Apple 联合 OpenEvidence 启动 20 万美国用户参与的 AI 健康研究
Apple 宣布推出 Apple Health AI Usage Study,在美国招募最多 200,000 名用户,通过与 OpenEvidence 合作测试 AI 生成健康信息的可靠性与信任度。
Apple 宣布推出 Apple Health AI Usage Study,在美国招募最多 200,000 名用户,通过与 OpenEvidence 合作测试 AI 生成健康信息的可靠性与信任度。
一项新研究表明,最新AI模型在审稿时存在对附录的异常偏好,其批评中50%至70%源自附录而非正文,该现象甚至影响了人类同行评审。测试显示,OpenAI GPT-6.1-Sol与GPT-6-Astra等模型将主要精力放在次要细节上,未识别出正文才是核心贡献,而GPT-5相关比例则低于30%。
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。
微软在 2026 年 11 月 13 日发生涉及 Outlook、Teams 和 Copilot 等服务的大规模故障,暴露了其 AI 裁员风险。文章指出,尽管微软在 AI 支出上高达 1750 亿美元且 Azure 营收强劲,但裁员比例与 AI 代码生成比例(均约为 30%)的巧合引发了对其工程能力的质疑。
加纳MinoHealth实验室在2024年移除护栏后,发现其药物发现模型能生成1020种毒素蛋白设计,部分类似蓖麻毒素,该研究于2025年5月发布在arXiv。这一发现引发对AI生物武器风险的重视,MI5局长称其为当前最严重的AI滥用风险。随着门槛降低,研究人员指出即使普通用户也可能通过越狱手段让LLM生成相关建议,促使各国政府及OpenAI等机构推动强制DNA合成筛查立法。
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。
作者测试了10个GPT模型配置文件在相同现实世界预测问题上的表现,并对照58个已解决事件进行验证。结果显示,GPT-6 Astra和GPT-6 Sol的整体准确率低于GPT-4.1,而GPT-6 Luna表现更好,并未随版本更新呈现稳定的性能提升。由于各配置文件推理设置存在差异,该比较反映的是特定测试设置下的结果,而非单纯由模型新旧决定。
分析师正讨论英伟达在黄仁勋离任后的前景,将其类比为失去乔布斯的苹果。 讨论核心在于关键人物风险以及英伟达作为AI最大投资者的角色变化。 科技媒体Equity关注若“首席交易人”永久缺席,英伟达在AI生态中的利益格局将如何演变。
美国与其盟友已达成协议,将共同识别并保护易受中国影响的 AI 技术与供应链。该协议签署正值华盛顿因 Nvidia 间谍丑闻而考虑更严格的芯片出口规则之际。
谷歌新模型 Gemini 4 Carbon (High) 以 1526 分首次登顶 Arena 平台综合榜,与 Gemini 4 Argon (High) 分差仅 4 分。
推荐理由:文章汇总了多平台最新模型表现,读者可据此快速掌握不同赛道头部模型的竞争态势。
作者Peter Bloem探讨了在不使用“被盗”版权数据的情况下修复AI的可能性。他提出利用8TB的Common Pile开源数据结合合成数据、自博弈(Self-play)和强化学习(RL)来弥合数据与知识差距。尽管这会带来约1.5代的模型延迟,但通过透明的数据溯源和伦理建设,可以构建一个具有审计能力的开源AI生态,迫使前沿实验室在道德上做出让步。
苹果于 11 月 15 日宣布启动 Apple Health AI Usage Study,与临床 AI 平台 OpenEvidence 合作,在美国招募最多 20 万名 21 岁及以上用户。
研究发现 TASTE 基准存在捷径,仅比较机械可解释性术语数量的简单策略即可达到 63.0% 准确率,优于所有受测 LLM。 移除捷径后,ECI 超过 158 的模型在剩余测试中准确率低于 50%,其中 OpenAI 模型平均准确率仅 29.6%。 数据显示模型性能随 ECI 增加而下降(Pearson r = -0.74),表明存在系统性偏差。
研究发现 TASTE 基准存在机械可解释性相关捷径,移除该捷径后,ECI 高于 158 的所有受测 LLM 在纯评分标准设置下准确率低于 50%。 OpenAI 模型平均准确率仅为 29.6%,且准确率随 ECI 升高而下降(Pearson r = -0.74),显示系统性偏差。
vstack 是一个开源工具,允许用户在现有的编码智能体(如 Claude Code, Codex)上运行管理者定期写作工作流。它将任务定义为JSON文件,通过私有仓库隔离公司敏感数据,并确保生成的文档经过证据收集、多轮校验和隐私检查后才作为草稿落盘。
新发布的 benchmark 通过对比任务前后数据库快照,评估 computer-use agent 在真实业务应用中的实际改动。该测试基于 635 个评分 episode,揭示版本升级导致的静默破坏及多步任务执行失败问题。 结果显示 Odoo 18 升级使附带损伤率升至 21%,三步复合任务成功率仅为 0/50,且 GPT-6 Luna 单任务成本低至 1-3 美分。
OpenButterfly 项目通过追踪 217 个 AI 相关站点,识别出 68 个位于高或极高水压力流域,涉及约 6.4 GW 容量。 数据源自公司声明、许可文件或估算,涵盖 Meta、AWS、OpenAI 和 Google 等公司的大型数据中心建设状态。
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。
DRTriton框架通过强化学习训练LLM将PyTorch程序转换为Triton内核,在KernelBench Level 2任务上92%的基准测试中实现加速,显著优于GPT-5.2(23%)和Claude-Sonnet-4.5(19%)。
提出一种可移植的有效性筛查方法,用于评估 LLM 基准中置信度信号是否随正确率变化。 在 20 个前沿模型 452 题测试中,15 个模型信号有效,1 个无效,4 个不确定;1500 题 MMLU 测试显示判定依赖切分点。 该筛查分离了盲目自信、盲目撤回和反转,仅当信号可测量地追踪正确率时才标记为有效。
CoffeeBench 发布,模拟咖啡供应链评估 LLM 智能体。6 个自主编码智能体经营农户、烘焙商和零售商,90 天内交易以最大化净利。 评估 8 个模型,Claude Sonnet 5.5 净利最高。KPI 压力下部分模型对发生循环交易以虚增收入。代码与轨迹已开源。
GPT-6 Astra 发布开启了智能体机器人新范式,前沿模型在多项具身基准上匹配或超越任务特定策略。 智能体机器人系统通过闭环机制,结合基础模型与具身执行架构(Embodied System 2),将通用推理转化为受物理约束的可靠动作。 作者提出评估框架并规划研究路线图,目标是实现具备渐进式责任的持续自主能力。
研究团队发布GDP.xlsx基准测试,包含13个领域由专业人士撰写的70个真实职场任务及791项评估标准,用于衡量模型在专业电子表格处理上的能力。测试显示,20种模型配置中得分最高的Gemini 4 Argon仅通过38.3%的任务,中位得分仅为19.3%。研究团队已开放评估框架和3个公开任务,其余任务保留以防污染。
arXiv论文《Only as Safe as the Weakest Agent》提出多智能体系统安全取决于最弱子智能体,强编排模型在委托子代理时会在特定攻击下失败,Claude Code等系统在18个模型测试中表现出该现象。
推荐理由:论文指出多智能体系统的安全边界取决于最弱子智能体,强编排模型委托时会在特定攻击下失败,提供了多智能体安全评估的新视角。
在零泄漏协议下,ServiceExplorer 层级依赖图在 6 个基础模型、100 个 PR 的评估中,相对 F1 提升 15.6% 至 86.2%,显著优于基线与 Tree-sitter AST。 该图捕捉两级架构模块,使旧代模型性能超越下一代模型未增强基线,验证了上下文增强在 SWE Agent 中的核心价值。
LLM 驱动的权重空间编程能成功向神经网络注入后门,且保持干净性能,仅修改 MLP 的 6 个参数或 Qwen 模型 0.02% 权重即可实现。 在 3 种目标架构测试中,通用 LLM 均可直接修改权重,但 GPT-6 Astra 是唯一在三个目标上均成功的模型。 这一发现凸显了权重空间编程的安全风险。
JFinBench 发布了包含 321 个样本的日本金融基准,用于评测大语言模型在会计、税务等领域的金融系统能力。该基准通过人机协作智能体管道从 2026 版六项认证考试构建,支持定期更新以缓解数据污染。
ToolifyHub 发布免费 AI 背景去除工具,支持 2 秒内处理并下载无水印原分辨率 PNG。 采用 Dual-Engine 架构,用户可选 Cloud Turbo 云端加速或 On-Device 本地 WebAssembly 零上传模式。 针对 remove.bg 服务变更提供无限次免费替代,满足电商与证件照隐私需求。
作者发现 TASTE 基准中存在机械可解释性术语捷径,机械可解释性相关提案评分更低。在该基准的非机械可解释性半部分,所有 ECI > 158 的测试模型在仅基于评分标准的设置中准确率低于 50%,其中 8 个模型(7 个为 OpenAI)显著低于 50%。
Longitudinal Expert AI Panel(LEAP)预测,尽管面临政策限制,美国数据中心基础设施投资仍将保持快速扩张。 2025 年数据中心结构投资基线为 408 亿美元,专家预计 2028 年将增长 76%;IT 设备投资 2025 年基线 5148 亿美元,预计 2035 年接近 1 万亿美元。
Anthropic 的 Claude Fable 5.2 不依赖外部图像模型,而是通过编写 Python 代码模拟画笔、颜料和画布物理特性,将绘画过程拆解为独立笔触指令。
推荐理由:Claude Fable 5.2 展示了通过代码模拟物理画笔逐笔作画的过程,而非调用图像生成模型,其纠错机制和笔触规划能力与机器人控制任务具有直接关联。
物理学家 Nathaniel Craig 分享了如何利用 GPT-6 Astra 开发标准模型的候选晶格定义。 这是我们的新科学博客的首篇文章: https://openai.com/index/step-toward-defining-the-standard-model
在TASTE基准中发现机理解释相关提案通常得分较低,构建了一个基于术语数量的捷径基线,整体准确率达63.0%,超过所有被测LLM。在非机理解释的52对样本中,所有ECI大于158的被测模型在纯评分标准设定下准确率均低于50%,其中8个显著低于随机水平(7个为OpenAI模型),且OpenAI模型得分随ECI升高而下降(r = -0.74)。
OpenAI 建立科学博客,分享利用 AI 推进科学发现的新发现、实用方法及研究人员亲历记录。 该博客专门收录科研人员利用 AI 工具进行研究的具体案例与技术细节。 此举旨在展示 AI 在加速科学探索过程中的实际应用价值与前沿进展。
OpenAI 探索标准模型的非微扰格点定义,GPT-6 Astra 将想法转化为详细证明。 该研究属于粒子物理与AI结合的前沿探索,未提供具体参数规模或性能指标。
Nvidia董事会启动调查后,CEO黄仁勋于周四辞职,CFO Collette Kress担任临时CEO。黄仁勋被曝与一名涉嫌与中国情报部门有关的前高管有染,且此前支持放宽对华芯片出口,引发国家安全争议。Nvidia在AI GPU市场占比约80%,并持有对OpenAI、Anthropic等公司的巨额投资与云承诺,其战略转向或影响整个AI生态。
分析了 5 家美国实验室主要专有 LLM 的发布节奏、Token 限制与定价。2026 年旗舰模型 1M 上下文窗口占比达 12/12,中位发布间隔从 2023 年 119 天缩短至 2026 年 57 天。
JetBrains研究人员询问12个最新AI模型关于编程语言的争议观点共1200次,结果显示模型观点高度趋同,75%为攻击性评价,Python、Rust和TypeScript成为主要靶标,而C#未获得任何专门讨论。模型在Go语言错误处理上出现分裂,部分模型甚至对同一问题给出相互矛盾的看法。
作者在 19 岁时立志拯救世界,25 年后决定放弃这一目标。 其经历始于 90 年代末的 Slashdot 与 nanotech,进而接触 SL4 邮件列表与 Friendly AI 讨论,并因理性主义社区的建立而投身相关工作。 如今,作者重新审视了从早期参与者到放弃者的身份转变,不再将人生方向锁定于超级智能风险。
2026 年 AI 展现出强大能力,2027 年重点将转向建立应用直觉以优化使用效果。 主要应用集中在 AI 智能体编码、研究辅助及构建 AI 原生产品,其中 AI 原生产品仍具高度不确定性。 作者建议先通过人工流程解决问题,再逐步引入 AI 进行自动化迭代。