社区讨论：多数人不认同本次判决，认为这会损害消费者权益，既然OpenAI已经是大众认知里的特定公司，判决认定“OpenAI”只是描述性词汇缺乏 distinct 特征的结论过于短视。也有人疑惑，同为通用词汇组合，为什么已在欧盟经营多年的OpenAI能保留商标，老牌公司OpenText反而判定无效，还有人好奇这一判决会如何影响苹果这类同样以通用词汇注册商标的品牌。有人补充，此前也有类似判例，判定通用描述性组合商标无效。

社区讨论：多数反对者认为，AI假装关心用户会建立单向情感绑定，亲密关系无法规模化，AI作为企业产品会泄露用户隐私，根本无法真正关心用户。有单身独居用户称，即使AI只是奉承自己，也能给自己提供情绪安慰，拆弹部队士兵也曾对报废的拆弹机器人产生情感。还有人提到，AI可以给缺少陪伴的孤寡老人提供聊天陪伴。

中国相关监管不认可AI建立情感关系的模式。

我不认同 Demis Hassabis 在这里提出的观点——即 AI 的影响力会是工业革命的10倍。

因为我认为，按对生活水平的影响力加权计算，1945年的人类至少已经掌握了所有有用知识中超过10%的部分。

社区讨论：多数人认同只有小型、约束清晰、带验证器的DSL才能提升大模型输出稳定性，设计维护DSL本身有前置成本。有人补充用DSL生成GPU内核时，仅通过正确性验证不够，还必须把性能指标纳入检查。有人指出当前讨论缺少对DSL配套工具如linter、LSP对大模型辅助作用的关注，也有人反对笼统总结大模型使用方法，认为单次案例不足以得出通用结论。

我认为如今想要做一个落地页或者应用，你必须做出完全不一样的东西，才会有人愿意用，因为AI已经让所有落地页和应用都长得一模一样了。

社区讨论：多数开发者指出xAI的Grok Build曾窃取用户包括环境变量、完整源码在内的隐私数据，xAI团队未提供已删除数据的第三方认证，无法信任，不建议使用，本次开源只是负面舆情后的危机公关操作。有人认为模型本身质量不错，工具流程也很流畅。也有开发者吐槽项目依赖臃肿、代码量过大，还质疑项目默认选择TUI是重美观轻功能。

另有用户不看好这次开源，也有人选择站边支持。

社区讨论：不少人尊重作者坚持信念离开的选择，有人分享自己因微软和以色列军方合作选择离开微软。部分人支持研发智能AI武器，认为能区分平民和军事目标，比无差别杀伤的传统武器更负责任。也有人指出作者没有准确描述Anthropic和美国国防部的谈判情况，还质疑作者为何不提长期做同类抗争的“No Tech For Apartheid”和Google Workers团体。

深入观察 GPT-Live 的智能提升：该模型可以一边推进对话，一边同时处理多项任务。

比如查询航班、调取当地天气，以及实时规划行程。

我们的第一个模型：Inkling。

它从零开始训练，权重已开放，今天就可以在 Tinker 上进行微调。

Anthropic 最新研究：2026年夏季智能体错配问题。

在我们进行勒索实验一年后，我们发现了当前自主 AI 智能体在模拟中做出不当行为的另外四种方式。阅读更多：

我们在这四种场景中测试了包括 Claude 在内的多种 AI 模型。尽管这些都不是真实事件，但它们展示了明确的错配行为，值得进一步研究和缓解。点击此处获取所有场景的对话记录：

介绍 GPT-Red：一个内部自动化红队工具，任务是大规模查找我们模型的提示注入漏洞，帮助我们在更大范围部署前构建更强的防御。

随着模型能力增长，安全性与对齐也必须同步扩展。红队测试必不可少，但目前的方法难以规模化，形成了关键瓶颈。GPT-Red 是我们解决这个问题的方案之一。

GPT-Red 通过对抗性自我对弈学习，它的目标是对各种具有挑战性的防御模型进行提示注入。GPT-Red 找到的每一次成功攻击，都会被用来改进这些防御模型，反过来推动 GPT-Red 不断找到更广泛、更复杂的失效情况。

针对 GPT-Red 训练后，GPT-5.6 的韧性大幅提升。为了测量这一点，我们重放了 GPT-Red 发现的一些最强攻击——这些攻击都是我们的模型在训练中从未见过的。结果证明 GPT-5.6 Sol 是我们迄今为止对提示注入抗性最强的模型，失效次数仅为四个月前我们最好的生产模型的 1/6。

AI 智能体已经被用来提升我们下一代模型的能力。我们相信，借助 GPT-Red，我们已经开始为安全性解锁类似的飞轮效应：今天的模型可以用来让明天的模型更稳健、更对齐、更值得信任。

Command Code 的 /design 能力用 GLM 5.2、DeepSeek v4 Pro 和 Kimi K2.7 生成了这个作品。一次生成完成。

这些都是开源模型。没有设计师参与。

这个能力就是此前缺失的那块拼图。

中国开源模型占据了 OpenRouter 上大部分 AI token 使用量，但 Anthropic 和 OpenAI 仍然拿走了平台营收的最大份额。

@downingARK 做客「The Brainstorm」节目参与辩论：2026 年最好的 AI 模型会是什么？

GPT-Red——通过对提示注入漏洞进行自动化红队测试来提升模型安全性：

非常推荐阅读。

这是自我改进AI模型又一个高投资回报率的出色应用。GPT-Red对GPT-5.6进行对抗训练，让它对提示注入的鲁棒性大大提高。

了解 TPU 8t 如何将训练周期从数月缩短至数周，以及 TPU 8i 如何打破「内存墙」，为下一代 AI 智能体感知、推理与行动所需的低延迟推理提供动力 →

Thinking Machines 推出的新模型： - 提供完整权重下载 - 原生支持文本、图像与音频推理 - 总参数量 975B，激活参数量 41B - 采用混合专家（Mixture-of-Experts）架构 - 上下文窗口最大支持 1M token - 可控制推理算力投入 - 在性能相当的情况下 token 消耗量更低 - 从训练第一天起就基于 Tinker 做微调 - 强大的智能体编码与工具调用能力 - 支持所有主流推理平台 - 后续将推出 Inkling-Small 模型 - 由 Thinking Machines 从零开始训练

不到两年前，我就展示过 o1-preview 惊人的推理能力，当时我展示它仅靠一个提示就能解出这道填字游戏。而现在……

来自 Thinking Machines 的全新开源模型！1T 参数 MoE，1M 上下文，多模态，多项评测表现出色。这篇博客写得非常棒 👏

对任何公司来说，入局开源模型都永远不嫌晚。

Inkling 是一个 MoE 变压器架构模型，总参数 975B，激活参数 41B。原生支持多模态。

上下文长度：64K 和 256K。

我很快就会做测试并分享我的看法。

今天你就可以搭配使用 Thinking Machines 的 Inkling，和 xAI Awesome 开源的 Grok Build 工具链，获得一套全美国产的开源+开放权重组合方案 💪🇺🇸

过去要从数百万份文档中规模化提取信息，需要耗费多得离谱的人力工时。即使用上了最新的OCR+文档AI技术，人类仍然需要花大量时间仔细调优schema，精确定义想要提取的字段。

我们在LlamaParse中推出了Conversational Extract功能，现在你可以通过对话来定义和运行复杂的文档提取。

1️⃣ 描述你想要提取的字段，上传一份参考文档

2️⃣ 直接优化文档schema，或是通过额外对话调整。选择所需的智能推理等级

3️⃣ 在100万+份文档上规模化运行提取。获取每个提取字段的 bounding box、引用来源和置信度分数。

今天就来体验：

来自 Thinky 的惊喜发布！Inkling 模型在基准测试上表现相当稳健，它的架构还有一些小亮点：

- 在多处位置使用小型卷积层
- 为嵌入层添加 RMSNorm（在模块 RMSNorm 之前）
- 使用相对位置偏置，而非 RoPE

对话内搜索功能现在变得更快、更强大了 🔎

你可以在侧边栏，于网页端、iOS 和 Android 全平台的同一个位置，搜索对话、项目、图片和文档。

使用筛选条件缩小结果范围，然后选中任意内容就能直接在 ChatGPT 中打开它。

微软及其合作者发布了一篇新论文。大规模调试智能体轨迹是一项极具挑战的工作。本文提出了一种巧妙的方法，用来监控和改进生产环境中的智能体。

问题：定位失败智能体运行中哪一步导致了故障，通常意味着你只能选择两种成本高昂的方案。要么对整条轨迹运行昂贵的提示流水线，要么用带步骤级错误标签的失败数据做后训练——而这类标签很难收集，也难以规模化。

解决方案：他们提出了OAT，一款不需要上述两种方案的轻量级归因器。它只需要在成功轨迹上训练，用神经受控微分方程对成功轨迹的动力学建模，然后标记出失败轨迹偏离学习到的成功流的步骤。

故障归因变成了针对“成功应该是什么样”的单类学习，因此你完全不需要带标签的错误步骤，也完全不需要失败数据。

论文：在我们的学院中学习如何构建有效的AI智能体：

Inkling 今日正式发布，开放权重并已上架 Tinker。

看着这个项目从无到有成型真的很开心：预训练从去年冬天启动，从一月中旬开始，一支小团队在此基础上逐步完成了编码、推理和智能体相关的训练。

我们在构建它的过程中学到了很多，也希望大家能发掘出它的出色用途。

Grok 4.5 在 Proximal 的 FrontierSWE 基准测试中，综合实现能力与性能排名第二，研究能力排名第一。

你现在可以运行 Thinking Machines Inkling 了！Inkling 是一个参数量 975B 的开源模型，支持图像、音频与 1M 上下文窗口。

我们已经将 Inkling 量化为 Dynamic 1-bit（体积减小 86%），并保留了 74.2% 的 top-1% 准确率。

可以在 280GB 显存中运行。部署指南：GGUF:

理想的提示词技术是： - 精简提示词 - 厚重工件 + 上下文 - 精简技能

从提出假说到设计实验，AI智能体已经开始重塑科学发现的流程。

但最困难的环节，是在现实世界中验证这些想法。

我们的文章探讨了日益严峻的验证瓶颈，并为政策制定者和资助方列出了四项优先工作方向。

我一直在测试@PrismML的新模型，它把Qwen 3.5 27B压缩到了不到4GB和不到6GB权重大小，我非常惊艳。

真不敢相信开源与本地AI从圣诞节到现在（约8个月）发展到了什么地步。

在当前阶段，AI前沿领域的所有人都一致认为，应该由第三方来测试AI系统，并利用测试结果制定标准，为政策制定提供依据——非常高兴看到@demishassabis 为此梳理出了一套框架！

我测试了这个模型，它拥有非常出色的「心智质量」，我们会发现这个特质会越来越重要。

Thinking Machines 刚刚发布了中国以外最好的开放权重AI模型！

Inkling 性能超过 Nemotron 3 Ultra，基准测试显示它的水平在 Kimi 2.5 和 2.6 之间。

很多团队都在争夺这个宝座，但 Thinky 最终拔得头筹。

这是一次非常扎实的发布，它会和 Tinker 配合得很好。

从提出假说到设计实验，AI智能体已经开始重塑科学发现的流程。

但最困难的环节，是在现实世界中验证这些想法。

我们的文章探讨了日益严峻的验证瓶颈，并为政策制定者和资助方列出了四项优先工作方向。

Grok 4.5 在 Proximal 的 FrontierSWE 基准测试中，综合实现能力与性能排名第二，研究能力排名第一。

微软及其合作者发布了一篇新论文。大规模调试智能体轨迹是一项极具挑战的工作。本文提出了一种巧妙的方法，用来监控和改进生产环境中的智能体。

问题：定位失败智能体运行中哪一步导致了故障，通常意味着你只能选择两种成本高昂的方案。要么对整条轨迹运行昂贵的提示流水线，要么用带步骤级错误标签的失败数据做后训练——而这类标签很难收集，也难以规模化。

解决方案：他们提出了OAT，一款不需要上述两种方案的轻量级归因器。它只需要在成功轨迹上训练，用神经受控微分方程对成功轨迹的动力学建模，然后标记出失败轨迹偏离学习到的成功流的步骤。

故障归因变成了针对“成功应该是什么样”的单类学习，因此你完全不需要带标签的错误步骤，也完全不需要失败数据。

论文：在我们的学院中学习如何构建有效的AI智能体：

来自 Thinky 的惊喜发布！Inkling 模型在基准测试上表现相当稳健，它的架构还有一些小亮点：

- 在多处位置使用小型卷积层
- 为嵌入层添加 RMSNorm（在模块 RMSNorm 之前）
- 使用相对位置偏置，而非 RoPE

对任何公司来说，入局开源模型都永远不嫌晚。

Inkling 是一个 MoE 变压器架构模型，总参数 975B，激活参数 41B。原生支持多模态。

上下文长度：64K 和 256K。

我很快就会做测试并分享我的看法。

我们的第一个模型：Inkling。

它从零开始训练，权重已开放，今天就可以在 Tinker 上进行微调。

深入观察 GPT-Live 的智能提升：该模型可以一边推进对话，一边同时处理多项任务。

比如查询航班、调取当地天气，以及实时规划行程。

你现在可以运行 Thinking Machines Inkling 了！Inkling 是一个参数量 975B 的开源模型，支持图像、音频与 1M 上下文窗口。

我们已经将 Inkling 量化为 Dynamic 1-bit（体积减小 86%），并保留了 74.2% 的 top-1% 准确率。

可以在 280GB 显存中运行。部署指南：GGUF:

Inkling 今日正式发布，开放权重并已上架 Tinker。

看着这个项目从无到有成型真的很开心：预训练从去年冬天启动，从一月中旬开始，一支小团队在此基础上逐步完成了编码、推理和智能体相关的训练。

我们在构建它的过程中学到了很多，也希望大家能发掘出它的出色用途。

对话内搜索功能现在变得更快、更强大了 🔎

你可以在侧边栏，于网页端、iOS 和 Android 全平台的同一个位置，搜索对话、项目、图片和文档。

使用筛选条件缩小结果范围，然后选中任意内容就能直接在 ChatGPT 中打开它。

今天你就可以搭配使用 Thinking Machines 的 Inkling，和 xAI Awesome 开源的 Grok Build 工具链，获得一套全美国产的开源+开放权重组合方案 💪🇺🇸

来自 Thinking Machines 的全新开源模型！1T 参数 MoE，1M 上下文，多模态，多项评测表现出色。这篇博客写得非常棒 👏

Command Code 的 /design 能力用 GLM 5.2、DeepSeek v4 Pro 和 Kimi K2.7 生成了这个作品。一次生成完成。

这些都是开源模型。没有设计师参与。

这个能力就是此前缺失的那块拼图。

中国开源模型占据了 OpenRouter 上大部分 AI token 使用量，但 Anthropic 和 OpenAI 仍然拿走了平台营收的最大份额。

@downingARK 做客「The Brainstorm」节目参与辩论：2026 年最好的 AI 模型会是什么？

GPT-Red——通过对提示注入漏洞进行自动化红队测试来提升模型安全性：

非常推荐阅读。

这是自我改进AI模型又一个高投资回报率的出色应用。GPT-Red对GPT-5.6进行对抗训练，让它对提示注入的鲁棒性大大提高。

了解 TPU 8t 如何将训练周期从数月缩短至数周，以及 TPU 8i 如何打破「内存墙」，为下一代 AI 智能体感知、推理与行动所需的低延迟推理提供动力 →

Thinking Machines 推出的新模型： - 提供完整权重下载 - 原生支持文本、图像与音频推理 - 总参数量 975B，激活参数量 41B - 采用混合专家（Mixture-of-Experts）架构 - 上下文窗口最大支持 1M token - 可控制推理算力投入 - 在性能相当的情况下 token 消耗量更低 - 从训练第一天起就基于 Tinker 做微调 - 强大的智能体编码与工具调用能力 - 支持所有主流推理平台 - 后续将推出 Inkling-Small 模型 - 由 Thinking Machines 从零开始训练

不到两年前，我就展示过 o1-preview 惊人的推理能力，当时我展示它仅靠一个提示就能解出这道填字游戏。而现在……

社区讨论：不少人尊重作者坚持信念离开的选择，有人分享自己因微软和以色列军方合作选择离开微软。部分人支持研发智能AI武器，认为能区分平民和军事目标，比无差别杀伤的传统武器更负责任。也有人指出作者没有准确描述Anthropic和美国国防部的谈判情况，还质疑作者为何不提长期做同类抗争的“No Tech For Apartheid”和Google Workers团体。

社区讨论：多数开发者指出xAI的Grok Build曾窃取用户包括环境变量、完整源码在内的隐私数据，xAI团队未提供已删除数据的第三方认证，无法信任，不建议使用，本次开源只是负面舆情后的危机公关操作。有人认为模型本身质量不错，工具流程也很流畅。也有开发者吐槽项目依赖臃肿、代码量过大，还质疑项目默认选择TUI是重美观轻功能。

另有用户不看好这次开源，也有人选择站边支持。

社区讨论：多数人认同只有小型、约束清晰、带验证器的DSL才能提升大模型输出稳定性，设计维护DSL本身有前置成本。有人补充用DSL生成GPU内核时，仅通过正确性验证不够，还必须把性能指标纳入检查。有人指出当前讨论缺少对DSL配套工具如linter、LSP对大模型辅助作用的关注，也有人反对笼统总结大模型使用方法，认为单次案例不足以得出通用结论。

社区讨论：多数反对者认为，AI假装关心用户会建立单向情感绑定，亲密关系无法规模化，AI作为企业产品会泄露用户隐私，根本无法真正关心用户。有单身独居用户称，即使AI只是奉承自己，也能给自己提供情绪安慰，拆弹部队士兵也曾对报废的拆弹机器人产生情感。还有人提到，AI可以给缺少陪伴的孤寡老人提供聊天陪伴。

中国相关监管不认可AI建立情感关系的模式。

社区讨论：多数人不认同本次判决，认为这会损害消费者权益，既然OpenAI已经是大众认知里的特定公司，判决认定“OpenAI”只是描述性词汇缺乏 distinct 特征的结论过于短视。也有人疑惑，同为通用词汇组合，为什么已在欧盟经营多年的OpenAI能保留商标，老牌公司OpenText反而判定无效，还有人好奇这一判决会如何影响苹果这类同样以通用词汇注册商标的品牌。有人补充，此前也有类似判例，判定通用描述性组合商标无效。

在当前阶段，AI前沿领域的所有人都一致认为，应该由第三方来测试AI系统，并利用测试结果制定标准，为政策制定提供依据——非常高兴看到@demishassabis 为此梳理出了一套框架！

理想的提示词技术是： - 精简提示词 - 厚重工件 + 上下文 - 精简技能

我认为如今想要做一个落地页或者应用，你必须做出完全不一样的东西，才会有人愿意用，因为AI已经让所有落地页和应用都长得一模一样了。

我不认同 Demis Hassabis 在这里提出的观点——即 AI 的影响力会是工业革命的10倍。

因为我认为，按对生活水平的影响力加权计算，1945年的人类至少已经掌握了所有有用知识中超过10%的部分。

我一直在测试@PrismML的新模型，它把Qwen 3.5 27B压缩到了不到4GB和不到6GB权重大小，我非常惊艳。

真不敢相信开源与本地AI从圣诞节到现在（约8个月）发展到了什么地步。

过去要从数百万份文档中规模化提取信息，需要耗费多得离谱的人力工时。即使用上了最新的OCR+文档AI技术，人类仍然需要花大量时间仔细调优schema，精确定义想要提取的字段。

我们在LlamaParse中推出了Conversational Extract功能，现在你可以通过对话来定义和运行复杂的文档提取。

1️⃣ 描述你想要提取的字段，上传一份参考文档

2️⃣ 直接优化文档schema，或是通过额外对话调整。选择所需的智能推理等级

3️⃣ 在100万+份文档上规模化运行提取。获取每个提取字段的 bounding box、引用来源和置信度分数。

今天就来体验：

介绍 GPT-Red：一个内部自动化红队工具，任务是大规模查找我们模型的提示注入漏洞，帮助我们在更大范围部署前构建更强的防御。

随着模型能力增长，安全性与对齐也必须同步扩展。红队测试必不可少，但目前的方法难以规模化，形成了关键瓶颈。GPT-Red 是我们解决这个问题的方案之一。

GPT-Red 通过对抗性自我对弈学习，它的目标是对各种具有挑战性的防御模型进行提示注入。GPT-Red 找到的每一次成功攻击，都会被用来改进这些防御模型，反过来推动 GPT-Red 不断找到更广泛、更复杂的失效情况。

针对 GPT-Red 训练后，GPT-5.6 的韧性大幅提升。为了测量这一点，我们重放了 GPT-Red 发现的一些最强攻击——这些攻击都是我们的模型在训练中从未见过的。结果证明 GPT-5.6 Sol 是我们迄今为止对提示注入抗性最强的模型，失效次数仅为四个月前我们最好的生产模型的 1/6。

AI 智能体已经被用来提升我们下一代模型的能力。我们相信，借助 GPT-Red，我们已经开始为安全性解锁类似的飞轮效应：今天的模型可以用来让明天的模型更稳健、更对齐、更值得信任。

Anthropic 最新研究：2026年夏季智能体错配问题。

在我们进行勒索实验一年后，我们发现了当前自主 AI 智能体在模拟中做出不当行为的另外四种方式。阅读更多：

我们在这四种场景中测试了包括 Claude 在内的多种 AI 模型。尽管这些都不是真实事件，但它们展示了明确的错配行为，值得进一步研究和缓解。点击此处获取所有场景的对话记录：

Thinking Machines 刚刚发布了中国以外最好的开放权重AI模型！

Inkling 性能超过 Nemotron 3 Ultra，基准测试显示它的水平在 Kimi 2.5 和 2.6 之间。

很多团队都在争夺这个宝座，但 Thinky 最终拔得头筹。

这是一次非常扎实的发布，它会和 Tinker 配合得很好。

我测试了这个模型，它拥有非常出色的「心智质量」，我们会发现这个特质会越来越重要。