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。

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。

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。

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。

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。

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。

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。

新一代 ChatGPT Voice 已经推出。太平洋时间上午10点开始直播。

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。

在发布 Muse Image 的同时，我们也分享了 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达到了有竞争力的性能表现。

我们目前正在投入资源改进现有性能存在缺口的领域，例如音视频同步和物理准确的快速运动。

推出 GPT-Live，新一代适用于自然人机交互的语音模型。从今日起，逐步在 ChatGPT 上线。这次你得打开声音体验。

GPT-Live 让你和 AI 交谈就像真实对话一样自然。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。

全双工架构让模型可以实现更自然的你来我往，更好地把控时序，甚至能完成实时翻译。

一款好的语音模型应该聊起来让人舒服，GPT-Live 就是出色的对话者，相比以往的语音模型，它拥有更自然、更鲜明的性格。

对于需要网络搜索、深度推理或是更复杂任务的问题，GPT-Live 可以在后台调度我们最新的前沿模型，结果准备好后，再把它带回对话中。

这些新模型从今日起，将在未来几天内逐步向所有用户开放。它将在 iOS、Android 和网页端的 ChatGPT 可用。很快就会登陆 API。只要点按语音按钮就能和 ChatGPT 交谈，你就能感受到 GPT-Live 的魔力。

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。

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。

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。

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。

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！）

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：

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。

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。

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。

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。

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。

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！

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：

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。

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

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

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：

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。

// 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：

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。

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

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。”

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。

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。

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。

// 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：

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

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！

在发布 Muse Image 的同时，我们也分享了 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达到了有竞争力的性能表现。

我们目前正在投入资源改进现有性能存在缺口的领域，例如音视频同步和物理准确的快速运动。

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：

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。

新一代 ChatGPT Voice 已经推出。太平洋时间上午10点开始直播。

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：

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。

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。

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。

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。

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。

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。

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！）

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：

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。

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。

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。

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。

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。

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。

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。

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。

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。”

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

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。

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。

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。

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。

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

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。

推出 GPT-Live，新一代适用于自然人机交互的语音模型。从今日起，逐步在 ChatGPT 上线。这次你得打开声音体验。

GPT-Live 让你和 AI 交谈就像真实对话一样自然。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。

全双工架构让模型可以实现更自然的你来我往，更好地把控时序，甚至能完成实时翻译。

一款好的语音模型应该聊起来让人舒服，GPT-Live 就是出色的对话者，相比以往的语音模型，它拥有更自然、更鲜明的性格。

对于需要网络搜索、深度推理或是更复杂任务的问题，GPT-Live 可以在后台调度我们最新的前沿模型，结果准备好后，再把它带回对话中。

这些新模型从今日起，将在未来几天内逐步向所有用户开放。它将在 iOS、Android 和网页端的 ChatGPT 可用。很快就会登陆 API。只要点按语音按钮就能和 ChatGPT 交谈，你就能感受到 GPT-Live 的魔力。

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。

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。

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。