文说明该模型已用于 Linux kernel 研究,并披露了早期使用者及逐步开放的访问机制。
OpenAI 推出国家级社区协议(National Community Compact)及算力园区政策蓝图。该框架旨在保护本地资源、创造就业机会,并为负责任的人工智能基础设施建设提供指导。
研究人员训练了将上下文激活映射为答案激活预测的“上下文-答案元模型”,实现了首个答案 Token 生成前的行为预测。 该模型在 50 万 prompt 数据集上表现良好,支持零样本泛化,且 Qwen2.5 的上下文激活可预测 Qwen3.5 和 Gemma 4 的答案激活。 研究结果表明上下文激活轨迹支持 LLM 答案行为的可扩展预测。
拥有 Claude Mythos Preview 访问权的企业漏洞披露量较无访问权的中俄企业翻倍,高影响漏洞多 150%。 外部研究人员的 bug bounty 报告在相关企业代码中减半,而在其他企业代码中增加;攻击者利用的漏洞比例大幅下降。 前沿 AI 帮助防御者在攻击者利用前发现并修复更多漏洞,但受限发布造成了跨国软件安全不对称。
LLM 读取 Office 文档时的提取偏差是安全攻击面,研究者通过静态与动态分析在常用提取器中识别出 19 个隐藏内容和 12 个丢弃内容的 OOXML 渠道。
提出 CoCo 框架,利用 LLM 将文本推理蒸馏为数值协变量引导 TSFM 预测。 采用 GRPO 微调 LLM 并同步微调 TSFM,使用 Qwen3-4B-Instruct-2507 与 Chronos2 实现最高 12% 的 MAE 改进。 在金融、气象等真实基准上超越 GPT-4o 等 SOTA 模型,相关代码与检查点已公开。
研究者发布 LifeVal 基准,用于评估 AI 模型在 148 个高价值个性化消费者任务上的表现。该基准覆盖年度支付意愿超 1.7 万亿美元的生活场景,基于 3800 名消费者的调研数据构建活动分布。评测任务由具备多年实战经验的创建者使用真实 ChatGPT 对话和记忆数据生成,并经过至少三轮人工质量控制。
这项研究评估了由视觉语言模型驱动的AI智能体在不确定性下的决策过程,发现 GPT-4o 在感知饼图和条形图的不确定性时准确率最高。 研究发现,当不确定性通过圆形图表、图标数组或文本表示时,自主智能体的决策表现与理性决策理论的对齐程度最好。该研究基于可视化素养和决策理论,分析了不同模型和可视化类型下的感知准确性与决策表现。
研究评估了7款模型在执行数据科学全流程及经3轮反馈后的表现,平均分从59%提升至76%。 测试涵盖49个模型配对共147份初始提交,其中107份成功运行。自身评分通常比他人评分高9个百分点。
提出挑战感知自适应招募机制,通过外部Challenger识别推理轨迹中的知识缺口,触发检索或招募专家。在MEDAGENTSBENCH硬子集上,该机制提升8/9数据集准确率,相比纯Challenger基线提高6个百分点。 消融实验显示,针对缺口的查询信号和检索时机共同带来收益;在GPT-4.1-mini MedQA任务中,Challenger触发的专家招募将准确率从46%提升至54%。
针对智能体操作盲区,Agent Harness Awareness 通过提供验证的状态快照提升了操作控制能力。 在 GPT-5.6 Sol、Claude Sonnet 5 和 Gemini 3.7 Flash 的 216 次决策测试中,该设计使平均策略后悔值降低 96.9%,单次分派完成率从 69.4% 升至 95.8%。
GEdit 利用几何感知框架提升大语言模型的知识编辑效果,在 GPT2-XL、GPT-J 和 LLaMA-3-8B 上验证,编辑成功率显著优于最先进基线。 该框架基于 LR+D 因子模型,通过低秩保护核心子空间,并依据编辑难度动态调整正则化强度。
研究团队提出CARTBench基准,包含17个零售领域1603条产品记录和1328项专家标注标准,涵盖核心、卓越与安全维度。 测试显示10个模型中仅3个在核心任务超90%,无一在卓越任务超45%,揭示理解到执行的差距。
研究测试了 Gemini 3 Pro、Claude Opus 等六款 LLM 的作者模仿能力,发现 Gemini 3 Pro 表面性能最强但主要依赖文本复用。 分析表明,训练集一致性是模仿成功的最佳预测指标,而生成文本在嵌入空间中与人类风格集群显著分离。 结果凸显了区分风格模仿与直接复用的重要性,对涉及 LLM 的文本取证分析具有参考意义。
OpenAI 的安全研究人员构建了自主网络漏洞发现、利用和修复流水线。引用信息指出,在一次运行中,它验证并生成了针对 Linux 内核 948 个本地权限提升漏洞的补丁,总 API 成本为 120 万美元。配图展示了漏斗路径,共 2,308 个候选发现,其中 1,724 个通过验证,最终生成 948 个有效 LPE 漏洞利用。Tibo 表示 OpenAI 已组建世界级网络安全团队,并期待在未来数周数月分享更多工作。
Cat Wu 宣布加入 OpenAI 领导核心产品管理工作,表示将和 Tibo 等团队一起构建可协作的智能体,让用户在保持控制的同时获得更多时间投入工作与家庭。Tibo 随后欢迎 Cat 并表示期待共同开发。
OpenAI 安全研究人员发布了一个自主的网络安全漏洞挖掘、利用与修复流水线。 在即将推出的模型的一次单次运行中,该流水线在 Linux 内核中验证并生成了 948 个本地权限提升漏洞的补丁,总 API 成本为 120 万美元。
OpenAI 推出 ChatGPT Images 2.6,支持生成 GIF 和使用参考图片。新功能将同步上线 API,图像生成速度提升 50%。
推荐理由:新功能开放了 GIF 和参考图输入,API 生成速度提升 50%,便于评估其在创作工作流中的适用性。
DevRev 利用 GPT-6.1 Sol 驱动 Computer 和 Operator,实现企业服务的自主自助。 该模型在推理能力、速度和成本之间取得平衡,支撑 DevRev 的企业级服务流程。
OpenAI 构建了一条自主流水线,在 Linux 内核中定位、验证并生成了 948 个本地提权漏洞的补丁。
Daybreak Red 通过 Amazon Bedrock 将 GPT-5.6 Cyber 提供给 AWS GovCloud (US-East) 的获批客户,用于授权的网络安全工作。 该服务面向特定政府云环境提供,仅限授权客户使用。
OpenAI 宣布将收购 Pierre Computer Company, Inc.。此举旨在扩展 Codex 在构建、理解和审查代码方面的工具能力。