OpenAI 发布 GPT-5.3-Codex-Spark 实时编码模型
OpenAI 发布 GPT-5.3-Codex-Spark，这是其首个实时编码模型。该模型生成速度提升 15 倍，支持 128k 上下文窗口，目前处于 ChatGPT Pro 用户的研究预览阶段。
推荐理由：原文给出了 15 倍生成速度、128k 上下文窗口和 ChatGPT Pro 用户研究预览等关键规格，读者可以据此判断实时编码模型的能力边界。
OpenAI / ChatGPT
全部主题OpenAI 的全部动态：GPT 系列模型、ChatGPT 与 Sora 产品、公司战略与人事的持续追踪。
最新精选
第 21–40 条 · 共 42 条OpenAI News精选AI 评分8484
OpenAI News精选AI 评分6060 GPT-5 降低无细胞蛋白质合成成本
OpenAI 的 GPT-5 与 Ginkgo Bioworks 的云端自动化结合，通过闭环实验将无细胞蛋白质合成成本降低了 40%。
推荐理由：GPT-5 与 Ginkgo Bioworks 合作降低了无细胞蛋白质合成成本，展示了 AI 在生物制造中的实际降本效果。
OpenAI News精选AI 评分6565 OpenAI 推出 OpenAI Frontier 企业智能体平台
OpenAI 推出 OpenAI Frontier，这是一个用于构建、部署和管理 AI 智能体的企业平台。该平台支持共享上下文、用户入职、权限管理和治理功能。
推荐理由：官方给出企业级平台定位，明确了其在构建、部署和管理 AI 智能体方面提供的共享上下文、权限与治理能力。
OpenAI News精选AI 评分8282 OpenAI 发布 GPT-5.3-Codex
OpenAI 发布 GPT-5.3-Codex，定位为 Codex 原生智能体，兼具前沿编码能力与通用推理能力，用于支持长程真实技术工作。
推荐理由：官方直接给出新模型定位，读者可据此判断其面向的长程技术任务场景。
OpenAI News精选AI 评分7777 OpenAI 发布 Codex App Server：双向 JSON-RPC 架构详解
OpenAI 发布了用于嵌入 Codex 智能体的 Codex App Server。该服务基于双向 JSON-RPC API，支持流式进度反馈、工具使用、审批和差异对比功能。
推荐理由：官方解释了 Codex App Server 的底层机制，提供了构建双向通信架构的技术参考。
OpenAI News精选AI 评分6565 OpenAI 发布 Codex 应用
OpenAI 发布面向 macOS 的 Codex 应用，作为 AI 编码和软件开发的指挥中心。该应用支持多智能体、并行工作流和长时运行任务。
推荐理由：官方给出了 Codex 应用的核心定位和关键能力，读者可以据此判断其多智能体并行工作流对长任务编码的影响。
OpenAI News精选AI 评分6565 OpenAI 保障 AI 智能体点击链接时的数据安全
OpenAI 介绍其 AI 智能体在打开链接时的内置安全保障措施，旨在防止基于 URL 的数据泄露和提示注入。
OpenAI News精选AI 评分8585 ChatGPT Go 全球上线，提供 GPT-5.2 Instant 扩展访问
ChatGPT Go 现面向全球开放，提供 GPT-5.2 Instant 的扩展访问、更高的使用上限和更长的 memory，以降低高级 AI 的访问成本。
推荐理由：全球开放入口和GPT-5.2 Instant访问变化，可判断其扩大基础功能覆盖的影响。
OpenAI News精选AI 评分8282 OpenAI 计划在美国测试 ChatGPT 免费版与 Go 版广告以扩大普惠访问
OpenAI 计划在美国市场测试 ChatGPT 免费版（free）与 Go 版的广告功能，旨在通过商业化手段扩大全球范围内对 AI 的普惠访问。官方强调该策略将在保护用户隐私、信任及回答质量的前提下进行。
推荐理由：官方明确了ChatGPT免费版与Go版引入广告的测试计划，并强调以此扩大普惠AI访问且维持隐私与质量。
OpenAI News精选AI 评分8383 OpenAI 与 NVIDIA 宣布战略合作部署 10 吉瓦 AI 数据中心
OpenAI 和 NVIDIA 宣布战略合作，计划部署由 NVIDIA 系统驱动的 10 吉瓦 AI 数据中心，第一阶段将于 2026 年启动。
推荐理由：官方公布了双方部署10吉瓦NVIDIA系统的合作规模及2026年首期上线时间，便于了解算力扩容计划。
OpenAI News精选AI 评分7171 OpenAI 发布 GPT-5-Codex 增补系统卡
OpenAI 发布 GPT-5 系统卡增补，介绍专为 Codex 中 Agentic 编码优化的模型 GPT-5-Codex。该模型能根据任务复杂度动态调整推理投入，对简单查询快速响应，对复杂任务则独立工作更长时间。
OpenAI News精选AI 评分7676 OpenAI 宣布新组织结构：非营利领导层获 PBC 股权
OpenAI 重新确认其非营利部门领导地位，通过新的组织结构授予 PBC 股权，预计释放超过 1000 亿美元资源以推动安全且有益的人工智能。
推荐理由：OpenAI 确认新的组织赋予非营利部门 PBC 股权，资源规模超 1000 亿美元用于推动 AI 安全。
OpenAI News精选AI 评分6666 OpenAI 发布 gpt-realtime 及 Realtime API 更新
OpenAI 发布高级语音到语音模型 gpt-realtime 及 Realtime API 更新。新能力包括 MCP server 支持、图像输入以及 SIP 电话呼叫支持。
推荐理由：OpenAI 发布 gpt-realtime 模型，新增图像输入与 SIP 电话支持，扩展了实时语音交互的技术边界。
OpenAI News精选AI 评分6565 OpenAI 与 Anthropic 分享首次联合安全评估结果
OpenAI 与 Anthropic 发布了首个同类联合安全评估结果，两家机构互相测试对方模型的对齐性、指令遵循、幻觉及越狱能力。该评估凸显了跨实验室协作在识别安全挑战方面的价值及进展。
推荐理由：原文展示了跨实验室协作测试模型对齐、幻觉及越狱风险的罕见路径，读者可据此理解安全评估的新合作模式。
OpenAI News精选AI 评分6464 OpenAI GPT-5 采用安全补全策略优化 AI 响应
OpenAI 在 GPT-5 中引入新的 safe-completions（安全补全）方法，旨在同时提升 AI 响应在安全性与有用性方面的表现。该方法推动安全训练从硬性拒绝转向以输出为中心的精细化处理，专门用于应对双重用途提示。
推荐理由：OpenAI 在 GPT-5 中引入 safe-completions 方法，将安全训练重心从硬性拒绝转向输出中心，展示了处理双重用途提示的新机制。
OpenAI News精选AI 评分8080 GPT-5 系统卡片发布
OpenAI 发布 GPT-5 系统卡片，说明统一模型路由系统如何结合 gpt-5-main、gpt-5-thinking 及轻量版本（如 gpt-5-thinking-nano），针对不同任务与开发者使用场景提供快速且智能的响应。
推荐理由：官方说明揭示 GPT-5 基于路由系统的多模型架构，读者可据此了解不同任务场景下的模型分工逻辑。
Hugging Face Blog精选AI 评分7575 Open R1 Update #3：CodeForces-CoTs 数据集与 OlympicCoder 模型
Hugging Face 发布 Open R1 Update #3，公布从 DeepSeek-R1 蒸馏得到近 10 万条高质量 C++ 与 Python 代码推理样本的 CodeForces-CoTs 数据集，并发布基于 IOI 的新基准。
推荐理由：给出了代码推理复现的细节与 7B、32B 模型结果，可参考训练策略与评测方法。
OpenAI News精选AI 评分9292 OpenAI 发布 o1 模型及开发者新工具
OpenAI 正式发布 o1 模型，重点提升复杂推理能力。同时推出了 Realtime API 改进和新微调方法，旨在增强开发者的工具可用性。
推荐理由：OpenAI 官方宣布推出 o1 模型及实时 API 改进，同时引入新的微调方法，为开发者提供了处理复杂推理任务和更灵活定制的基础能力。
Hugging Face Blog精选AI 评分8787 Hugging Face Tokenizer 新增 chat_template 属性以解决聊天模型格式不匹配问题
Hugging Face 在 tokenizer 中新增 chat_template 属性，用于存储模型训练时使用的 Jinja 聊天格式模板。由于不同聊天模型采用各异的消息格式化方式，使用错误格式会导致严重的性能下降且难以调试，该功能将格式逻辑从代码库移至模型仓库，允许用户通过 tokenizer.apply_chat_template() 自动匹配正确格式。
推荐理由：文章解释了 Chat template 如何解决格式错配导致的性能衰减问题，并给出了在 Hugging Face 生态中配置该属性以统一推理流程的具体方法。
OpenAI News精选AI 评分6363 OpenAI 发布 Proximal Policy Optimization 强化学习算法
OpenAI 发布 Proximal Policy Optimization 强化学习算法，其性能与现有最先进方法相当或更优，且实现与调优更简单，因此成为 OpenAI 内部默认的强化学习算法。
推荐理由：该算法实现简洁且易于调优，已成为 OpenAI 强化学习工作的默认方法，适合需要低成本落地的工程参考。