社区讨论：多数开发者认为Gemini 2.5 Flash兼顾速度、效果和成本，是价格带内没有替代品的优秀模型，反对谷歌下线它，不少人吐槽后续版本涨价三倍，不符合Flash系列原本平价定位。有人认为向谷歌请愿没用，还有人总结教训，称生产环境不该使用谷歌的产品。部分人提议，谷歌如果不想继续运营可以开放模型权重开源。

社区讨论：少数网友认可伯南克的能力，认为他能对AI及其影响给出不错的观点。多数网友不看好这项任命，有人将此举比作Theranos靠知名人物撑门面，有人批评伯南克08年救市只救企业不帮民众，埋下 bailout 依赖的恶果，还有老用户吐槽Anthropic从成立开始喊的AI安全都是做做样子，说为了人类都是假话。

社区讨论：多数人认可本次测试并非客观科学结论，只是开放分享的探索性测试。有人指出这种让大模型一次性生成随机应用的测试，和实际软件工程中使用AI的场景完全不同，也有人认为这类测试更考验模型的训练数据检索能力，而非推理能力，还会限制对模型创新能力的考察。有用户补充模型竞技场已有类似测试，结论和本次一致，也有人指责这两天连续刷屏是营销噱头。

https://x.com/__eknight__/status/2075643450196971805, https://xcancel.com/__eknight__/status/2075643450196971805

提示词：https://cdn.openai.com/pdf/04d1d1e4-bc75-476a-97cf-49055cd98...

社区讨论：多数用户认同AI辅助证明数学猜想的突破价值，有人指出目前AI仅剩下构建全新数学理论框架未实现突破。有人质疑该证明尚未经过同行验证，目前无人确认其正确性，如果证明出错也缺乏快速核验的流程。也有人指出，圈内其实很少有人关注这个被证明的猜想，该网站上一次提及它还是14年前，且那篇证明后来还被撤回了。

我们推出 Computer Analytics：你现在可以追踪跨模型的信用卡消费了。

此功能现已对个人用户和企业用户开放，可在「设置」下「Analytics」板块找到。

ChatGPT Work 将智能代理带到了消费级规模。它无论在可用性还是可及性上都实现了升级——你完全可以直接在手机上操作，不需要笔记本电脑，同时覆盖个人生活与职业工作场景。

我非常期待看到人们会如何使用它，以及它能为大家带来怎样的助力！

GPT-5.6最让人困惑的一点，就是搞清楚在哪种推理强度下该用哪个模型。如果它比我之前最喜欢的 5.5 xhigh 更好用的话，Medium 上的 Sol 说不定会成为编码工作的不错新默认选择。

大致就是这样：5.6 Sol Ultra 用于规划，Sol Medium 用于根据规划编码，以及通用编码任务。

Terra High 用于快速上下文子代理、读取代码库、搜索。

Luna（任意思考级别）用于聊天，或是移动文件、整理文件夹这类小型计算机操作。

GPT-5.6 是健康智能领域的一大进步。

在整个产品系列中，我们正以更低成本实现更强性能：GPT-5.6 Luna 在最高推理设置下的表现优于 GPT-5.5，成本却低了 25 倍。

这些改进共同提升了质量，同时让全球更多人能够用上先进模型。

作为我们持续加强生物学领域先进AI能力安全保障工作的一部分，我们正把现有的生物漏洞赏金计划转变为长期私有项目，即OpenAI生物漏洞赏金计划，并将赏金翻倍至5万美元。

我们邀请拥有AI红队演练、安全或生物安全领域经验的研究者，尝试找出通用越狱方法，攻破我们针对OpenAI前沿模型预设的生物安全挑战。

我太生气了……OpenAI 团队正在调查这件事，但这种问题居然出现在 GPT-3.5 身上也就算了，不该出现在 2026年中推出、处于最高推理层级的前沿模型上。

随着 Atlas 退役，转而支持 ChatGPT 应用内置的浏览器，我不禁好奇，AI 增强浏览器这个品类会不会就要走到尽头了。

在我看来，安全和隐私问题始终无法解决——我希望我的 AI 使用它自己独立的浏览器，离我日常在用的那个浏览器远点。

Cursor 正在开发一款通用 AI 智能体，名为 Sand，希望在编码工具之外，寻找下一波增长。

这款产品会让 Cursor 与 Anthropic 的 Claude Cowork 和 OpenAI 的 ChatGPT Work 展开更直接的竞争。

更多细节：

在一个长期进行的项目进行到一半时，Fable 突然冒出禁念然后终止项目，这真的烦死人了。

显然，我某篇论文里这一页参考文献让 Fable 想到了某些它绝对不能想的东西，所以只要它读取这一页，项目就会停止。

现在你能用AI做的、最改变生活的事，就是打造属于你自己的一体化个人应用。

让它帮你记录所有对你重要的事，从工作到健康。把你的待办清单放在上面，还能追踪项目进度。

对着Fable 5不断迭代调整，直到你做出能用的东西。把所有事游戏化，追踪所有事。

这是一篇关于人工智能与工作的重要早期论文，它指出：如果创业者本身表现出色，那么从GPT-4获取建议能让他们获得更高利润率；但如果创业者本身已经陷入困境，那使用GPT-4反而会让他们表现更差——因为他们无力落实GPT-4给出的建议。

这也从侧面反映出学术出版的滞后性有多严重。

除了代码支持外，OpenWiki 现在通过全新的「brains」模式支持通用记忆。

我们认为，代码库和个人维基对于提供你的智能体记忆都极其重要，但二者在配置和运行上有着不同的工作流。

查看我们关于「brains」发布的博客，了解我们如何思考这两类问题！

大型语言模型可以推动社会科学领域的实验进展，但关于应当如何使用它们来支持研究，目前仍存在根本性问题。

为什么我认为开源+本地自托管AI最终会胜出？原因在于：权重内学习（In-weight Learning）。

这一次，它用一个公开模型给出了新颖的数学证明（其他大部分重大数学突破都是用实验性大语言模型完成的）。

深入探索如何在 @v0 中，利用你自己的设计系统生成设计、原型、前端和全栈应用。

随着模型速度不断提升，v0 也变得越来越神奇。

下周，你可以参加现场直播、参与社区活动，并向 OpenAI Build Week Challenge 提交项目。现在就注册：

🚀langchain 本周正式发布：一切围绕开源模型与记忆展开！

首先是开源模型。我们与 @NVIDIAAI 合作发布了 NemoClaw DeepAgents 蓝图。

这个方案将 Deep Agents（我们的开源、模型无关框架）与 Nemotron 3 ultra（强大的开源模型）以及 OpenShell（企业级运行时）结合在了一起。相关博客：

第二是记忆。LLM 维基始终让我们充满兴趣。@BraceSproul @colifran_ 发布了新版 OpenWiki，核心聚焦「个人知识库」——可以从 Gmail、互联网等来源创建维基。

开源模型和记忆也能很好地配合。它们共同助力公司和企业拥有完整的技术栈——从模型层一直到上下文层。

这是来自Meta的新研究。（收藏下来）研究主题是如何修复会遗忘先前做出的决策的智能体。

众所周知，长周期智能体总会遗忘它们已经做出的决策。Meta研究者将这种故障命名为**行为状态衰减（behavioral state decay）**：任务事实、先前尝试和未完成子目标会被埋在上下文窗口中，或是被推出窗口外，因此不再影响后续动作。

他们的修复方案是，在一个未经修改的动作智能体之外，并行运行一个独立的记忆智能体。它会从近期轨迹中维护一个结构化记忆库，并在每一步决定：是注入一条基于记忆的提醒，还是保持沉默。

这个模块是即插即用的，可以配合前沿智能体和现有框架使用。它能同时提升Terminal-Bench 2.0和tau-squared-Bench上较弱与较强动作智能体的pass@1成绩。

总的来说，他们发现，能够在正确时机主动调出正确信息的记忆，是比被动检索更有用的基础模块——被动检索只有在智能体想到要提问时才会触发。

论文：在我们的学院中学习构建有效的AI智能体：

更多测试时计算能带来更强的智能。但当我们把测试时计算从秒级拉长到周级，延迟就会成为瓶颈。

GPT-5.6 Sol Ultra 可扩展并行测试时计算。生成一道有着50年历史难题的证明所需的时间，从原本可能整整一天缩短到了仅一小时。

Sierra 并不是第一个做这个产品的——Ramp、Stripe、CoinBase 也做了。

如果你想要开源版本，可以去看看 OpenSWE：我们内部就在用它（主要用来写代码）。

它支持任意模型，完全开源，但可以和 LangSmith 无缝集成，实现可观测性。

GPT-5.6 承接了 @SnorkelAI 的 Ankit Aich 交给它的一项近 1000 行的复杂编码任务，从开始到结束全程完成了工作，不需要重复提示或人工指导。

这个智能体可以在约 90 秒内撰写一份带引用的 VC 投资备忘录，成本仅为 0.40 美元。

1️⃣ 4 个由 @Perplexity_AI Agent API 驱动的 LangGraph 节点，并行调研财务、产品和市场信息

2️⃣ 一个无工具合成器仅基于节点调研到的内容撰写备忘录

深度解析：

一年半前，我们创办了 Thinking Machines，出发点是两个直觉：一是人们应当拥有更强的能力来自定义模型、开展相关研究，二是即便 AI 变得越来越自主，仍然还有大量工作要做，才能让人类与 AI 良好协作。

从那时到现在发生了很多事，尤其是智能代理领域取得了巨大进展，因此我们希望结合一路上学到的所有经验，重新审视最初的那两个直觉，展开讨论，并记下我们如今真正相信的观点。

经过大量辩论，我们得出了以下结论。我对这个结果很满意！

一名叫nonmayorpete的网友在𝕏分享了采购AI预训练数据的经历。他需要为模型预训练收集第一人称视角（ego）数据，向销售代表询问这批数据是否包含多样化场景，还是只是转售的印度工厂数据。

销售代表没有理解他的问题，他拿出标注示意图，解释多样化场景数据和转售印度工厂数据的区别。

销售听完之后笑着回答他“这是好数据，先生”。他最终采购了这批数据集，结果发现它真的是转售的印度工厂数据。

全新的 ChatGPT 语音用起来相当出色，真的值得你花一分钟在手机上体验一下。（同时要注意，这个语音模型并不会像完整推理模型那样智能）

我一直在说，ChatGPT Work 和 Cowork 对知识工作者来说都是被浪费掉的机会，为了说明这一点，你来看看 Google 的 NotebookLM 如何回答和 ChatGPT Work 相同的问题，用到的也是相同的 70 多个文件。

它核心关注流程和来源，而不只是输出结果。

关于智能编码代理，可以总结为： - 除非你需要 Terra Ultra 的性能，否则总是用更高努力值设置的 Luna 模型更好（性能相同或更好，但更便宜）。- 低于 Sol High 的模型都不用考虑，在这里使用高努力值设置的 Luna 即可。- Sol Extra High 不用考虑，在这里使用 Terra Ultra 即可。

- 和 Max 相比，Sol Ultra 额外多花的成本可能不值得。

关于 GPT-5.6 的笔记：它为 API 新增了一些有意思的功能——尤其是程序化工具调用和多智能体——另外对应 6 层推理和 3 个新模型，这里附上 18 只鹈鹕：

另外如果你想看看 OpenAI 自己的鹈鹕：今天早上他们在直播里展示了一只 3D 鹈鹕，分别骑了三轮车、自行车、小马，还骑了另一只鹈鹕。

模型的思维链就像一块草稿板，能让我们一窥它的推理过程。📝

在我们最新一期播客中，主持人@fryrsquared和@NeelNanda5对坐，共同探讨可解释性——也就是逆向工程神经网络如何学习、如何思考的科学。

时间码：
00:00 引言
02:41 可解释性研究的动机
04:01 机制可解释性
08:14 思维链监控
18:14 可解释性技术
35:00 模型安全审计
48:53 可解释性的下一步发展

观看→ Spotify → Apple Podcasts → 或者你也可以在你常用的播客平台收听！🎧

更多测试时计算能带来更强的智能。但当我们把测试时计算从秒级拉长到周级，延迟就会成为瓶颈。

GPT-5.6 Sol Ultra 可扩展并行测试时计算。生成一道有着50年历史难题的证明所需的时间，从原本可能整整一天缩短到了仅一小时。

这是来自Meta的新研究。（收藏下来）研究主题是如何修复会遗忘先前做出的决策的智能体。

众所周知，长周期智能体总会遗忘它们已经做出的决策。Meta研究者将这种故障命名为**行为状态衰减（behavioral state decay）**：任务事实、先前尝试和未完成子目标会被埋在上下文窗口中，或是被推出窗口外，因此不再影响后续动作。

他们的修复方案是，在一个未经修改的动作智能体之外，并行运行一个独立的记忆智能体。它会从近期轨迹中维护一个结构化记忆库，并在每一步决定：是注入一条基于记忆的提醒，还是保持沉默。

这个模块是即插即用的，可以配合前沿智能体和现有框架使用。它能同时提升Terminal-Bench 2.0和tau-squared-Bench上较弱与较强动作智能体的pass@1成绩。

总的来说，他们发现，能够在正确时机主动调出正确信息的记忆，是比被动检索更有用的基础模块——被动检索只有在智能体想到要提问时才会触发。

论文：在我们的学院中学习构建有效的AI智能体：

这一次，它用一个公开模型给出了新颖的数学证明（其他大部分重大数学突破都是用实验性大语言模型完成的）。

大型语言模型可以推动社会科学领域的实验进展，但关于应当如何使用它们来支持研究，目前仍存在根本性问题。

GPT-5.6 是健康智能领域的一大进步。

在整个产品系列中，我们正以更低成本实现更强性能：GPT-5.6 Luna 在最高推理设置下的表现优于 GPT-5.5，成本却低了 25 倍。

这些改进共同提升了质量，同时让全球更多人能够用上先进模型。

🚀langchain 本周正式发布：一切围绕开源模型与记忆展开！

首先是开源模型。我们与 @NVIDIAAI 合作发布了 NemoClaw DeepAgents 蓝图。

这个方案将 Deep Agents（我们的开源、模型无关框架）与 Nemotron 3 ultra（强大的开源模型）以及 OpenShell（企业级运行时）结合在了一起。相关博客：

第二是记忆。LLM 维基始终让我们充满兴趣。@BraceSproul @colifran_ 发布了新版 OpenWiki，核心聚焦「个人知识库」——可以从 Gmail、互联网等来源创建维基。

开源模型和记忆也能很好地配合。它们共同助力公司和企业拥有完整的技术栈——从模型层一直到上下文层。

除了代码支持外，OpenWiki 现在通过全新的「brains」模式支持通用记忆。

我们认为，代码库和个人维基对于提供你的智能体记忆都极其重要，但二者在配置和运行上有着不同的工作流。

查看我们关于「brains」发布的博客，了解我们如何思考这两类问题！

作为我们持续加强生物学领域先进AI能力安全保障工作的一部分，我们正把现有的生物漏洞赏金计划转变为长期私有项目，即OpenAI生物漏洞赏金计划，并将赏金翻倍至5万美元。

我们邀请拥有AI红队演练、安全或生物安全领域经验的研究者，尝试找出通用越狱方法，攻破我们针对OpenAI前沿模型预设的生物安全挑战。

下周，你可以参加现场直播、参与社区活动，并向 OpenAI Build Week Challenge 提交项目。现在就注册：

随着 Atlas 退役，转而支持 ChatGPT 应用内置的浏览器，我不禁好奇，AI 增强浏览器这个品类会不会就要走到尽头了。

在我看来，安全和隐私问题始终无法解决——我希望我的 AI 使用它自己独立的浏览器，离我日常在用的那个浏览器远点。

Cursor 正在开发一款通用 AI 智能体，名为 Sand，希望在编码工具之外，寻找下一波增长。

这款产品会让 Cursor 与 Anthropic 的 Claude Cowork 和 OpenAI 的 ChatGPT Work 展开更直接的竞争。

更多细节：

在一个长期进行的项目进行到一半时，Fable 突然冒出禁念然后终止项目，这真的烦死人了。

显然，我某篇论文里这一页参考文献让 Fable 想到了某些它绝对不能想的东西，所以只要它读取这一页，项目就会停止。

现在你能用AI做的、最改变生活的事，就是打造属于你自己的一体化个人应用。

让它帮你记录所有对你重要的事，从工作到健康。把你的待办清单放在上面，还能追踪项目进度。

对着Fable 5不断迭代调整，直到你做出能用的东西。把所有事游戏化，追踪所有事。

我们推出 Computer Analytics：你现在可以追踪跨模型的信用卡消费了。

此功能现已对个人用户和企业用户开放，可在「设置」下「Analytics」板块找到。

这是一篇关于人工智能与工作的重要早期论文，它指出：如果创业者本身表现出色，那么从GPT-4获取建议能让他们获得更高利润率；但如果创业者本身已经陷入困境，那使用GPT-4反而会让他们表现更差——因为他们无力落实GPT-4给出的建议。

这也从侧面反映出学术出版的滞后性有多严重。

https://x.com/__eknight__/status/2075643450196971805, https://xcancel.com/__eknight__/status/2075643450196971805

提示词：https://cdn.openai.com/pdf/04d1d1e4-bc75-476a-97cf-49055cd98...

社区讨论：多数用户认同AI辅助证明数学猜想的突破价值，有人指出目前AI仅剩下构建全新数学理论框架未实现突破。有人质疑该证明尚未经过同行验证，目前无人确认其正确性，如果证明出错也缺乏快速核验的流程。也有人指出，圈内其实很少有人关注这个被证明的猜想，该网站上一次提及它还是14年前，且那篇证明后来还被撤回了。

社区讨论：多数人认可本次测试并非客观科学结论，只是开放分享的探索性测试。有人指出这种让大模型一次性生成随机应用的测试，和实际软件工程中使用AI的场景完全不同，也有人认为这类测试更考验模型的训练数据检索能力，而非推理能力，还会限制对模型创新能力的考察。有用户补充模型竞技场已有类似测试，结论和本次一致，也有人指责这两天连续刷屏是营销噱头。

社区讨论：少数网友认可伯南克的能力，认为他能对AI及其影响给出不错的观点。多数网友不看好这项任命，有人将此举比作Theranos靠知名人物撑门面，有人批评伯南克08年救市只救企业不帮民众，埋下 bailout 依赖的恶果，还有老用户吐槽Anthropic从成立开始喊的AI安全都是做做样子，说为了人类都是假话。

社区讨论：多数开发者认为Gemini 2.5 Flash兼顾速度、效果和成本，是价格带内没有替代品的优秀模型，反对谷歌下线它，不少人吐槽后续版本涨价三倍，不符合Flash系列原本平价定位。有人认为向谷歌请愿没用，还有人总结教训，称生产环境不该使用谷歌的产品。部分人提议，谷歌如果不想继续运营可以开放模型权重开源。

一年半前，我们创办了 Thinking Machines，出发点是两个直觉：一是人们应当拥有更强的能力来自定义模型、开展相关研究，二是即便 AI 变得越来越自主，仍然还有大量工作要做，才能让人类与 AI 良好协作。

从那时到现在发生了很多事，尤其是智能代理领域取得了巨大进展，因此我们希望结合一路上学到的所有经验，重新审视最初的那两个直觉，展开讨论，并记下我们如今真正相信的观点。

经过大量辩论，我们得出了以下结论。我对这个结果很满意！

大致就是这样：5.6 Sol Ultra 用于规划，Sol Medium 用于根据规划编码，以及通用编码任务。

Terra High 用于快速上下文子代理、读取代码库、搜索。

Luna（任意思考级别）用于聊天，或是移动文件、整理文件夹这类小型计算机操作。

GPT-5.6最让人困惑的一点，就是搞清楚在哪种推理强度下该用哪个模型。如果它比我之前最喜欢的 5.5 xhigh 更好用的话，Medium 上的 Sol 说不定会成为编码工作的不错新默认选择。

深入探索如何在 @v0 中，利用你自己的设计系统生成设计、原型、前端和全栈应用。

随着模型速度不断提升，v0 也变得越来越神奇。

ChatGPT Work 将智能代理带到了消费级规模。它无论在可用性还是可及性上都实现了升级——你完全可以直接在手机上操作，不需要笔记本电脑，同时覆盖个人生活与职业工作场景。

我非常期待看到人们会如何使用它，以及它能为大家带来怎样的助力！

为什么我认为开源+本地自托管AI最终会胜出？原因在于：权重内学习（In-weight Learning）。

GPT-5.6 承接了 @SnorkelAI 的 Ankit Aich 交给它的一项近 1000 行的复杂编码任务，从开始到结束全程完成了工作，不需要重复提示或人工指导。

这个智能体可以在约 90 秒内撰写一份带引用的 VC 投资备忘录，成本仅为 0.40 美元。

1️⃣ 4 个由 @Perplexity_AI Agent API 驱动的 LangGraph 节点，并行调研财务、产品和市场信息

2️⃣ 一个无工具合成器仅基于节点调研到的内容撰写备忘录

深度解析：

Sierra 并不是第一个做这个产品的——Ramp、Stripe、CoinBase 也做了。

如果你想要开源版本，可以去看看 OpenSWE：我们内部就在用它（主要用来写代码）。

它支持任意模型，完全开源，但可以和 LangSmith 无缝集成，实现可观测性。

模型的思维链就像一块草稿板，能让我们一窥它的推理过程。📝

在我们最新一期播客中，主持人@fryrsquared和@NeelNanda5对坐，共同探讨可解释性——也就是逆向工程神经网络如何学习、如何思考的科学。

时间码：
00:00 引言
02:41 可解释性研究的动机
04:01 机制可解释性
08:14 思维链监控
18:14 可解释性技术
35:00 模型安全审计
48:53 可解释性的下一步发展

观看→ Spotify → Apple Podcasts → 或者你也可以在你常用的播客平台收听！🎧

我太生气了……OpenAI 团队正在调查这件事，但这种问题居然出现在 GPT-3.5 身上也就算了，不该出现在 2026年中推出、处于最高推理层级的前沿模型上。

关于 GPT-5.6 的笔记：它为 API 新增了一些有意思的功能——尤其是程序化工具调用和多智能体——另外对应 6 层推理和 3 个新模型，这里附上 18 只鹈鹕：

另外如果你想看看 OpenAI 自己的鹈鹕：今天早上他们在直播里展示了一只 3D 鹈鹕，分别骑了三轮车、自行车、小马，还骑了另一只鹈鹕。

关于智能编码代理，可以总结为： - 除非你需要 Terra Ultra 的性能，否则总是用更高努力值设置的 Luna 模型更好（性能相同或更好，但更便宜）。- 低于 Sol High 的模型都不用考虑，在这里使用高努力值设置的 Luna 即可。- Sol Extra High 不用考虑，在这里使用 Terra Ultra 即可。

- 和 Max 相比，Sol Ultra 额外多花的成本可能不值得。

我一直在说，ChatGPT Work 和 Cowork 对知识工作者来说都是被浪费掉的机会，为了说明这一点，你来看看 Google 的 NotebookLM 如何回答和 ChatGPT Work 相同的问题，用到的也是相同的 70 多个文件。

它核心关注流程和来源，而不只是输出结果。

全新的 ChatGPT 语音用起来相当出色，真的值得你花一分钟在手机上体验一下。（同时要注意，这个语音模型并不会像完整推理模型那样智能）

一名叫nonmayorpete的网友在𝕏分享了采购AI预训练数据的经历。他需要为模型预训练收集第一人称视角（ego）数据，向销售代表询问这批数据是否包含多样化场景，还是只是转售的印度工厂数据。

销售代表没有理解他的问题，他拿出标注示意图，解释多样化场景数据和转售印度工厂数据的区别。

销售听完之后笑着回答他“这是好数据，先生”。他最终采购了这批数据集，结果发现它真的是转售的印度工厂数据。