AI Pulse

AI Pulse

说人话的 AI 情报站
每天 08:00 · 12:30 · 18:30 · 23:50 更新每天四次更新
2026 年 7 月 9 日 · 18:30 更新
✦
试试:

今日焦点

法律AI能自己查资料验证引用,律师只需审核结果

Thomson Reuters 是一家175年历史的内容和技术公司,旗下有律师和会计师熟悉的Westlaw、Practical Law,以及AI法律平台CoCounsel Legal。CTO Joel Hron四年前因初创公司被收购而加入。他和团队做了一个核心决定:不自己训练大模型,而是与Anthropic合作,用Claude系列模型,再叠加自己的内容、专长和评估体系。

理由不是跑分高低。Hron说,最打动他们的是Anthropic构建企业AI的方法——透明、安全、负责任。Thomson Reuters是Anthropic最早的企业客户之一。他们不是简单把Claude接上数据。

阅读全文 →

深度阅读

查看全部深度文章 →
AI Agent 订阅 · 每天四次推送

🔥 信号雷达79 条本班新增 19 条

𝕏 实时信号 + arXiv 前沿论文,经 AI 聚类解读 · 一眼扫完全貌

18:30 最后一轮更新
今日要点 · 12 条
新行业动态 · @OpenAI▲ 40.5万

OpenAI官宣:下一代ChatGPT语音来了

太平洋时间上午10点将开启相关直播

下一代 ChatGPT Voice 已经推出。直播将于太平洋时间上午10点开始。

在 X 看原帖 ↗
40.5万2803.5K363
新新品发布 · @OpenAI▲ 54.6万

GPT-Live全量开放,付费用户现在就能用

Go、Plus、Pro计划的所有ChatGPT用户都能用上GPT-Live,免费用户的推送还在进行中

GPT-Live 现已全面向所有使用 Go、Plus 和 Pro 方案的 ChatGPT 用户开放。

免费用户的开放推送正在进行中。

更新 iOS 或 Android 端最新版 ChatGPT 应用即可体验。

在 X 看原帖 ↗
54.6万2323.0K318
新前沿研究 · @AnthropicAI▲ 22.7万

Anthropic 和 AE Studio 合作发布了新研究

想了解 Anthropic 最新研究方向的人,可以点进原文链接查看完整内容

我们很高兴能与 AE Studio 合作开展这项研究。点击此处了解更多:

在 X 看原帖 ↗
22.7万1071.1K379
行业动态 · Hacker News▲ 445

Hacker News热榜讨论的Grok 4.5来了

Hacker News上已有四百余赞和五百余条讨论,想跟进最新大模型动态可以看看相关文章

https://cursor.com/blog/grok-4-5

社区讨论:多人质疑xAI烧钱砸出第三梯队模型的商业逻辑,也有人指出Grok 4.5推理效率是Claude Opus的4倍,定价远低于竞品, benchmark成绩接近Opus 4.7,经济上站得住脚。有人不信任xAI会为迎合政治叙事调整模型输出,质疑其商业可靠性,还有开发者实测表示Grok完成了其他大厂模型做不出的个人iOS开发需求。不少人感慨Anthropic连续多年领跑模型排行榜,谷歌迟迟不推出Gemini 3.5 Pro越来越难讲好故事。

在 HN 看讨论 ↗   原文 / 论文 ↗
新机器人 · @MistralAI▲ 20.0万

Mistral发布首款具身导航模型Robostral Navigate

仅需单RGB摄像头,性能优于同类单摄像头方案

我们发布 Robostral Navigate,这是我们首个具身导航模型:一个 8B 参数的机器人导航模型,可以引导机器人自主完成自然语言指定的任务。仅需单个 RGB 相机,在 R2R-CE 基准上达到当前最优水平。

不需要 LiDAR,不需要深度传感器,不需要多摄像头组。顶尖系统都依赖深度信息或多个摄像头,而 Robostral Navigate 仅靠一个普通 RGB 摄像头就能工作,表现仍领先业界。

在 R2R-CE 基准的未见过环境验证集上,成功率达到 76.6%,已见过环境验证集为 79.4%,R2R-CE 是衡量未知环境中指令跟随能力的标准基准。它比最好的单摄像头方案高出 9.7 个百分点,同时所需传感设备少得多。

整个模型完全在模拟中训练:覆盖 6000 个场景的约 40 万条轨迹。一套前缀缓存方案将训练 tokens 减少了 22 倍,把数月的训练流程压缩到数天。在线强化学习(CISPO)进一步提升了成功率。

它可以在轮式、足式和飞行机器人上运行,能适配不同尺寸的机器人,可应用于配送、物流、制造和酒店服务业。了解更多:

在 X 看原帖 ↗
20.0万2902.3K527
新产品发布 · @OpenAI▲ 467.1万

OpenAI发布新一代语音模型GPT-Live 将接入ChatGPT

OpenAI推出全双工架构的新一代语音模型GPT-Live,近日逐步上线ChatGPT全平台

我们推出GPT-Live,这是面向自然人机交互的新一代语音模型。从今日起,将逐步在ChatGPT中开放上线。体验这项功能请记得打开声音。

GPT-Live让和AI对话就像真实聊天一样自然。它也是我们迄今为止最智能的语音模型。

GPT-Live基于全双工架构构建,这意味着它可以同时听和说。

全双工架构让模型能实现更自然的一来一回对话,保持更好的时间感,甚至可以完成实时翻译。

一个好的语音模型应当聊天体验舒适,GPT-Live就是出色的对话者,相比此前的语音模型,它拥有更自然、更鲜明的人格。

对于需要网络搜索、深度推理或更复杂工作的问题,GPT-Live可以在后台交由我们最新的前沿模型处理,结果准备好后再将它带回对话中。

这些新模型将从今日起,在未来几天内向所有用户逐步开放。它们将在iOS、Android和网页端的ChatGPT可用。API端很快也会上线。

只需点击语音按钮,就能和ChatGPT对话,你就能感受到GPT-Live的神奇魔力。

在 X 看原帖 ↗
467.1万1.8K2.1万5.7K
行业动态 · Hacker News▲ 579

Hacker News热帖讨论新项目GPT-Live

这个项目登上Hacker News热门榜首,引来近四百条讨论,暂时没有更多公开信息放出。

社区讨论:部分开发者认可GPT-Live的体验,实测称长时间语音 brainstorm效果很好,解决了旧版语音容易被说话打断、背景噪音误触发的问题,实时翻译效果自然流畅。也有人指出,当前所有头部语音助手都不支持语音模式下调用工具,GPT-Live语音回答比文本回答更模糊缺细节,还有用户找不到体验入口。反对者认为AI走了错误方向,不该由技术介入甚至取代最珍贵的人际关系。

在 HN 看讨论 ↗   原文 / 论文 ↗
新编码评测 · @OpenAI▲ 127.0万

OpenAI审计发现热门AI编码基准SWE-Bench Pro失效

OpenAI审计称30%任务失效,不再推荐其作为编码评测基准

我们审计了目前应用最广泛的 AI 代码基准测试之一 SWE-Bench Pro,发现它已经无法可靠衡量前沿代码能力。我们发现 SWE-Bench Pro 有 30% 的任务存在问题,因此撤回此前我们向研究社区提出的建议,即不再推荐将其作为顶尖代码评估工具使用。

我们对 SWE-Bench Pro 的审计发现,相当一部分公开任务本身存在问题,会扭曲结果。有些正确的解决方案会因为隐藏要求、矛盾指令、过度严格的测试,或者不完整的评分标准而无法通过。

为了审计 SWE-Bench Pro,我们使用了基于模型的调查代理,同时搭配五名独立资深软件工程师的人工评审。这帮助我们在保持专家判断为核心的前提下,完成了大规模的任务检查。

随着代码模型能力不断提升,评估需要变得更难、更公平、更可信。更好的基准测试能帮助整个领域认清真正的进展,以及前沿方向正在向何处发展。

在 X 看原帖 ↗
127.0万4376.2K1.2K
新品发布 · @AIatMeta▲ 19.7万

Meta放出生成视频模型Muse Video早期预览版

目前它在指令遵循、画面质量和时间一致性上表现不错,还在优化音画同步和快速运动物理准确性

随着 Muse Image 发布,我们同时分享了 Muse Video 的早期预览版。

它在提示词遵循度、视觉保真度和时间一致性上都具备可竞争的性能。

我们目前正在投入解决现有性能差距的领域,例如音视频同步和物理准确的快速运动。

在 X 看原帖 ↗
19.7万100779163
大模型 · @OpenAI▲ 371.5万

OpenAI发布新一代语音模型GPT-Live 将登陆ChatGPT

OpenAI推出全双工新一代语音模型GPT-Live,现已向ChatGPT用户推送

介绍一下 GPT-Live,它是面向自然人机交互的新一代语音模型。从今日起开始在 ChatGPT 中推送上线。体验这个功能的时候,记得打开声音。

GPT-Live 让和 AI 对话就像真实交谈一样自然。它也是我们迄今为止最智能的语音模型。

GPT-Live 基于全双工架构构建,也就是说它可以同时进行听和说。

我们的全双工架构让模型能够实现更自然的来回对话,更好地把握时间节奏,甚至可以完成实时翻译。

一款好的语音模型应该能让人愿意交谈,GPT-Live 就是出色的对话者,相比前代语音模型,它拥有更自然、更鲜明的人格。

对于需要联网搜索、深度推理或是更复杂任务的问题,GPT-Live 可以在后台交由我们最新的前沿模型处理,结果准备好后再带回对话中。

这些新模型将从今日起,在未来几天内向全体用户推送上线。它们会在 iOS、Android 和网页端的 ChatGPT 开放使用。API 端开放即将到来。只需点按语音按钮就能和 ChatGPT 对话,感受 GPT-Live 的奇妙体验。

在 X 看原帖 ↗
371.5万1.7K1.9万5.2K
新品发布 · @gdb▲ 5.0万

OpenAI正在推能自然对话的GPT-Live语音AI

这项功能已经开始接入ChatGPT,后续还会开放给API和Codex,普通用户很快就能体验到更自然的AI语音对话。

GPT-Live — 一款能像真人自然对话一样聊天的智能语音AI。

在我们自己的测试中,我们感觉它的使用潜力还远没有被挖掘出来。

它现在已经开始逐步推送给ChatGPT用户,我们也正在推进将它加入API和Codex的工作。

在 X 看原帖 ↗
5.0万2959557
AI编码 · @OpenAI▲ 31.0万

OpenAI审计发现热门AI编码基准SWE-Bench Pro失效

OpenAI审计发现常用AI编码基准30%任务损坏,不再推荐使用

我们审计了目前应用最广泛的AI代码基准之一SWE-Bench Pro,发现它已经无法可靠衡量前沿代码能力。我们发现SWE-Bench Pro中有30%的任务存在问题,因此收回我们此前向研究社区推荐它作为主流代码评测工具的结论。

我们对SWE-Bench Pro的审计发现,公开任务中有相当大的比例存在会扭曲结果的问题。部分正确的解决方案也会因为隐藏要求、矛盾指令、过度严格的测试或不完整的评分标准而被判失败。

为了审计SWE-Bench Pro,我们使用了基于模型的调查代理,同时由五名独立的资深软件工程师开展独立评审。这帮助我们在保持专家判断为核心的同时,大规模检查任务。

随着代码模型不断进步,评测也需要变得更难、更公平、更可信。更好的基准能帮助整个领域了解真实进展,以及前沿能力正在向哪个方向发展。

在 X 看原帖 ↗
31.0万1862.6K510
更多信号 · 按时间
新研究 · @WesRoth

OpenAI说常用的coding测试题坏了三成

SWE-Bench Pro是广泛用来衡量顶级AI编码能力的基准测试,OpenAI审核发现30%的测试任务已经失效,没法准确评估能力了。

OpenAI 审计了目前应用最广泛的编程基准测试之一 SWE-Bench Pro,称它已经无法可靠衡量前沿编程能力。

他们发现大约 30% 的 SWE-Bench Pro 任务存在问题。这些问题包括隐藏需求、指令矛盾、测试过于严苛、评分标准不完整,以及即便解法正确依然会判定失败的情况。

OpenAI 使用基于模型的调查代理大规模复审了所有任务,之后又让五名经验丰富的软件工程师独立检查了调查结果。

基于这些结果,OpenAI 撤回了此前建议研究人员将 SWE-Bench Pro 作为领先编程评测工具的推荐。

在 X 看原帖 ↗
新科技行业动态 · @rohanpaul_ai▲ 1.2K

Meta在扎克伯格AI重组后推出了首个图像模型

DeepSeek同时在自研推理芯片,这些动态都整理在了博主的通讯最新一期里。

我的通讯最新一期刚刚发出。🔗 🗞️

Meta 在马克·扎克伯格对AI部门改组后,推出了他们的第一个图像模型。🗞️

DeepSeek 正在研发一款推理芯片,以减少在价值500亿美元的中国AI芯片市场对英伟达和华为的依赖。🗞️

据 The Information 报道,继 DeepSeek 之后,智谱AI 也在探索定制化ASIC芯片,此前有消息称GLM-5.2的使用率在一周内暴涨了27倍。🗞️

Google Gemini 刚刚为开发者推出了功能强大得多的生产级AI代理工具。🗞️

有人搭建了一套Claude Code工作流,可以连接你的个人资料、招聘信息和申请草稿。该项目已经获得了5.7K+ Github星标。🗞️

在 Bloomberg 的一次采访中,Yann LeCun(@ylecun)解释了为什么大语言模型在真实世界智能方面存在局限。🗞️

1X Technologies 正准备公布一款可能超越人类手指控制能力的机械手。

在 X 看原帖 ↗
1.2K1
新科技 · @geoffwoo▲ 190

稀土磁铁创业听起来美好,实际全是硬骨头

创业PPT只讲得出磁铁概念,落地之后要面对溶剂提取、废物处理、纯度控制、供应链稳定和车企资质这些难题。

稀土尽职调查菜单:

宣传点:磁铁

现实情况:溶剂萃取、废料池、NdPr纯度、镝供应、车企资质

选你的BOSS战吧。

在 X 看原帖 ↗
1902
新行业动态 · @dejavucoder▲ 334

一天之内AI圈连发好几个大消息,根本刷不过来

博主发了博客推文,结果 timeline 被融资消息、技术博客、GPT Live发布会、grok 4.0信息挤得没了位置。

我昨天发的博客推文在时间线上要和以下内容竞争:
- prime intellect 融资轮次
- bun 作者发布的 Rust 博客文章
- GPT Live 发布会公告
- grok 4.5(cursor 和 xai 都发了推)
- cognition swe 1.7

基本上所有人都赶在OpenAI发布5.6之前抢着发了,哈哈。

在 X 看原帖 ↗
33431
新政策 · @Discoplomacy▲ 17

英国上议院即将迎来一连串AI相关辩论

相关议题会集中进行讨论,目前已经放出了活动相关链接。

上议院即将迎来一系列密集的AI辩论

在 X 看原帖 ↗
17
新深度观点 · @liyue_ai▲ 358

AI改不了编程最容易被忽略的关键环节

不管用传统编程还是AI编程,核心工作流程不会变,尤其是容易被轻视的用户体验和测试,往往决定项目成败。

端哥这是有AI产品经理思维了, 不管是古法编程还是AI编程, 传统的工作流程还是不变。 不会因为加入了AI就省掉某个环节, 特别是用户体验和测试,很多人瞧不起,但这往往是项目成败的关键。

在 X 看原帖 ↗
3583
新行业动态 · @WesRoth▲ 1.2K

OpenAI要发新工具,给你最棘手的工作找帮手

OpenAI预告了一场ChatGPT Work新直播,将要推出面向高难度工作的新合作产品,不妨等发布会揭开信息

OpenAI 宣布将举办一场新的 ChatGPT Work 直播,放出的预告是:“我们将为你最具野心的工作,介绍一位新伙伴。” 👀

在 X 看原帖 ↗
1.2K1162
新实战经验 · @0xSero▲ 2.4K

大模型跑了14小时,自己做了个任天堂DS模拟器

全程不需要额外干预,也没有出现乱码或死循环,本地运行的开源大模型就能完成这个任务,可以找能跑的本地模型试试ZCode

在4块6000上运行的GLM-5.2已经连续构建Nintendo DS模拟器14小时了。

没有出现汉字输出,也没有思维循环。我的API崩溃了,但这和模型无关,除此之外我完全不需要对它说任何额外指令。

你应该用你能本地运行的任意模型测试一下ZCode。

在 X 看原帖 ↗
2.4K1364
行业动态 · Hacker News▲ 131

让三个不同AI做同一款应用,结果会怎么样?

有人同时让Grok 4.5、GPT-5.5和Claude搭建同一个应用,可以直观对比三款顶级大模型的实际开发能力。

社区讨论:99%可能性这篇帖子本身是AI生成的。有人批评创意很棒但执行极差,对比完全主观,问题设置过于简单,对不同AI的重试次数不统一,仅抽样一次不符合科学方法,结果评分也忽略了任务难度差异。有人质疑为什么按单条回复算成本,而不是按完成任务算单位成本。

还有人指出原文给Claude结果最优、Grok结果最差,却因为Grok速度最快把奖给Grok,逻辑奇怪。

在 HN 看讨论 ↗   原文 / 论文 ↗
新新品发布 · @tetsuoai▲ 3.8K

前沿AI编码模型价格大跳水,还能进企业用了

做前沿AI编码任务不用再支付高价,现在已经能同时做到低价又快速,SpaceX和特斯拉已经把它作为日常工具使用。

Grok 4.5 现已发布,每百万输入 tokens 定价 2 美元,它与 Cursor 一同基于高质量编码轨迹训练。

它在数十万项真实多步骤工程任务上进行了原生强化学习。

token 效率比同类模型高出 4.2 倍。

在 Artificial Analysis 编码智能体索引中,Grok Build + Grok 4.5 得分 76,紧随榜首之后,领先于 Opus 4.8 max。

在 Terminal-Bench 上得分为 83.3%。

它已经是 SpaceX 和特斯拉内部日常主力工具。

前沿级智能体编码终于同时实现了亲民定价和高速度。

在 X 看原帖 ↗
3.8K5655
新深度观点 · @Vincent_AINotes▲ 472

AI变成团队同事后,程序员不用拼敲代码了

Anthropic最新访谈提到,AI编程已经从个人补全代码进化为团队智能体协作。未来程序员核心能力将转向任务拆解与验收判断,不用再和AI比拼敲字速度。

未来程序员不再是“写代码的人”!Anthropic 最新访谈揭示了残酷信号:AI 编程已从“个人代码补全”进化为“团队 Agent 协作”。把 Claude 放进 Slack,它能自己修 Bug、写 PR、甚至给 PM 发日报。

当 AI 变成你团队里的“赛博同事”,程序员的核心能力将彻底变成“任务拆解、上下文管理与验收判断”。别再和 AI 拼敲字速度了,来看看未来的顶级团队是怎么工作的👇

在 X 看原帖 ↗
47212
行业动态 · Hacker News▲ 265

有人说自己患上了LLM倦怠症

大量讨论跟进后,不少同行都说自己也有相同感受,这是热潮退去后的真实状态

社区讨论:多数从业者认可LLM倦怠的感受,有人说LLM带来的额外压力让待处理事项变成以前的10倍,有人连续读大模型输出几小时会感到身体不适,还有人因为工作内容从解决有趣的编程问题变成调教LLM,打算转行做别的。有人提到,没法适配LLM生成代码再审核的工作流,也厌烦了处理同事用LLM生成的未检查的粗糙代码,还有人不满AI公司刻意降本削弱模型能力。也有人认为提升生产力的前提下,这种加速是不必要的,有人分享了让LLM输出更简洁的小工具来缓解不适。

在 HN 看讨论 ↗   原文 / 论文 ↗
新深度观点 · @willdepue▲ 2.3K

梳理长期目标进度,为啥不用持续更新的摘要文档?

现有混乱的思维链摘要读起来慢,没人能摸清长期目标的当前状态,换个思路就能解决这个问题。

Codex 团队,了解长期推进目标的当前状态真的很难:我不知道现在进展到哪了,而且读杂乱的思维链(CoT)总结非常耗时。

相反,我们为什么不为每个目标维护一份持续更新的「总结文档」,列出已完成事项、过往问题、当前工作流程等等内容呢。

在 X 看原帖 ↗
2.3K4711
新行业动态 · @MistralAI▲ 2.2万

MistralAI解决方案团队全球开放招聘

想要参与塑造企业AI落地的方向,有创业精神、喜欢动手实践的人可以投递申请

MistralAI 的解决方案团队正在全球范围内招聘!

如果你有创业精神、亲力亲为,并且想要塑造企业采用AI的方式,那就来聊聊吧。

申请地址:

在 X 看原帖 ↗
2.2万2124685
行业动态 · Hacker News▲ 32

有人做了给AI代理写配置的新工具

想规整管理AI代理配置的开发可以试试,目前已经放到Hacker News展示征集反馈

新科普 · @mattpocockuk▲ 4.3K

专家解读四个最容易混淆的人工智能术语

专家解释AI领域四个易混淆术语,明确智能Agent定义

为你解释人工智能领域最容易混淆的四个术语:智能体(agent)就是一个被控制、在环境中运行的模型而已。

在 X 看原帖 ↗
4.3K118128
开源 · @jenzhuscott▲ 561

有人站全球所有开源开放AI实验室赢下竞赛

支持者认为开放AI要实现的数字权利,包括用户拥有自己的数据、决定什么内容隐私、拥有模型权重。

我支持全球所有开源开放的人工智能实验室赢得这场代表全人类的竞赛。🚀

数字权利意味着:
- 我们拥有自己的数据
- 我们自己决定哪些信息属于隐私
- 我们拥有自己的模型权重
- 我们可以根据自身需求/偏好/价值观选择基础模型,而非由他人替我们决定
- 不由任何政府,也不由任何中心化的少数人掌控

AI 应当反映包容我们所有人的、美好多元的人类文明。🌏🫶

在 X 看原帖 ↗
5614
工具发布 · @WesRoth

字节最新图像生成模型开放API调用了

Seedream 5.0 Pro已经部署在fal平台,开发者可以直接通过API调用它做图像生成和编辑。

Seedream 5.0 Pro 现已在 fal 上线,开发者可以通过 API 访问 ByteDance 最新的图像生成与编辑模型。

在 X 看原帖 ↗
开源 · @ModelScope2022▲ 510

开源多模型组合视频大模型上线了

LingBot-Video作为面向具身智能(AI理解物理环境)的系列模型,已经登陆ModelScope,覆盖多种生成任务测试。

LingBot-Video 作为面向具身智能的三模型开源 MoE 视频基础模型系列,现已登陆 ModelScope。🚀 🤖

📊 基准测试覆盖 T2V、TI2V 和 RBench,涵盖视频质量、具身领域和机器人任务,LingBot-Video 在 RBench 上的平均得分为 0.620。

⚡ 稀疏 MoE 缩放让长视频生成保持高效:30B-A3B 配置在 1M tokens 下,相对 Dense-30B 实现了约 3.18 倍加速。

🧠 模型基于 Single-Stream DiT 构建,采用稀疏专家路由,训练使用超过 70000 小时的具身导向数据,并完成了奖励对齐后训练。

它能实现:
• 支持文本/图像/结构化提示词生成开放世界视频
• 面向机器人未来轨迹的动作到视频(Action-to-Video)模拟
• 可应用于数据合成、策略评估和动作规划等场景

在 X 看原帖 ↗
51051
研究观点 · @Vtrivedy10▲ 696

有人认为AGI就是完美即时任务流程生成器

这位作者还提到,通过大规模挖掘AI智能体的运行轨迹,就能合成生成新的训练环境。

根据定义,AGI就是能为任何任务生成完美即时工作流的工具。

我发现一个方向:「半合成任务循环」,你可以通过从轨迹中挖掘任务、并从观测数据演化出高保真模拟器来即时完成这个循环。也就是对智能体轨迹进行大规模数据挖掘,来合成生成环境/评估,让智能体进行爬山算法训练👀

在 X 看原帖 ↗
69661
合成数据 · @Vtrivedy10▲ 201

有人猜合成数据生成目标几小时后就会解决

现在这个目标要在版本5.5运行,作者看好5.6方案公开后就能解决这个问题。

合成数据生成有一个相当难达成的目标,该任务将会在今晚使用 5.5 版本运行。

我 somewhat 乐观地认为,等几个小时后 5.6 版本的解决方案公开时,这个问题就会得到解决。

在 X 看原帖 ↗
2013
抄袭识别 · @liyue_ai▲ 428

发现一字不改的全文抄袭,求助AI识别

内容创作者发现自己的内容被完全照搬抄袭,发文询问能不能用算法识别出这种抄袭行为。

卧槽,这条居然一字不改的抄袭,麻了。。。

@nikitabier 这种算法能识别吗?

在 X 看原帖 ↗
4282
行业动态 · @altryne▲ 1.0K

OpenAI的超级AGI支持者跳槽去了Google

AI领域人才流动速度极快,等公开演讲录像放出时,这条消息可能就已经过时了,祝贺Ryan加入Google。

我在 AI Engineer 大会上的幻灯片里把 Ryan --yolo popolo 写成了“超级 AGI 信徒,甚至在 OpenAI 内部也是如此”,估等到会议录像放出来的时候,这条内容已经过时了!

我们这个 AI 世界里,事情变化就是这么快!

恭喜 Ryan,我已经期待来自谷歌内部的“Token 亿万富翁”能量了!

在 X 看原帖 ↗
1.0K3
前沿研究 · @rohanpaul_ai▲ 1.4K

AI真实使用率已经开始影响公司股价涨跌了

这项研究统计了实际AI需求增长,算出AI敏感度越高的公司,后续股票收益率更高,该效应不局限于科技板块。

真正的AI应用已经在改变投资者对哪些公司会增值、哪些公司会减值的判断。

这项研究使用来自OpenRouter的380万亿token,估算不同企业、国家和任务场景下,真实AI需求的增长情况。

之后研究者检验了当AI使用量上升时,哪些公司的股价出现了变动。这些公司后来获得了更高的股票回报率。

该研究将token增长、支出增长和用户增长整合为一个AI需求信号,再检验哪些公司的股价会随这个信号变动,将这种敏感性称为AI beta。

AI beta更高的公司后来获得了更高的回报率,差距最明显的来自闭源模型、付费用户、资深用户和长prompt场景。

这种效应不只是科技股行情,因为在控制了科技、半导体、AIETF和AI搜索热度等变量后,该效应仍然存在。

市场对交互类工作(比如沟通和指示)中的AI敞口看法最积极,对分析、科研和运营管控类工作的看法则没那么积极。

这项研究的基本结论是,实际AI消费已经开始反映在市场定价中,因此AI已经被视为一种会改变价值在企业和岗位间分配的经济力量。

--- – arxiv.org/abs/2606.30583v2 标题:"AI Premium"

在 X 看原帖 ↗
1.4K13
深度观点 · @romainhuet▲ 634

这个AI能同时听你说还跟你聊,居然这么自然

体验者称GPT‑Live比同类模型更智能,整体交互感受自然流畅,值得想试用实时对话AI的人留意

这是一条给这款出色模型制作的高质量视频!GPT‑Live可以同时听和说,还能实时翻译对话,陪你一起看图片聊天。

但它最突出的优点是,模型聪明得多,而且整个交互体验自然得惊人。

在 X 看原帖 ↗
63412
工具产品 · @kcosr▲ 33

有人做了自动SSH端口探测隧道小工具

这是受Cursor和vercel-labs/portless启发做的开发工具,打包完成后就会公开,给需要远程操作服务的开发者省步骤

我做了一个有趣的小项目,灵感来自 Cursor 和 vercel-labs/portless。

它能自动探测远程 SSH 主机上的端口,为 HTTP/HTTPS 服务创建隧道。

等我搞定 Swift 应用打包的方法后就会发布它。😀

在 X 看原帖 ↗
33
深度观点 · @alexeheath▲ 848

大厂扎堆更AI功能,行业倦怠已经藏不住了

解读OpenAI GPT-Live发布暗藏的风向,聊起Opus级模型的定位,提到Notion和Substack都推出了AI功能, burnout 真实存在。

解读 OpenAI 发布 GPT-Live 的弦外之音。 另外还有:“Opus级”模型的用途是什么?Notion 和 Substack 推出了AI相关产品,职业倦怠真实存在,一条安全带就能解决问题。

在 X 看原帖 ↗
84812
行业动态 · @altryne▲ 1.0K

OpenAI明天要放GPT-5.6,还分三个型号

访谈提到OpenAI内部所有工程师都在用Codex,明天将发布GPT-5.6,包含多个型号、超强推理和子代理功能

接下来,我在@aiDotEngineer现场与@dkundel展开了对谈🔥我们聊得非常尽兴,从OpenAI内部的开源项目开始,接着聚焦Codex、Codex的更新,最后聊到了GPT 5.6!它明天就要发布了,我觉得这发布时机刚刚好。快来看看我和Dom的这场对谈吧!

时间戳:
0:00 - OpenAI的Dominik Kundel加入节目
1:30 - OpenAI为什么发布GPT OSS和开放生态
3:48 - GPT-5.6:Sol、Terra和Luna讲解
5:32 - Ultra模式、Max推理和子代理
6:54 - OpenAI内部对Codex的使用覆盖率(100%工程师都在用)
9:04 - 面向非开发者的Codex以及与ChatGPT的合并
13:34 - 2026年OpenAI还会有人类审核代码吗?
15:04 - 大会氛围:FOMO以及人们如何使用这些工具
17:04 - Codex线程衍生出新线程(“线程主管”)
18:51 - 运行在Cerebras上的GPT-5.6 Sol可达750 token/秒

完整节目请查看

在 X 看原帖 ↗
1.0K131
前沿研究 · @emollick▲ 7.5K

能不能从AI拿到价值,老板的观念说了算

针对创业公司的研究发现,管理者是否相信AI有用、会不会用AI,直接决定了公司最终能从AI获得多少价值

管理者,以及他们对AI价值和AI使用方法的信念,决定了他们实际上能从AI中获得的价值。这是一篇研究创业公司的出色论文。

在 X 看原帖 ↗
7.5K64215
深度观点 · @amasad▲ 2.3K

别再拿自动AI代理和手写代码比了?

提出观点,就像没人要求编译器对标手写汇编,不需要一直拿自动AI代理和手写代码做比较。

我们什么时候才会停止拿 autonomous agents 和手写代码作比较?你可没见过编译器和工程师手写汇编作比较。

在 X 看原帖 ↗
2.3K125
行业动态 · Hacker News▲ 248

开源SWE-1.7能力接近GPT 5.5和Opus

如果这个结果成立,低成本获得同等编码能力的路径已经出现,可以关注后续验证

社区讨论:多数开发者质疑该结果的可信度,指出官方基准是自家定制,存在择优挑选测试集的问题,还提到该公司首次演示就存在不实内容,公司整体偏向融资导向,其跑分结果不能代表模型真实能力。也有开发者认可专注编码的开源低成本模型方向是有价值的,部分用户好奇该模型是否真的开源,暂未在Hugging Face搜到相关内容。

在 HN 看讨论 ↗   原文 / 论文 ↗
深度观点 · @emollick▲ 4.8K

Grok 4.5居然没发布标准的模型信息卡

头部大模型竞争中,有人指出Grok 4.5没有公开模型卡与测试结果,只放了 benchmark数据不符合行业惯例

既然我今晚要在每个模型厂商面前提这些细微但重要的问题,那就再讲一个:Grok 4.5 没有模型卡。

那些试图在前沿领域竞争的公司应该发布模型卡和测试结果,而不只是放几个基准测试分数!

在 X 看原帖 ↗
4.8K2452
前沿研究 · @emollick▲ 9.5K

OpenAI做了新能力测试,没公布GPT-5.6的结果

OpenAI花大成本开发了评估大模型复杂自主任务能力的新基准GDPval,至今没公布GPT-5.6的对应测试分数

OpenAI 关于指标的讨论在我看来有点令人困惑。我很感谢他们对糟糕基准的澄清,但他们斥巨资开发了一个非常出色的基准,用来测试模型处理高难度任务的自主能力,也就是 GDPval,可他们至今没有公布 GPT-5.6 的这项测试结果。

在 X 看原帖 ↗
9.5K1877
行业动态 · Hacker News▲ 126

Claude/Codex新增了处理地理空间数据的技能

需要处理地理空间数据时,可以调用这个现成技能直接处理,不用从头搭建流程。

深度观点 · @levie▲ 6.9K

新AI模型搞定复杂脑力活,成本还更低

最新一批AI模型已经能处理法律、医疗这类专业领域的复杂工作任务,未来企业处理内部数据和文档的效率还会有更大提升

最新推出的AI模型在处理复杂知识工作者任务上表现好得惊人,尤其擅长应对法律、专业服务、医疗等高度专业的工作领域。

Grok 4.5是这一领域又一个出色的产品,尤其是在成本与性能的平衡上表现突出。

随着模型在编码、数学、推理能力上大幅提升,并且在多个关键垂直领域完成训练,我们将会看到企业数据和文档的应用实现更多飞跃。

在 X 看原帖 ↗
6.9K3249
行业分析 · @lxfater▲ 1.1K

用户分享案例印证资源错配相关经验分享

社交平台用户分享内容,提及他人教授的资源错配概念

有图有真相😂,想起了@xbanboo 教我的资源错配

在 X 看原帖 ↗
1.1K1
行业动态 · Hacker News▲ 179

微软发了专为AI智能体设计的可视化语言Flint

现有AI生成数据可视化的痛点,被归因为可视化语言本身的局限,而非AI能力不足。这是新方向的尝试。

数据可视化是连接用户与数据的桥梁。但构建能够可靠生成可视化内容的AI智能体非常棘手:
- 简单图表规范可以保证可靠性,但由于依赖系统默认设置,生成的图表通常质量很低;
- 带有明确细节的复杂图表规范可以生成美观的图表,但规范内容冗长,智能体很难保证可靠性。

我们发现这是语言层面的限制(不只是AI能力的问题)——当前可视化

社区讨论:多数开发者认可给大语言模型做可视化层是有价值的方向,认为这种确定性规范层的模式会越来越普及,甚至有开发者认为这个DSL对人类也很易用。有人指出微软宣传的“帮AI智能体省去繁琐底层参数”站不住脚,大语言模型完全可以处理低level冗长代码,真正的问题是大模型本身不理解空间构图。也有人提问它和已经成熟的Vega、Graphviz相比有什么区别,还有人指出它基于JSON的声明对人类不友好,而且最终编译为Echarts,本身Echarts已经有JSON配置规范。

在 HN 看讨论 ↗   原文 / 论文 ↗
云服务 · @togethercompute▲ 1.9万

Together Compute推出预置吞吐量预留推理容量服务

为前沿开源模型提供预留推理容量,性价比更高且有SLA保障

我们即将推出 Provisioned Throughput:为前沿开源模型预留的推理容量,采用按 token 定价,并且提供 99% 可用性 SLA。

无服务器架构的简洁性,容量有保障,成本相比 Opus 4.8 最高降低 90%。

现在即可开始使用 MiniMax M3 + GLM-5.2,下文了解更多详情🧵

阅读我们的博客:

在 X 看原帖 ↗
1.9万88016
行业动态 · Hacker News▲ 180

Anthropic给Fable加的分类器太激进了

讨论AI内容安全管控的尺度问题,很多人对这件事有共鸣,很多人参与了讨论

社区讨论:多数开发者证实该分类器过度敏感,误报率极高,比如询问 innocuous 的室内二氧化碳浓度问题、计算临床试验统计数据、给vllm打补丁这类合法需求都被标记降级,生物学相关内容几乎完全无法使用,模型本身可用但被防护机制废掉了实用性。有人认为不能怪Anthropic,是为了通过政府监管才把敏感度拉满,后续应该会下调,也有人认为用户本来就提前知情不该抱怨。还有人疑惑该过滤是仅针对prompt还是会结合历史会话记忆触发。

在 HN 看讨论 ↗   原文 / 论文 ↗
行业动态 · Hacker News▲ 234

本周四要公开GPT新版本还有两个模型

官方还没发GPT新版本,这个爆料直接说了具体上线时间,可以等本周四看看消息落地。

社区讨论:多数开发者认为Codex比Claude更实用,它输出不啰嗦、更直接,响应速度也更快,不少人偏好GPT-5.5胜过Opus 4.8做数据分析类工作,Fable因护栏限制对部分专业工作不可用。有提前体验的开发者评价本次待发新版本能力很强,修复了GPT-5.5的问题,对子代理的理解和任务编排表现出色。也有用户吐槽OpenAI新模型的命名方案糟糕,弃用用户已经习惯的后缀增添了不必要的混淆。

在 HN 看讨论 ↗   原文 / 论文 ↗
编程 · @DimaZeniuk▲ 781

SpaceXAI和Cursor合作出了专门写代码的Grok 4.5

这是xAI第一次推出专门面向 coding 和智能体开发的模型,关注编程AI工具的人可以测试可用性。

SpaceXAI 宣布推出 Grok 4.5,这是该公司与 Cursor 合作开发的首个专门为编码和智能体训练的模型。

在 X 看原帖 ↗
781520
行业动态 · Hacker News▲ 400

Mistral发布了业内顶尖的机器人导航模型

Mistral除了做大语言模型,还把技术落地到机器人导航领域,新模型达到了当前顶尖水平

社区讨论:不少从业者认可Mistral拓展细分垂直领域的策略,认为欧洲AI将走这种侧重百年传统行业、安全可靠的落地路线,也有人指出前沿实验室转向实体AI,是因为通用大模型本身没有真正的护城河。有人期待这款模型实现了无预建地图导航,解决了传统的“被绑架机器人”定位导航难题,也有人质疑当前顶尖的80%左右准确率对实用机器人来说仍无用,演示的避障速度太慢,配不上业内顶尖的宣传。还有人担忧家用助手机器人未来可能被征召参战。

在 HN 看讨论 ↗   原文 / 论文 ↗
研究 · @omarsar0▲ 6.2K

你听说吗?强化学习做AI还远没到瓶颈

SWE-1.7用比顶级模型低得多的成本拿到了不错的结果,这类低成本路线目前很少被讨论。

RL 短期内远未触及极限!我太喜欢 SWE-1.7 的表现了:它只花费前沿模型一小部分成本,就拿到了这样的结果。

这正是我看到前沿开放模型(例如 Kimi 2.7)已经开始能实现的那种疯狂成果。

在 X 看原帖 ↗
6.2K84716
体验 · @emollick▲ 6.4K

新的GPT语音功能,真的像科幻片里和AI聊天

有人提前拿到试用资格,体验后说它比之前的版本自然很多,更接近大众想象里的对话AI。

我甚至还没来得及整理我提前体验新 GPT 语音后的想法,但它真的很棒,更接近科幻作品里和 AI 对话的体验——部分原因是它智能得多。

它加上 Claude Tag 表明,与 AI 协作的全新模式正在涌现。

在 X 看原帖 ↗
6.4K51059
研究 · @rohanpaul_ai▲ 1.4K

上海大学提出给AI装人类一样的记忆,这想法太炸了

现在AI就像读长篇推理小说只能留一张便利贴,新想法要解决记不住关键线索的问题。

阅读全文 →
1.4K1147
机器人 · @Techmeme▲ 732

Mistral刚发了能用单个摄像头的机器人导航模型

它不绑定特定硬件,靠仿真训练就能听懂文字指令,做室内机器人的小团队可以试试。

Mistral 发布了 Robostral Navigate,这是一款兼容任意硬件的机器人导航模型,通过模拟训练,可使用单个摄像头和语言提示运行。(@benoitberthelot / Bloomberg)

(访问 Techmeme dot com 获取链接和完整上下文!)

在 X 看原帖 ↗
732122
教程 · @_catwu▲ 3.5K

有人把单人用的Claude Code改成了多人协作的Claude Tag

作者明天会开直播,一步步讲改造过程,还会拆解这个多人AI工具的运行逻辑。

太平洋时间明天上午10点,我将主持一场直播演示,展示我们是如何从单人模式的 Claude Code 迭代到多人协作模式的 Claude Tag。

随后我们会深入讲解 Claude Tag 的实际工作原理。

AI 过去只能帮你补完句子,后来发展到能写出完整功能。现在 Claude Tag 可以监控你的沟通频道,主动为你完成工作,整个团队都可以引导它,而且它还记得你上周告诉它的内容。

报名链接:

在 X 看原帖 ↗
3.5K58639
安全 · @omarsar0▲ 4.2K

现在大家都在说混合模型,但没人提安全限制

目前的共识是同时用不同模型放大各自优势,没人讨论这套组合玩法里的安全红线。

当然,这里的核心收获就是要找到发挥两种模型各自优势的最佳方法。

我没看到任何一位早期测试者提到护栏机制这个问题。我希望他们别把体验搞砸,不要像Fable 5那样,深度技术工作的体验做得一塌糊涂。

在 X 看原帖 ↗
4.2K1154
新品发布 · @hwchase17▲ 6.5K

LangChain创始人联手英伟达推出开源智能体方案

双方合作打造适配开源模型的全开源智能体框架,想要做适配性更好的开源AI智能体。

我非常兴奋能和 @nvidia 合作推出 NemoClaw Deep Agents 蓝图。

Deep Agents 是一个完全开源的智能体框架。我们正在对它进行调优,让它配合开源模型实现出色的性能表现。

在 X 看原帖 ↗
6.5K116019
新品发布 · @omarsar0▲ 1.0万

3B参数跑3B大模型,推理成本降了一大截

这次开源项目把MoE稀疏激活用在长上下文视频物理推理上,能降低推理成本

重磅开源发布!

LingBot-Video 并不主打视频质量;它针对物理推理做了优化,并且采用稀疏运行机制:推理时 300 亿参数中只有 30 亿处于激活状态。

MoE 终于出现在长上下文视频领域,而这个领域对推理成本十分敏感。值得一看。

在 X 看原帖 ↗
1.0万84544
深度观点 · @zephyr_z9▲ 8.4K

订阅可及的最强模型不是GPT-5.6?居然是它

订阅模式能用到的模型里,Sol才是最强的。它模型体积更小,API费用比Fable便宜很多

不对,实际上 5.6 Sol 才是你能通过订阅访问到的最强模型,而且它的 API 会比 Fable 便宜得多,因为 Sol 是一个更小的模型。

在 X 看原帖 ↗
8.4K1404
实战经验 · @levelsio▲ 1.6万

只输提示词,AI全程写完了一个iOS应用

全程不需要人工改代码,项目运行在云端无头机器上,连登陆检查都不用人做。

它现在已经做好个人资料页了,而且因为 Claude Code 和网站本身运行在同一台服务器上,它可以立刻构建出一条 /api 路由,让 iOS 应用通过这个路由获取数据,把所有内容放进原生 Swift 元素里。

我什么都没碰,我只需要输入提示词。而且我甚至没法登录检查它的运行情况,因为它在云端的 Mac Mini 上无头运行!太酷了。

在 X 看原帖 ↗
1.6万26428
前沿研究 · @omarsar0▲ 7.5K

开源测试框架效果不输大厂,成本还砍半

有人实测发现,开源Pi测试框架效果和大厂Opus、GPT的框架一致,成本仅一半,GLM 5.2大幅提升了开源编码智能体性能

非常推荐一读。内容和我在自己测试框架里观察到的结果一致:

Pi 测试框架的成功率,和 LLM 厂商用 Opus 和 GPT 的测试框架相同,成本却低一半。

GLM 5.2 在开源编码智能体性能上是重大进步。

测试框架膨胀/腐化真的存在!

在 X 看原帖 ↗
7.5K55440
新品发布 · @RoundtableSpace▲ 9.4K

开源本地AI会议助手,完全不用连云服务

担心会议内容泄露出去,不想用云服务商的AI助手,现在有了不用连后端云服务的替代方案

这款 AI 会议助手让你的数据始终本地存储

* Meetily 使用本地 AI 模型完成会议录音、转写和总结
* 开源桌面应用,无需后端或云端配置

仓库地址:

在 X 看原帖 ↗
9.4K3164
深度观点 · @omarsar0▲ 6.0K

大模型实验室抢通用场景,应用公司该往哪跑

不用在智能本身和大模型实验室竞争,去搭建能让大模型落地运行的深度工作流,在结构化的业务场景里找到机会

这些实验室会继续抢占通用用例。应用公司需要在本身具备真实结构的工作领域取胜:对象、状态、规则、权限、审核。

Fillout 就是一个很好的例子:不要在智能层面和这些实验室竞争。要为智能提供一个可以运作的深度工作流。

在 X 看原帖 ↗
6.0K1512
前沿研究 · @LangChain▲ 1.7万

适配后推理成本降了10倍,跑分却领跑

跑相同基准测试,总分0.86只花4.48美元,性能接近的竞品要花43.48美元,运行大模型的成本能降这么多。

我们为 @NVIDIAAI Nemotron 3 Ultra 调整了适配框架。性能达到基准测试领先水平,推理成本降低 10 倍。

✅ 总得分为 0.86,成本为 4.48 美元
✅ 性能最接近的模型:成本为 43.48 美元

在 X 看原帖 ↗
1.7万119022
深度观点 · @swyx▲ 3.1K

多数AI Agent实验室不敢说自己用了中国大模型

大多Agent实验室为了拿到政府和国防订单,不愿公开承认使用中国模型。有团队落地了三点工作,解决相关问题。

大多数智能体实验室都不愿承认自己使用了中国模型,因为他们需要向政府/国防部门出售产品。

cog team 完成了最难的产品化工作:
1. 构建了多语种宣传与审查评估体系
2. 成功在后训练阶段对此进行修正
3. 能够以1000 tok/s的速度低成本提供服务

在 X 看原帖 ↗
3.1K13712
新品发布 · @LangChain▲ 5.4万

英伟达和LangChain出了开源智能体架构

企业可以完全自有、自定义这套全开源技术栈,推理成本比原来低超过10倍,性能达到基准测试领先水平

我们隆重推出 NemoClaw Deep Agents Blueprint,这是与 @NVIDIA 合作开发的构建开放智能体系统的参考架构✅
- 企业可完全掌控并自定义的全开源技术栈✅
- 基准测试领先性能✅
- 推理成本降低超 10 倍✅

博客:
视频:

在 X 看原帖 ↗
5.4万279146
行业动态 · @hwchase17▲ 6.3K

LangChain创始人联手Baseten,降低深度智能体门槛

双方合作,让所有人都能用上开放权重模型搭建的深度智能体,普通开发者也可以接触这项技术。

我非常乐意与baseten合作,确保所有人都能在深度智能体中使用open weight模型。

在 X 看原帖 ↗
6.3K54230
前沿研究 · @omarsar0▲ 6.8K

AI agent的长记忆改了设计逻辑,不再当被动接收者

现有记忆系统都把检索好的内容直接喂给模型。NapMem把记忆改成AI agent可以自主探索的结构化动作空间,能自己选择不同粒度的记忆来查询。

// 记忆成为一个动作空间 //

一篇关于智能体长期记忆的优秀论文。(收藏它)

简而言之,论文讨论了如何用学习到的策略,以合适的粒度使用记忆。

大多数记忆系统仍然只会把检索器选好的内容交给模型,让模型只能被动消费预先挑好的证据。

NapMem 将记忆重新定义为智能体可以自主导航的结构化动作空间。它将用户历史组织成多粒度金字塔结构:原始对话、分类记忆记录、话题追踪、用户画像,通过来源关系链接,并作为工具开放给智能体使用。

经过记忆工具强化学习训练后,智能体会在回答前选择要查看哪一级粒度的记忆。

NapMem 在 PersonaMem-v2、LongMemEval 和 LoCoMo 测试中都保持了竞争力,同时基本保留了通用推理和工具使用能力。

论文地址:

来我们的学院学习如何构建有效的 AI 智能体:

在 X 看原帖 ↗
6.8K1478111
实战经验 · @emollick▲ 3.0K

GPT-5.6能用本地开源模型当付费API平替

有人常用Pinokio下载运行本地开源AI工具和模型,它能无缝对接Code和Codex,GPT-5.6曾自动找到本地模型,用作付费API的低成本替代。

我经常用 Pinokio 下载本地开源 AI 工具/模型并开展工作,它有一个很棒的特性:能把这些模型无缝暴露给 Code 和 Codex。

GPT-5.6 甚至曾自己找到了我本地的视频模型和图像模型,把它们当作付费 API 的廉价替代方案来使用。

在 X 看原帖 ↗
3.0K1135
实战经验 · @GoogleAIStudio▲ 2.7万

点一下按钮就能把GitHub代码导入AI Studio

想把现有代码放进Google AI Studio做开发,不用手动迁移,一键导入就能完成

把你的代码从 @github 导入到 AI Studio Build 只需要点击「从 GitHub 导入」即可。

在 X 看原帖 ↗
2.7万3036669
深度观点 · @MollySOShea▲ 2.1K

未来一年90%令牌会流向开源大模型?

企业端令牌流向开源模型的占率从年初不到1%,涨到5月超过10%。开源模型性能强、成本低、速度快,到2026年底企业端占率有望突破50%。

Factory(@FactoryAI)首席执行官Matan Grinberg(@matanSF)表示:“未来12个月里,90%的token都会流向开放模型。”

企业已经在快速转向:“今年年初,他们只有不到1%的token流向开放模型。”“大概三月份的时候,这个比例突破了1%……到了五月份,它已经超过了10%。”

“这些开放模型性能极强,价格极便宜,速度极快。”

虽然前沿闭源模型不会消失:“它们仍然会有一席之地,但我认为这个位置会缩小——至少在token份额上是这样。”

那到2026年底呢?“至少在企业领域,开放模型的token份额可能会突破50%的门槛。”

在 X 看原帖 ↗
2.1K52810
创意改造 · @Michaelzsguo▲ 30

创作者将1920年代转盘电话改装为AI问答装置

接入树莓派改装部件,AI回答以物理翻牌形式显示,代码由AI辅助完成

Karen是创意导演与视频创作者,热爱各类科技与艺术融合实验。她将一台1920年代的老式转盘电话,接入树莓派(Raspberry Pi),并改装了听筒内的麦克风与扬声器。

改装后的装置,拿起电话时系统会自动录音,将语音发送给AI大模型处理。AI生成的回答不会显示在电子屏幕上,而是通过Vestaboard机械翻板显示器输出。

回答以物理翻牌的形式呈现,效果类似老式机场的航班信息展示板。整套装置的代码主要由Cursor AI辅助编写完成。

在 X 看原帖 ↗
302
大模型 · @omarsar0▲ 3.4K

大模型重度用户站队不同模型 单供应商策略被指糟糕

不同大模型重度用户偏好各自阵营的最优模型,观点指出顶级开发者都在混用不同模型

Claude重度用户认为Fable 5是当前最好的大模型。OpenAI Codex重度用户则认为GPT-5.6是最好的大模型。

实际情况是,忠实绑定单一模型供应商是非常糟糕的策略。

明智的选择是在前沿闭源模型与开源模型之间进行灵活调度。目前顶级开发者都在采用这种方式。

在 X 看原帖 ↗
3.4K2299
大模型 · @omarsar0▲ 1.3万

开发者计划测试新版执行者-顾问AI协作模式

该模式沿用原有框架,GPT-5.6任执行者,Fable 5任顾问,完整教程即将推出

开发者omarsar0表示,更期待测试这套新的AI协作模式。它沿用了原有的执行者-顾问框架,仅调整了两个角色对应的模型。

调整后,GPT-5.6将担任执行者,Fable 5将担任顾问。

此前使用GPT-5.5运行这套框架时,效果已经非常出色。因此omarsar0认为,GPT-5.6会让这套模式的表现进一步提升。

完整的使用教程将在之后发布。

在 X 看原帖 ↗
1.3万79995
机器人 · @MistralAI▲ 3.7万

Mistral发布首款具身导航模型Robostral Navigate

Mistral发布首款8B参数具身导航机器人模型,仅用单RGB相机

阅读全文 →
3.7万76601111
🔬 前沿研究
新前沿研究 · @AnthropicAI▲ 22.7万

Anthropic 和 AE Studio 合作发布了新研究

想了解 Anthropic 最新研究方向的人,可以点进原文链接查看完整内容

我们很高兴能与 AE Studio 合作开展这项研究。点击此处了解更多:

在 X 看原帖 ↗
22.7万1071.1K379
前沿研究 · @emollick▲ 9.5K

OpenAI做了新能力测试,没公布GPT-5.6的结果

OpenAI花大成本开发了评估大模型复杂自主任务能力的新基准GDPval,至今没公布GPT-5.6的对应测试分数

OpenAI 关于指标的讨论在我看来有点令人困惑。我很感谢他们对糟糕基准的澄清,但他们斥巨资开发了一个非常出色的基准,用来测试模型处理高难度任务的自主能力,也就是 GDPval,可他们至今没有公布 GPT-5.6 的这项测试结果。

在 X 看原帖 ↗
9.5K1877
前沿研究 · @emollick▲ 7.5K

能不能从AI拿到价值,老板的观念说了算

针对创业公司的研究发现,管理者是否相信AI有用、会不会用AI,直接决定了公司最终能从AI获得多少价值

管理者,以及他们对AI价值和AI使用方法的信念,决定了他们实际上能从AI中获得的价值。这是一篇研究创业公司的出色论文。

在 X 看原帖 ↗
7.5K64215
前沿研究 · @rohanpaul_ai▲ 1.4K

AI真实使用率已经开始影响公司股价涨跌了

这项研究统计了实际AI需求增长,算出AI敏感度越高的公司,后续股票收益率更高,该效应不局限于科技板块。

真正的AI应用已经在改变投资者对哪些公司会增值、哪些公司会减值的判断。

这项研究使用来自OpenRouter的380万亿token,估算不同企业、国家和任务场景下,真实AI需求的增长情况。

之后研究者检验了当AI使用量上升时,哪些公司的股价出现了变动。这些公司后来获得了更高的股票回报率。

该研究将token增长、支出增长和用户增长整合为一个AI需求信号,再检验哪些公司的股价会随这个信号变动,将这种敏感性称为AI beta。

AI beta更高的公司后来获得了更高的回报率,差距最明显的来自闭源模型、付费用户、资深用户和长prompt场景。

这种效应不只是科技股行情,因为在控制了科技、半导体、AIETF和AI搜索热度等变量后,该效应仍然存在。

市场对交互类工作(比如沟通和指示)中的AI敞口看法最积极,对分析、科研和运营管控类工作的看法则没那么积极。

这项研究的基本结论是,实际AI消费已经开始反映在市场定价中,因此AI已经被视为一种会改变价值在企业和岗位间分配的经济力量。

--- – arxiv.org/abs/2606.30583v2 标题:"AI Premium"

在 X 看原帖 ↗
1.4K13
前沿研究 · @omarsar0▲ 6.8K

AI agent的长记忆改了设计逻辑,不再当被动接收者

现有记忆系统都把检索好的内容直接喂给模型。NapMem把记忆改成AI agent可以自主探索的结构化动作空间,能自己选择不同粒度的记忆来查询。

// 记忆成为一个动作空间 //

一篇关于智能体长期记忆的优秀论文。(收藏它)

简而言之,论文讨论了如何用学习到的策略,以合适的粒度使用记忆。

大多数记忆系统仍然只会把检索器选好的内容交给模型,让模型只能被动消费预先挑好的证据。

NapMem 将记忆重新定义为智能体可以自主导航的结构化动作空间。它将用户历史组织成多粒度金字塔结构:原始对话、分类记忆记录、话题追踪、用户画像,通过来源关系链接,并作为工具开放给智能体使用。

经过记忆工具强化学习训练后,智能体会在回答前选择要查看哪一级粒度的记忆。

NapMem 在 PersonaMem-v2、LongMemEval 和 LoCoMo 测试中都保持了竞争力,同时基本保留了通用推理和工具使用能力。

论文地址:

来我们的学院学习如何构建有效的 AI 智能体:

在 X 看原帖 ↗
6.8K1478111
前沿研究 · @LangChain▲ 1.7万

适配后推理成本降了10倍,跑分却领跑

跑相同基准测试,总分0.86只花4.48美元,性能接近的竞品要花43.48美元,运行大模型的成本能降这么多。

我们为 @NVIDIAAI Nemotron 3 Ultra 调整了适配框架。性能达到基准测试领先水平,推理成本降低 10 倍。

✅ 总得分为 0.86,成本为 4.48 美元
✅ 性能最接近的模型:成本为 43.48 美元

在 X 看原帖 ↗
1.7万119022
前沿研究 · @omarsar0▲ 7.5K

开源测试框架效果不输大厂,成本还砍半

有人实测发现,开源Pi测试框架效果和大厂Opus、GPT的框架一致,成本仅一半,GLM 5.2大幅提升了开源编码智能体性能

非常推荐一读。内容和我在自己测试框架里观察到的结果一致:

Pi 测试框架的成功率,和 LLM 厂商用 Opus 和 GPT 的测试框架相同,成本却低一半。

GLM 5.2 在开源编码智能体性能上是重大进步。

测试框架膨胀/腐化真的存在!

在 X 看原帖 ↗
7.5K55440
🚀 新品发布
新新品发布 · @OpenAI▲ 54.6万

GPT-Live全量开放,付费用户现在就能用

Go、Plus、Pro计划的所有ChatGPT用户都能用上GPT-Live,免费用户的推送还在进行中

GPT-Live 现已全面向所有使用 Go、Plus 和 Pro 方案的 ChatGPT 用户开放。

免费用户的开放推送正在进行中。

更新 iOS 或 Android 端最新版 ChatGPT 应用即可体验。

在 X 看原帖 ↗
54.6万2323.0K318
新新品发布 · @tetsuoai▲ 3.8K

前沿AI编码模型价格大跳水,还能进企业用了

做前沿AI编码任务不用再支付高价,现在已经能同时做到低价又快速,SpaceX和特斯拉已经把它作为日常工具使用。

Grok 4.5 现已发布,每百万输入 tokens 定价 2 美元,它与 Cursor 一同基于高质量编码轨迹训练。

它在数十万项真实多步骤工程任务上进行了原生强化学习。

token 效率比同类模型高出 4.2 倍。

在 Artificial Analysis 编码智能体索引中,Grok Build + Grok 4.5 得分 76,紧随榜首之后,领先于 Opus 4.8 max。

在 Terminal-Bench 上得分为 83.3%。

它已经是 SpaceX 和特斯拉内部日常主力工具。

前沿级智能体编码终于同时实现了亲民定价和高速度。

在 X 看原帖 ↗
3.8K5655
新品发布 · @AIatMeta▲ 19.7万

Meta放出生成视频模型Muse Video早期预览版

目前它在指令遵循、画面质量和时间一致性上表现不错,还在优化音画同步和快速运动物理准确性

随着 Muse Image 发布,我们同时分享了 Muse Video 的早期预览版。

它在提示词遵循度、视觉保真度和时间一致性上都具备可竞争的性能。

我们目前正在投入解决现有性能差距的领域,例如音视频同步和物理准确的快速运动。

在 X 看原帖 ↗
19.7万100779163
新品发布 · @LangChain▲ 5.4万

英伟达和LangChain出了开源智能体架构

企业可以完全自有、自定义这套全开源技术栈,推理成本比原来低超过10倍,性能达到基准测试领先水平

我们隆重推出 NemoClaw Deep Agents Blueprint,这是与 @NVIDIA 合作开发的构建开放智能体系统的参考架构✅
- 企业可完全掌控并自定义的全开源技术栈✅
- 基准测试领先性能✅
- 推理成本降低超 10 倍✅

博客:
视频:

在 X 看原帖 ↗
5.4万279146
新品发布 · @gdb▲ 5.0万

OpenAI正在推能自然对话的GPT-Live语音AI

这项功能已经开始接入ChatGPT,后续还会开放给API和Codex,普通用户很快就能体验到更自然的AI语音对话。

GPT-Live — 一款能像真人自然对话一样聊天的智能语音AI。

在我们自己的测试中,我们感觉它的使用潜力还远没有被挖掘出来。

它现在已经开始逐步推送给ChatGPT用户,我们也正在推进将它加入API和Codex的工作。

在 X 看原帖 ↗
5.0万2959557
新品发布 · @RoundtableSpace▲ 9.4K

开源本地AI会议助手,完全不用连云服务

担心会议内容泄露出去,不想用云服务商的AI助手,现在有了不用连后端云服务的替代方案

这款 AI 会议助手让你的数据始终本地存储

* Meetily 使用本地 AI 模型完成会议录音、转写和总结
* 开源桌面应用,无需后端或云端配置

仓库地址:

在 X 看原帖 ↗
9.4K3164
新品发布 · @omarsar0▲ 1.0万

3B参数跑3B大模型,推理成本降了一大截

这次开源项目把MoE稀疏激活用在长上下文视频物理推理上,能降低推理成本

重磅开源发布!

LingBot-Video 并不主打视频质量;它针对物理推理做了优化,并且采用稀疏运行机制:推理时 300 亿参数中只有 30 亿处于激活状态。

MoE 终于出现在长上下文视频领域,而这个领域对推理成本十分敏感。值得一看。

在 X 看原帖 ↗
1.0万84544
新品发布 · @hwchase17▲ 6.5K

LangChain创始人联手英伟达推出开源智能体方案

双方合作打造适配开源模型的全开源智能体框架,想要做适配性更好的开源AI智能体。

我非常兴奋能和 @nvidia 合作推出 NemoClaw Deep Agents 蓝图。

Deep Agents 是一个完全开源的智能体框架。我们正在对它进行调优,让它配合开源模型实现出色的性能表现。

在 X 看原帖 ↗
6.5K116019
📰 行业动态
新行业动态 · @MistralAI▲ 2.2万

MistralAI解决方案团队全球开放招聘

想要参与塑造企业AI落地的方向,有创业精神、喜欢动手实践的人可以投递申请

MistralAI 的解决方案团队正在全球范围内招聘!

如果你有创业精神、亲力亲为,并且想要塑造企业采用AI的方式,那就来聊聊吧。

申请地址:

在 X 看原帖 ↗
2.2万2124685
新行业动态 · @OpenAI▲ 40.5万

OpenAI官宣:下一代ChatGPT语音来了

太平洋时间上午10点将开启相关直播

下一代 ChatGPT Voice 已经推出。直播将于太平洋时间上午10点开始。

在 X 看原帖 ↗
40.5万2803.5K363
新行业动态 · @WesRoth▲ 1.2K

OpenAI要发新工具,给你最棘手的工作找帮手

OpenAI预告了一场ChatGPT Work新直播,将要推出面向高难度工作的新合作产品,不妨等发布会揭开信息

OpenAI 宣布将举办一场新的 ChatGPT Work 直播,放出的预告是:“我们将为你最具野心的工作,介绍一位新伙伴。” 👀

在 X 看原帖 ↗
1.2K1162
新研究 · @WesRoth

OpenAI说常用的coding测试题坏了三成

SWE-Bench Pro是广泛用来衡量顶级AI编码能力的基准测试,OpenAI审核发现30%的测试任务已经失效,没法准确评估能力了。

OpenAI 审计了目前应用最广泛的编程基准测试之一 SWE-Bench Pro,称它已经无法可靠衡量前沿编程能力。

他们发现大约 30% 的 SWE-Bench Pro 任务存在问题。这些问题包括隐藏需求、指令矛盾、测试过于严苛、评分标准不完整,以及即便解法正确依然会判定失败的情况。

OpenAI 使用基于模型的调查代理大规模复审了所有任务,之后又让五名经验丰富的软件工程师独立检查了调查结果。

基于这些结果,OpenAI 撤回了此前建议研究人员将 SWE-Bench Pro 作为领先编程评测工具的推荐。

在 X 看原帖 ↗
新科技行业动态 · @rohanpaul_ai▲ 1.2K

Meta在扎克伯格AI重组后推出了首个图像模型

DeepSeek同时在自研推理芯片,这些动态都整理在了博主的通讯最新一期里。

我的通讯最新一期刚刚发出。🔗 🗞️

Meta 在马克·扎克伯格对AI部门改组后,推出了他们的第一个图像模型。🗞️

DeepSeek 正在研发一款推理芯片,以减少在价值500亿美元的中国AI芯片市场对英伟达和华为的依赖。🗞️

据 The Information 报道,继 DeepSeek 之后,智谱AI 也在探索定制化ASIC芯片,此前有消息称GLM-5.2的使用率在一周内暴涨了27倍。🗞️

Google Gemini 刚刚为开发者推出了功能强大得多的生产级AI代理工具。🗞️

有人搭建了一套Claude Code工作流,可以连接你的个人资料、招聘信息和申请草稿。该项目已经获得了5.7K+ Github星标。🗞️

在 Bloomberg 的一次采访中,Yann LeCun(@ylecun)解释了为什么大语言模型在真实世界智能方面存在局限。🗞️

1X Technologies 正准备公布一款可能超越人类手指控制能力的机械手。

在 X 看原帖 ↗
1.2K1
新科技 · @geoffwoo▲ 190

稀土磁铁创业听起来美好,实际全是硬骨头

创业PPT只讲得出磁铁概念,落地之后要面对溶剂提取、废物处理、纯度控制、供应链稳定和车企资质这些难题。

稀土尽职调查菜单:

宣传点:磁铁

现实情况:溶剂萃取、废料池、NdPr纯度、镝供应、车企资质

选你的BOSS战吧。

在 X 看原帖 ↗
1902
新行业动态 · @dejavucoder▲ 334

一天之内AI圈连发好几个大消息,根本刷不过来

博主发了博客推文,结果 timeline 被融资消息、技术博客、GPT Live发布会、grok 4.0信息挤得没了位置。

我昨天发的博客推文在时间线上要和以下内容竞争:
- prime intellect 融资轮次
- bun 作者发布的 Rust 博客文章
- GPT Live 发布会公告
- grok 4.5(cursor 和 xai 都发了推)
- cognition swe 1.7

基本上所有人都赶在OpenAI发布5.6之前抢着发了,哈哈。

在 X 看原帖 ↗
33431
新政策 · @Discoplomacy▲ 17

英国上议院即将迎来一连串AI相关辩论

相关议题会集中进行讨论,目前已经放出了活动相关链接。

上议院即将迎来一系列密集的AI辩论

在 X 看原帖 ↗
17
行业动态 · @altryne▲ 1.0K

OpenAI明天要放GPT-5.6,还分三个型号

访谈提到OpenAI内部所有工程师都在用Codex,明天将发布GPT-5.6,包含多个型号、超强推理和子代理功能

接下来,我在@aiDotEngineer现场与@dkundel展开了对谈🔥我们聊得非常尽兴,从OpenAI内部的开源项目开始,接着聚焦Codex、Codex的更新,最后聊到了GPT 5.6!它明天就要发布了,我觉得这发布时机刚刚好。快来看看我和Dom的这场对谈吧!

时间戳:
0:00 - OpenAI的Dominik Kundel加入节目
1:30 - OpenAI为什么发布GPT OSS和开放生态
3:48 - GPT-5.6:Sol、Terra和Luna讲解
5:32 - Ultra模式、Max推理和子代理
6:54 - OpenAI内部对Codex的使用覆盖率(100%工程师都在用)
9:04 - 面向非开发者的Codex以及与ChatGPT的合并
13:34 - 2026年OpenAI还会有人类审核代码吗?
15:04 - 大会氛围:FOMO以及人们如何使用这些工具
17:04 - Codex线程衍生出新线程(“线程主管”)
18:51 - 运行在Cerebras上的GPT-5.6 Sol可达750 token/秒

完整节目请查看

在 X 看原帖 ↗
1.0K131
行业动态 · @altryne▲ 1.0K

OpenAI的超级AGI支持者跳槽去了Google

AI领域人才流动速度极快,等公开演讲录像放出时,这条消息可能就已经过时了,祝贺Ryan加入Google。

我在 AI Engineer 大会上的幻灯片里把 Ryan --yolo popolo 写成了“超级 AGI 信徒,甚至在 OpenAI 内部也是如此”,估等到会议录像放出来的时候,这条内容已经过时了!

我们这个 AI 世界里,事情变化就是这么快!

恭喜 Ryan,我已经期待来自谷歌内部的“Token 亿万富翁”能量了!

在 X 看原帖 ↗
1.0K3
开源 · @jenzhuscott▲ 561

有人站全球所有开源开放AI实验室赢下竞赛

支持者认为开放AI要实现的数字权利,包括用户拥有自己的数据、决定什么内容隐私、拥有模型权重。

我支持全球所有开源开放的人工智能实验室赢得这场代表全人类的竞赛。🚀

数字权利意味着:
- 我们拥有自己的数据
- 我们自己决定哪些信息属于隐私
- 我们拥有自己的模型权重
- 我们可以根据自身需求/偏好/价值观选择基础模型,而非由他人替我们决定
- 不由任何政府,也不由任何中心化的少数人掌控

AI 应当反映包容我们所有人的、美好多元的人类文明。🌏🫶

在 X 看原帖 ↗
5614
工具发布 · @WesRoth

字节最新图像生成模型开放API调用了

Seedream 5.0 Pro已经部署在fal平台,开发者可以直接通过API调用它做图像生成和编辑。

Seedream 5.0 Pro 现已在 fal 上线,开发者可以通过 API 访问 ByteDance 最新的图像生成与编辑模型。

在 X 看原帖 ↗
开源 · @ModelScope2022▲ 510

开源多模型组合视频大模型上线了

LingBot-Video作为面向具身智能(AI理解物理环境)的系列模型,已经登陆ModelScope,覆盖多种生成任务测试。

LingBot-Video 作为面向具身智能的三模型开源 MoE 视频基础模型系列,现已登陆 ModelScope。🚀 🤖

📊 基准测试覆盖 T2V、TI2V 和 RBench,涵盖视频质量、具身领域和机器人任务,LingBot-Video 在 RBench 上的平均得分为 0.620。

⚡ 稀疏 MoE 缩放让长视频生成保持高效:30B-A3B 配置在 1M tokens 下,相对 Dense-30B 实现了约 3.18 倍加速。

🧠 模型基于 Single-Stream DiT 构建,采用稀疏专家路由,训练使用超过 70000 小时的具身导向数据,并完成了奖励对齐后训练。

它能实现:
• 支持文本/图像/结构化提示词生成开放世界视频
• 面向机器人未来轨迹的动作到视频(Action-to-Video)模拟
• 可应用于数据合成、策略评估和动作规划等场景

在 X 看原帖 ↗
51051
研究观点 · @Vtrivedy10▲ 696

有人认为AGI就是完美即时任务流程生成器

这位作者还提到,通过大规模挖掘AI智能体的运行轨迹,就能合成生成新的训练环境。

根据定义,AGI就是能为任何任务生成完美即时工作流的工具。

我发现一个方向:「半合成任务循环」,你可以通过从轨迹中挖掘任务、并从观测数据演化出高保真模拟器来即时完成这个循环。也就是对智能体轨迹进行大规模数据挖掘,来合成生成环境/评估,让智能体进行爬山算法训练👀

在 X 看原帖 ↗
69661
合成数据 · @Vtrivedy10▲ 201

有人猜合成数据生成目标几小时后就会解决

现在这个目标要在版本5.5运行,作者看好5.6方案公开后就能解决这个问题。

合成数据生成有一个相当难达成的目标,该任务将会在今晚使用 5.5 版本运行。

我 somewhat 乐观地认为,等几个小时后 5.6 版本的解决方案公开时,这个问题就会得到解决。

在 X 看原帖 ↗
2013
抄袭识别 · @liyue_ai▲ 428

发现一字不改的全文抄袭,求助AI识别

内容创作者发现自己的内容被完全照搬抄袭,发文询问能不能用算法识别出这种抄袭行为。

卧槽,这条居然一字不改的抄袭,麻了。。。

@nikitabier 这种算法能识别吗?

在 X 看原帖 ↗
4282
行业动态 · Hacker News▲ 32

有人做了给AI代理写配置的新工具

想规整管理AI代理配置的开发可以试试,目前已经放到Hacker News展示征集反馈

行业动态 · Hacker News▲ 265

有人说自己患上了LLM倦怠症

大量讨论跟进后,不少同行都说自己也有相同感受,这是热潮退去后的真实状态

社区讨论:多数从业者认可LLM倦怠的感受,有人说LLM带来的额外压力让待处理事项变成以前的10倍,有人连续读大模型输出几小时会感到身体不适,还有人因为工作内容从解决有趣的编程问题变成调教LLM,打算转行做别的。有人提到,没法适配LLM生成代码再审核的工作流,也厌烦了处理同事用LLM生成的未检查的粗糙代码,还有人不满AI公司刻意降本削弱模型能力。也有人认为提升生产力的前提下,这种加速是不必要的,有人分享了让LLM输出更简洁的小工具来缓解不适。

在 HN 看讨论 ↗   原文 / 论文 ↗
行业动态 · Hacker News▲ 131

让三个不同AI做同一款应用,结果会怎么样?

有人同时让Grok 4.5、GPT-5.5和Claude搭建同一个应用,可以直观对比三款顶级大模型的实际开发能力。

社区讨论:99%可能性这篇帖子本身是AI生成的。有人批评创意很棒但执行极差,对比完全主观,问题设置过于简单,对不同AI的重试次数不统一,仅抽样一次不符合科学方法,结果评分也忽略了任务难度差异。有人质疑为什么按单条回复算成本,而不是按完成任务算单位成本。

还有人指出原文给Claude结果最优、Grok结果最差,却因为Grok速度最快把奖给Grok,逻辑奇怪。

在 HN 看讨论 ↗   原文 / 论文 ↗
行业动态 · @hwchase17▲ 6.3K

LangChain创始人联手Baseten,降低深度智能体门槛

双方合作,让所有人都能用上开放权重模型搭建的深度智能体,普通开发者也可以接触这项技术。

我非常乐意与baseten合作,确保所有人都能在深度智能体中使用open weight模型。

在 X 看原帖 ↗
6.3K54230
编程 · @DimaZeniuk▲ 781

SpaceXAI和Cursor合作出了专门写代码的Grok 4.5

这是xAI第一次推出专门面向 coding 和智能体开发的模型,关注编程AI工具的人可以测试可用性。

SpaceXAI 宣布推出 Grok 4.5,这是该公司与 Cursor 合作开发的首个专门为编码和智能体训练的模型。

在 X 看原帖 ↗
781520
研究 · @omarsar0▲ 6.2K

你听说吗?强化学习做AI还远没到瓶颈

SWE-1.7用比顶级模型低得多的成本拿到了不错的结果,这类低成本路线目前很少被讨论。

RL 短期内远未触及极限!我太喜欢 SWE-1.7 的表现了:它只花费前沿模型一小部分成本,就拿到了这样的结果。

这正是我看到前沿开放模型(例如 Kimi 2.7)已经开始能实现的那种疯狂成果。

在 X 看原帖 ↗
6.2K84716
体验 · @emollick▲ 6.4K

新的GPT语音功能,真的像科幻片里和AI聊天

有人提前拿到试用资格,体验后说它比之前的版本自然很多,更接近大众想象里的对话AI。

我甚至还没来得及整理我提前体验新 GPT 语音后的想法,但它真的很棒,更接近科幻作品里和 AI 对话的体验——部分原因是它智能得多。

它加上 Claude Tag 表明,与 AI 协作的全新模式正在涌现。

在 X 看原帖 ↗
6.4K51059
研究 · @rohanpaul_ai▲ 1.4K

上海大学提出给AI装人类一样的记忆,这想法太炸了

现在AI就像读长篇推理小说只能留一张便利贴,新想法要解决记不住关键线索的问题。

阅读全文 →
1.4K1147
机器人 · @Techmeme▲ 732

Mistral刚发了能用单个摄像头的机器人导航模型

它不绑定特定硬件,靠仿真训练就能听懂文字指令,做室内机器人的小团队可以试试。

Mistral 发布了 Robostral Navigate,这是一款兼容任意硬件的机器人导航模型,通过模拟训练,可使用单个摄像头和语言提示运行。(@benoitberthelot / Bloomberg)

(访问 Techmeme dot com 获取链接和完整上下文!)

在 X 看原帖 ↗
732122
教程 · @_catwu▲ 3.5K

有人把单人用的Claude Code改成了多人协作的Claude Tag

作者明天会开直播,一步步讲改造过程,还会拆解这个多人AI工具的运行逻辑。

太平洋时间明天上午10点,我将主持一场直播演示,展示我们是如何从单人模式的 Claude Code 迭代到多人协作模式的 Claude Tag。

随后我们会深入讲解 Claude Tag 的实际工作原理。

AI 过去只能帮你补完句子,后来发展到能写出完整功能。现在 Claude Tag 可以监控你的沟通频道,主动为你完成工作,整个团队都可以引导它,而且它还记得你上周告诉它的内容。

报名链接:

在 X 看原帖 ↗
3.5K58639
安全 · @omarsar0▲ 4.2K

现在大家都在说混合模型,但没人提安全限制

目前的共识是同时用不同模型放大各自优势,没人讨论这套组合玩法里的安全红线。

当然,这里的核心收获就是要找到发挥两种模型各自优势的最佳方法。

我没看到任何一位早期测试者提到护栏机制这个问题。我希望他们别把体验搞砸,不要像Fable 5那样,深度技术工作的体验做得一塌糊涂。

在 X 看原帖 ↗
4.2K1154
行业动态 · Hacker News▲ 579

Hacker News热帖讨论新项目GPT-Live

这个项目登上Hacker News热门榜首,引来近四百条讨论,暂时没有更多公开信息放出。

社区讨论:部分开发者认可GPT-Live的体验,实测称长时间语音 brainstorm效果很好,解决了旧版语音容易被说话打断、背景噪音误触发的问题,实时翻译效果自然流畅。也有人指出,当前所有头部语音助手都不支持语音模式下调用工具,GPT-Live语音回答比文本回答更模糊缺细节,还有用户找不到体验入口。反对者认为AI走了错误方向,不该由技术介入甚至取代最珍贵的人际关系。

在 HN 看讨论 ↗   原文 / 论文 ↗
行业动态 · Hacker News▲ 400

Mistral发布了业内顶尖的机器人导航模型

Mistral除了做大语言模型,还把技术落地到机器人导航领域,新模型达到了当前顶尖水平

社区讨论:不少从业者认可Mistral拓展细分垂直领域的策略,认为欧洲AI将走这种侧重百年传统行业、安全可靠的落地路线,也有人指出前沿实验室转向实体AI,是因为通用大模型本身没有真正的护城河。有人期待这款模型实现了无预建地图导航,解决了传统的“被绑架机器人”定位导航难题,也有人质疑当前顶尖的80%左右准确率对实用机器人来说仍无用,演示的避障速度太慢,配不上业内顶尖的宣传。还有人担忧家用助手机器人未来可能被征召参战。

在 HN 看讨论 ↗   原文 / 论文 ↗
行业动态 · Hacker News▲ 234

本周四要公开GPT新版本还有两个模型

官方还没发GPT新版本,这个爆料直接说了具体上线时间,可以等本周四看看消息落地。

社区讨论:多数开发者认为Codex比Claude更实用,它输出不啰嗦、更直接,响应速度也更快,不少人偏好GPT-5.5胜过Opus 4.8做数据分析类工作,Fable因护栏限制对部分专业工作不可用。有提前体验的开发者评价本次待发新版本能力很强,修复了GPT-5.5的问题,对子代理的理解和任务编排表现出色。也有用户吐槽OpenAI新模型的命名方案糟糕,弃用用户已经习惯的后缀增添了不必要的混淆。

在 HN 看讨论 ↗   原文 / 论文 ↗
行业动态 · Hacker News▲ 180

Anthropic给Fable加的分类器太激进了

讨论AI内容安全管控的尺度问题,很多人对这件事有共鸣,很多人参与了讨论

社区讨论:多数开发者证实该分类器过度敏感,误报率极高,比如询问 innocuous 的室内二氧化碳浓度问题、计算临床试验统计数据、给vllm打补丁这类合法需求都被标记降级,生物学相关内容几乎完全无法使用,模型本身可用但被防护机制废掉了实用性。有人认为不能怪Anthropic,是为了通过政府监管才把敏感度拉满,后续应该会下调,也有人认为用户本来就提前知情不该抱怨。还有人疑惑该过滤是仅针对prompt还是会结合历史会话记忆触发。

在 HN 看讨论 ↗   原文 / 论文 ↗
行业动态 · Hacker News▲ 179

微软发了专为AI智能体设计的可视化语言Flint

现有AI生成数据可视化的痛点,被归因为可视化语言本身的局限,而非AI能力不足。这是新方向的尝试。

数据可视化是连接用户与数据的桥梁。但构建能够可靠生成可视化内容的AI智能体非常棘手:
- 简单图表规范可以保证可靠性,但由于依赖系统默认设置,生成的图表通常质量很低;
- 带有明确细节的复杂图表规范可以生成美观的图表,但规范内容冗长,智能体很难保证可靠性。

我们发现这是语言层面的限制(不只是AI能力的问题)——当前可视化

社区讨论:多数开发者认可给大语言模型做可视化层是有价值的方向,认为这种确定性规范层的模式会越来越普及,甚至有开发者认为这个DSL对人类也很易用。有人指出微软宣传的“帮AI智能体省去繁琐底层参数”站不住脚,大语言模型完全可以处理低level冗长代码,真正的问题是大模型本身不理解空间构图。也有人提问它和已经成熟的Vega、Graphviz相比有什么区别,还有人指出它基于JSON的声明对人类不友好,而且最终编译为Echarts,本身Echarts已经有JSON配置规范。

在 HN 看讨论 ↗   原文 / 论文 ↗
行业动态 · Hacker News▲ 445

Hacker News热榜讨论的Grok 4.5来了

Hacker News上已有四百余赞和五百余条讨论,想跟进最新大模型动态可以看看相关文章

https://cursor.com/blog/grok-4-5

社区讨论:多人质疑xAI烧钱砸出第三梯队模型的商业逻辑,也有人指出Grok 4.5推理效率是Claude Opus的4倍,定价远低于竞品, benchmark成绩接近Opus 4.7,经济上站得住脚。有人不信任xAI会为迎合政治叙事调整模型输出,质疑其商业可靠性,还有开发者实测表示Grok完成了其他大厂模型做不出的个人iOS开发需求。不少人感慨Anthropic连续多年领跑模型排行榜,谷歌迟迟不推出Gemini 3.5 Pro越来越难讲好故事。

在 HN 看讨论 ↗   原文 / 论文 ↗
行业动态 · Hacker News▲ 126

Claude/Codex新增了处理地理空间数据的技能

需要处理地理空间数据时,可以调用这个现成技能直接处理,不用从头搭建流程。

行业动态 · Hacker News▲ 248

开源SWE-1.7能力接近GPT 5.5和Opus

如果这个结果成立,低成本获得同等编码能力的路径已经出现,可以关注后续验证

社区讨论:多数开发者质疑该结果的可信度,指出官方基准是自家定制,存在择优挑选测试集的问题,还提到该公司首次演示就存在不实内容,公司整体偏向融资导向,其跑分结果不能代表模型真实能力。也有开发者认可专注编码的开源低成本模型方向是有价值的,部分用户好奇该模型是否真的开源,暂未在Hugging Face搜到相关内容。

在 HN 看讨论 ↗   原文 / 论文 ↗
💡 深度观点
新深度观点 · @willdepue▲ 2.3K

梳理长期目标进度,为啥不用持续更新的摘要文档?

现有混乱的思维链摘要读起来慢,没人能摸清长期目标的当前状态,换个思路就能解决这个问题。

Codex 团队,了解长期推进目标的当前状态真的很难:我不知道现在进展到哪了,而且读杂乱的思维链(CoT)总结非常耗时。

相反,我们为什么不为每个目标维护一份持续更新的「总结文档」,列出已完成事项、过往问题、当前工作流程等等内容呢。

在 X 看原帖 ↗
2.3K4711
新深度观点 · @Vincent_AINotes▲ 472

AI变成团队同事后,程序员不用拼敲代码了

Anthropic最新访谈提到,AI编程已经从个人补全代码进化为团队智能体协作。未来程序员核心能力将转向任务拆解与验收判断,不用再和AI比拼敲字速度。

未来程序员不再是“写代码的人”!Anthropic 最新访谈揭示了残酷信号:AI 编程已从“个人代码补全”进化为“团队 Agent 协作”。把 Claude 放进 Slack,它能自己修 Bug、写 PR、甚至给 PM 发日报。

当 AI 变成你团队里的“赛博同事”,程序员的核心能力将彻底变成“任务拆解、上下文管理与验收判断”。别再和 AI 拼敲字速度了,来看看未来的顶级团队是怎么工作的👇

在 X 看原帖 ↗
47212
新深度观点 · @liyue_ai▲ 358

AI改不了编程最容易被忽略的关键环节

不管用传统编程还是AI编程,核心工作流程不会变,尤其是容易被轻视的用户体验和测试,往往决定项目成败。

端哥这是有AI产品经理思维了, 不管是古法编程还是AI编程, 传统的工作流程还是不变。 不会因为加入了AI就省掉某个环节, 特别是用户体验和测试,很多人瞧不起,但这往往是项目成败的关键。

在 X 看原帖 ↗
3583
深度观点 · @levie▲ 6.9K

新AI模型搞定复杂脑力活,成本还更低

最新一批AI模型已经能处理法律、医疗这类专业领域的复杂工作任务,未来企业处理内部数据和文档的效率还会有更大提升

最新推出的AI模型在处理复杂知识工作者任务上表现好得惊人,尤其擅长应对法律、专业服务、医疗等高度专业的工作领域。

Grok 4.5是这一领域又一个出色的产品,尤其是在成本与性能的平衡上表现突出。

随着模型在编码、数学、推理能力上大幅提升,并且在多个关键垂直领域完成训练,我们将会看到企业数据和文档的应用实现更多飞跃。

在 X 看原帖 ↗
6.9K3249
深度观点 · @emollick▲ 4.8K

Grok 4.5居然没发布标准的模型信息卡

头部大模型竞争中,有人指出Grok 4.5没有公开模型卡与测试结果,只放了 benchmark数据不符合行业惯例

既然我今晚要在每个模型厂商面前提这些细微但重要的问题,那就再讲一个:Grok 4.5 没有模型卡。

那些试图在前沿领域竞争的公司应该发布模型卡和测试结果,而不只是放几个基准测试分数!

在 X 看原帖 ↗
4.8K2452
深度观点 · @amasad▲ 2.3K

别再拿自动AI代理和手写代码比了?

提出观点,就像没人要求编译器对标手写汇编,不需要一直拿自动AI代理和手写代码做比较。

我们什么时候才会停止拿 autonomous agents 和手写代码作比较?你可没见过编译器和工程师手写汇编作比较。

在 X 看原帖 ↗
2.3K125
深度观点 · @alexeheath▲ 848

大厂扎堆更AI功能,行业倦怠已经藏不住了

解读OpenAI GPT-Live发布暗藏的风向,聊起Opus级模型的定位,提到Notion和Substack都推出了AI功能, burnout 真实存在。

解读 OpenAI 发布 GPT-Live 的弦外之音。 另外还有:“Opus级”模型的用途是什么?Notion 和 Substack 推出了AI相关产品,职业倦怠真实存在,一条安全带就能解决问题。

在 X 看原帖 ↗
84812
深度观点 · @romainhuet▲ 634

这个AI能同时听你说还跟你聊,居然这么自然

体验者称GPT‑Live比同类模型更智能,整体交互感受自然流畅,值得想试用实时对话AI的人留意

这是一条给这款出色模型制作的高质量视频!GPT‑Live可以同时听和说,还能实时翻译对话,陪你一起看图片聊天。

但它最突出的优点是,模型聪明得多,而且整个交互体验自然得惊人。

在 X 看原帖 ↗
63412
深度观点 · @MollySOShea▲ 2.1K

未来一年90%令牌会流向开源大模型?

企业端令牌流向开源模型的占率从年初不到1%,涨到5月超过10%。开源模型性能强、成本低、速度快,到2026年底企业端占率有望突破50%。

Factory(@FactoryAI)首席执行官Matan Grinberg(@matanSF)表示:“未来12个月里,90%的token都会流向开放模型。”

企业已经在快速转向:“今年年初,他们只有不到1%的token流向开放模型。”“大概三月份的时候,这个比例突破了1%……到了五月份,它已经超过了10%。”

“这些开放模型性能极强,价格极便宜,速度极快。”

虽然前沿闭源模型不会消失:“它们仍然会有一席之地,但我认为这个位置会缩小——至少在token份额上是这样。”

那到2026年底呢?“至少在企业领域,开放模型的token份额可能会突破50%的门槛。”

在 X 看原帖 ↗
2.1K52810
深度观点 · @swyx▲ 3.1K

多数AI Agent实验室不敢说自己用了中国大模型

大多Agent实验室为了拿到政府和国防订单,不愿公开承认使用中国模型。有团队落地了三点工作,解决相关问题。

大多数智能体实验室都不愿承认自己使用了中国模型,因为他们需要向政府/国防部门出售产品。

cog team 完成了最难的产品化工作:
1. 构建了多语种宣传与审查评估体系
2. 成功在后训练阶段对此进行修正
3. 能够以1000 tok/s的速度低成本提供服务

在 X 看原帖 ↗
3.1K13712
深度观点 · @omarsar0▲ 6.0K

大模型实验室抢通用场景,应用公司该往哪跑

不用在智能本身和大模型实验室竞争,去搭建能让大模型落地运行的深度工作流,在结构化的业务场景里找到机会

这些实验室会继续抢占通用用例。应用公司需要在本身具备真实结构的工作领域取胜:对象、状态、规则、权限、审核。

Fillout 就是一个很好的例子:不要在智能层面和这些实验室竞争。要为智能提供一个可以运作的深度工作流。

在 X 看原帖 ↗
6.0K1512
深度观点 · @zephyr_z9▲ 8.4K

订阅可及的最强模型不是GPT-5.6?居然是它

订阅模式能用到的模型里,Sol才是最强的。它模型体积更小,API费用比Fable便宜很多

不对,实际上 5.6 Sol 才是你能通过订阅访问到的最强模型,而且它的 API 会比 Fable 便宜得多,因为 Sol 是一个更小的模型。

在 X 看原帖 ↗
8.4K1404
⚡ 实战经验
新实战经验 · @0xSero▲ 2.4K

大模型跑了14小时,自己做了个任天堂DS模拟器

全程不需要额外干预,也没有出现乱码或死循环,本地运行的开源大模型就能完成这个任务,可以找能跑的本地模型试试ZCode

在4块6000上运行的GLM-5.2已经连续构建Nintendo DS模拟器14小时了。

没有出现汉字输出,也没有思维循环。我的API崩溃了,但这和模型无关,除此之外我完全不需要对它说任何额外指令。

你应该用你能本地运行的任意模型测试一下ZCode。

在 X 看原帖 ↗
2.4K1364
实战经验 · @emollick▲ 3.0K

GPT-5.6能用本地开源模型当付费API平替

有人常用Pinokio下载运行本地开源AI工具和模型,它能无缝对接Code和Codex,GPT-5.6曾自动找到本地模型,用作付费API的低成本替代。

我经常用 Pinokio 下载本地开源 AI 工具/模型并开展工作,它有一个很棒的特性:能把这些模型无缝暴露给 Code 和 Codex。

GPT-5.6 甚至曾自己找到了我本地的视频模型和图像模型,把它们当作付费 API 的廉价替代方案来使用。

在 X 看原帖 ↗
3.0K1135
实战经验 · @levelsio▲ 1.6万

只输提示词,AI全程写完了一个iOS应用

全程不需要人工改代码,项目运行在云端无头机器上,连登陆检查都不用人做。

它现在已经做好个人资料页了,而且因为 Claude Code 和网站本身运行在同一台服务器上,它可以立刻构建出一条 /api 路由,让 iOS 应用通过这个路由获取数据,把所有内容放进原生 Swift 元素里。

我什么都没碰,我只需要输入提示词。而且我甚至没法登录检查它的运行情况,因为它在云端的 Mac Mini 上无头运行!太酷了。

在 X 看原帖 ↗
1.6万26428
实战经验 · @GoogleAIStudio▲ 2.7万

点一下按钮就能把GitHub代码导入AI Studio

想把现有代码放进Google AI Studio做开发,不用手动迁移,一键导入就能完成

把你的代码从 @github 导入到 AI Studio Build 只需要点击「从 GitHub 导入」即可。

在 X 看原帖 ↗
2.7万3036669
📌 其他
工具产品 · @kcosr▲ 33

有人做了自动SSH端口探测隧道小工具

这是受Cursor和vercel-labs/portless启发做的开发工具,打包完成后就会公开,给需要远程操作服务的开发者省步骤

我做了一个有趣的小项目,灵感来自 Cursor 和 vercel-labs/portless。

它能自动探测远程 SSH 主机上的端口,为 HTTP/HTTPS 服务创建隧道。

等我搞定 Swift 应用打包的方法后就会发布它。😀

在 X 看原帖 ↗
33
AI编码 · @OpenAI▲ 31.0万

OpenAI审计发现热门AI编码基准SWE-Bench Pro失效

OpenAI审计发现常用AI编码基准30%任务损坏,不再推荐使用

我们审计了目前应用最广泛的AI代码基准之一SWE-Bench Pro,发现它已经无法可靠衡量前沿代码能力。我们发现SWE-Bench Pro中有30%的任务存在问题,因此收回我们此前向研究社区推荐它作为主流代码评测工具的结论。

我们对SWE-Bench Pro的审计发现,公开任务中有相当大的比例存在会扭曲结果的问题。部分正确的解决方案也会因为隐藏要求、矛盾指令、过度严格的测试或不完整的评分标准而被判失败。

为了审计SWE-Bench Pro,我们使用了基于模型的调查代理,同时由五名独立的资深软件工程师开展独立评审。这帮助我们在保持专家判断为核心的同时,大规模检查任务。

随着代码模型不断进步,评测也需要变得更难、更公平、更可信。更好的基准能帮助整个领域了解真实进展,以及前沿能力正在向哪个方向发展。

在 X 看原帖 ↗
31.0万1862.6K510
机器人 · @MistralAI▲ 3.7万

Mistral发布首款具身导航模型Robostral Navigate

Mistral发布首款8B参数具身导航机器人模型,仅用单RGB相机

阅读全文 →
3.7万76601111
大模型 · @omarsar0▲ 1.3万

开发者计划测试新版执行者-顾问AI协作模式

该模式沿用原有框架,GPT-5.6任执行者,Fable 5任顾问,完整教程即将推出

开发者omarsar0表示,更期待测试这套新的AI协作模式。它沿用了原有的执行者-顾问框架,仅调整了两个角色对应的模型。

调整后,GPT-5.6将担任执行者,Fable 5将担任顾问。

此前使用GPT-5.5运行这套框架时,效果已经非常出色。因此omarsar0认为,GPT-5.6会让这套模式的表现进一步提升。

完整的使用教程将在之后发布。

在 X 看原帖 ↗
1.3万79995
大模型 · @omarsar0▲ 3.4K

大模型重度用户站队不同模型 单供应商策略被指糟糕

不同大模型重度用户偏好各自阵营的最优模型,观点指出顶级开发者都在混用不同模型

Claude重度用户认为Fable 5是当前最好的大模型。OpenAI Codex重度用户则认为GPT-5.6是最好的大模型。

实际情况是,忠实绑定单一模型供应商是非常糟糕的策略。

明智的选择是在前沿闭源模型与开源模型之间进行灵活调度。目前顶级开发者都在采用这种方式。

在 X 看原帖 ↗
3.4K2299
创意改造 · @Michaelzsguo▲ 30

创作者将1920年代转盘电话改装为AI问答装置

接入树莓派改装部件,AI回答以物理翻牌形式显示,代码由AI辅助完成

Karen是创意导演与视频创作者,热爱各类科技与艺术融合实验。她将一台1920年代的老式转盘电话,接入树莓派(Raspberry Pi),并改装了听筒内的麦克风与扬声器。

改装后的装置,拿起电话时系统会自动录音,将语音发送给AI大模型处理。AI生成的回答不会显示在电子屏幕上,而是通过Vestaboard机械翻板显示器输出。

回答以物理翻牌的形式呈现,效果类似老式机场的航班信息展示板。整套装置的代码主要由Cursor AI辅助编写完成。

在 X 看原帖 ↗
302
大模型 · @OpenAI▲ 371.5万

OpenAI发布新一代语音模型GPT-Live 将登陆ChatGPT

OpenAI推出全双工新一代语音模型GPT-Live,现已向ChatGPT用户推送

介绍一下 GPT-Live,它是面向自然人机交互的新一代语音模型。从今日起开始在 ChatGPT 中推送上线。体验这个功能的时候,记得打开声音。

GPT-Live 让和 AI 对话就像真实交谈一样自然。它也是我们迄今为止最智能的语音模型。

GPT-Live 基于全双工架构构建,也就是说它可以同时进行听和说。

我们的全双工架构让模型能够实现更自然的来回对话,更好地把握时间节奏,甚至可以完成实时翻译。

一款好的语音模型应该能让人愿意交谈,GPT-Live 就是出色的对话者,相比前代语音模型,它拥有更自然、更鲜明的人格。

对于需要联网搜索、深度推理或是更复杂任务的问题,GPT-Live 可以在后台交由我们最新的前沿模型处理,结果准备好后再带回对话中。

这些新模型将从今日起,在未来几天内向全体用户推送上线。它们会在 iOS、Android 和网页端的 ChatGPT 开放使用。API 端开放即将到来。只需点按语音按钮就能和 ChatGPT 对话,感受 GPT-Live 的奇妙体验。

在 X 看原帖 ↗
371.5万1.7K1.9万5.2K
云服务 · @togethercompute▲ 1.9万

Together Compute推出预置吞吐量预留推理容量服务

为前沿开源模型提供预留推理容量,性价比更高且有SLA保障

我们即将推出 Provisioned Throughput:为前沿开源模型预留的推理容量,采用按 token 定价,并且提供 99% 可用性 SLA。

无服务器架构的简洁性,容量有保障,成本相比 Opus 4.8 最高降低 90%。

现在即可开始使用 MiniMax M3 + GLM-5.2,下文了解更多详情🧵

阅读我们的博客:

在 X 看原帖 ↗
1.9万88016
行业分析 · @lxfater▲ 1.1K

用户分享案例印证资源错配相关经验分享

社交平台用户分享内容,提及他人教授的资源错配概念

有图有真相😂,想起了@xbanboo 教我的资源错配

在 X 看原帖 ↗
1.1K1
新编码评测 · @OpenAI▲ 127.0万

OpenAI审计发现热门AI编码基准SWE-Bench Pro失效

OpenAI审计称30%任务失效,不再推荐其作为编码评测基准

我们审计了目前应用最广泛的 AI 代码基准测试之一 SWE-Bench Pro,发现它已经无法可靠衡量前沿代码能力。我们发现 SWE-Bench Pro 有 30% 的任务存在问题,因此撤回此前我们向研究社区提出的建议,即不再推荐将其作为顶尖代码评估工具使用。

我们对 SWE-Bench Pro 的审计发现,相当一部分公开任务本身存在问题,会扭曲结果。有些正确的解决方案会因为隐藏要求、矛盾指令、过度严格的测试,或者不完整的评分标准而无法通过。

为了审计 SWE-Bench Pro,我们使用了基于模型的调查代理,同时搭配五名独立资深软件工程师的人工评审。这帮助我们在保持专家判断为核心的前提下,完成了大规模的任务检查。

随着代码模型能力不断提升,评估需要变得更难、更公平、更可信。更好的基准测试能帮助整个领域认清真正的进展,以及前沿方向正在向何处发展。

在 X 看原帖 ↗
127.0万4376.2K1.2K
新产品发布 · @OpenAI▲ 467.1万

OpenAI发布新一代语音模型GPT-Live 将接入ChatGPT

OpenAI推出全双工架构的新一代语音模型GPT-Live,近日逐步上线ChatGPT全平台

我们推出GPT-Live,这是面向自然人机交互的新一代语音模型。从今日起,将逐步在ChatGPT中开放上线。体验这项功能请记得打开声音。

GPT-Live让和AI对话就像真实聊天一样自然。它也是我们迄今为止最智能的语音模型。

GPT-Live基于全双工架构构建,这意味着它可以同时听和说。

全双工架构让模型能实现更自然的一来一回对话,保持更好的时间感,甚至可以完成实时翻译。

一个好的语音模型应当聊天体验舒适,GPT-Live就是出色的对话者,相比此前的语音模型,它拥有更自然、更鲜明的人格。

对于需要网络搜索、深度推理或更复杂工作的问题,GPT-Live可以在后台交由我们最新的前沿模型处理,结果准备好后再将它带回对话中。

这些新模型将从今日起,在未来几天内向所有用户逐步开放。它们将在iOS、Android和网页端的ChatGPT可用。API端很快也会上线。

只需点击语音按钮,就能和ChatGPT对话,你就能感受到GPT-Live的神奇魔力。

在 X 看原帖 ↗
467.1万1.8K2.1万5.7K
新机器人 · @MistralAI▲ 20.0万

Mistral发布首款具身导航模型Robostral Navigate

仅需单RGB摄像头,性能优于同类单摄像头方案

我们发布 Robostral Navigate,这是我们首个具身导航模型:一个 8B 参数的机器人导航模型,可以引导机器人自主完成自然语言指定的任务。仅需单个 RGB 相机,在 R2R-CE 基准上达到当前最优水平。

不需要 LiDAR,不需要深度传感器,不需要多摄像头组。顶尖系统都依赖深度信息或多个摄像头,而 Robostral Navigate 仅靠一个普通 RGB 摄像头就能工作,表现仍领先业界。

在 R2R-CE 基准的未见过环境验证集上,成功率达到 76.6%,已见过环境验证集为 79.4%,R2R-CE 是衡量未知环境中指令跟随能力的标准基准。它比最好的单摄像头方案高出 9.7 个百分点,同时所需传感设备少得多。

整个模型完全在模拟中训练:覆盖 6000 个场景的约 40 万条轨迹。一套前缀缓存方案将训练 tokens 减少了 22 倍,把数月的训练流程压缩到数天。在线强化学习(CISPO)进一步提升了成功率。

它可以在轮式、足式和飞行机器人上运行,能适配不同尺寸的机器人,可应用于配送、物流、制造和酒店服务业。了解更多:

在 X 看原帖 ↗
20.0万2902.3K527
新科普 · @mattpocockuk▲ 4.3K

专家解读四个最容易混淆的人工智能术语

专家解释AI领域四个易混淆术语,明确智能Agent定义

为你解释人工智能领域最容易混淆的四个术语:智能体(agent)就是一个被控制、在环境中运行的模型而已。

在 X 看原帖 ↗
4.3K118128

这一天的 79 条信号到这里

回到今日焦点回到顶部 ↑

📬 订阅

https://ai-pulse-lab.com/feed.xml
让 AI Agent 每日推送 →
把任何一条丢给知识库,它基于全站内容给你带引用的回答。
✦ 去问知识库

订阅 AI Pulse

每天 08:00 · 12:30 · 18:30 · 23:50 更新