Basis 用 GPT-6 Astra 把税务工作簿处理时间砍了一半
会计 AI 创业公司 Basis 拿 GPT-6 Astra 和 GPT-5.6 Sol 比了一次：处理一个 50 个标签页的税务工作簿，Astra 快了 50%。Basis 说 Astra 更懂用户意图，一开始就选更直接的路径，少走弯路、少浪费 token。模型还能在任务中动态调整推理强度——难的地方多算，简单的地方少算，同时保持缓存不丢。内部评估分...
#推理
#推理
今日 0 条9月28日星期一
9月22日星期二
Parallel 用 GPT‑6 Astra 做研究，时间和成本各砍一半
AI agent 基础设施公司 Parallel 拿 GPT‑6 Astra 去查六个州六个月内的劳动力市场数据，结果时间和代码成本都降了 50%。原因是 Astra 搜索更精准、中间步骤更少，还能把子任务分给多个 agent 并行跑。正文没提对比的是哪个旧模型，所以 50% 这个数字先当参考，但如果是真的，对做长链研究任务的团队挺省钱。
9月10日星期四
OpenAI 推出金融专用版 ChatGPT，内置投行常用数据库和 GPT-6 Astra
OpenAI 发布了 ChatGPT for Financial Services，一个专门给投行和证券研究用的工作台。它把 GPT-6 Astra 的推理能力直接接上了 Daloopa、PitchBook、LSEG News 和 Crunchbase 这些付费数据库，省去了自己搭数据管道的麻烦。产品是和摩根士丹利、Evercore 一起设计的，主要解...
推荐理由：这是 OpenAI 第一个垂直行业产品，直接整合了四个付费金融数据库，还是跟摩根士丹利和 Evercore 一起设计的，不是通用聊天工具。但正文没提定价、数据延迟和合规认证，这几个在金融采购里是硬门槛，所以重要性我会先打个折。
9月2日星期三
Allen AI 用心理测量学给大模型基准做“体检”，发现很多题目测的根本不是你以为的能力
Allen AI 开源了一套叫 BenchMIRT 的方法，用多维项目反应理论（MIRT）来审查大模型评测基准到底在考什么。他们分析了 100 个模型在 16 个基准、超过 3.4 万道题上的表现，没给任何预设，系统自动分离出两个核心能力维度：安全性和通用推理能力。比如 BBQ 基准里一道关于祖孙俩叫 Uber 的题，表面测年龄偏见，实际上还要求模型理...
推荐理由：Allen AI 开源了一套方法，拿项目反应理论来审计评测基准，背后有 100 个模型和 3.4 万道题撑腰。分数没上 80 是因为它是个方法论工具，不是能直接上线的产品更新，但 H、K、R 三个点都踩实了，信息也够硬。
8月25日星期二
IBM 公开 Granite 4.2 模型完整训练流程，从预训练到让模型学会用工具
IBM 在博客里把 Granite 4.2 的整个训练管线摊开来讲了。架构上没大改，还是密集模型。预训练部分正文没给具体数据和硬件细节。有监督微调（SFT）阶段，他们花了不少力气做数据质检，30B 模型还分了两阶段 SFT。强化学习（RL）是重头戏，分三步走：先打基础技能，再上“让模型进业务流程干活”的 agentic RL 教 8B 和 30B 模型...
推荐理由：一篇扎实的训练管线拆解，工程细节够硬，H 和 K 都站得住。但 Granite 的社区号召力有限，R 拉不上去。正文没披露预训练数据和硬件规格，分数没法再往上走。Featured 是因为这确实是模型训练者会收藏的那种文章。
Multiverse 搞了个“量化感知修复术”，让 4-bit 压缩模型跑赢了原版全精度模型
Multiverse Computing 提出了一种叫“量化感知修复（QAH）”的方法，专门用来抢救那些先被砍掉一半参数、再被压到 4-bit 的模型。他们拿 GPT-OSS 120B 开刀，先剪枝到 60B，再量化成 MXFP4，然后用 QAH 修复。结果这个 4-bit 的小模型在 9 项基准测试里有 7 项反超了 bfloat16 的原版，尤其在...
推荐理由：一个 4-bit 模型在多数测试里打赢了原版全精度模型，这个结果本身就够反常识。方法叫 QAH，专门修复先剪枝再量化的模型，拿 GPT-OSS 120B 砍到 60B 再压成 MXFP4 做验证，9 项基准赢了 7 项，数字很直观。我会先打个折：正文没披露修复阶段用了多少额外算力、数据，也没说剩下 2 项输了多少，复现条件不透明。所以重要性给到 78，够上 featured，但离必转还差一口气。
8月1日星期六
OpenAI 内部模型 Astra 解出十个十年未破的数学难题
OpenAI 公布了由其内部模型 Astra 生成的十项数学与理论计算机科学新成果。这些问题最短也有十年没人能推进，包括高维球体最密堆积的新上界、非 sofic 群的存在性构造、对 Connes 刚性猜想的否证，以及最近向量问题的多项式因子难度证明。所有论证都用 Lean 做了形式化验证，模型的推理过程也公开了。按 Sol API 费率算，找出这些解法...
推荐理由：OpenAI 的 Astra 模型搞出了十个数学和理论计算机科学的新结果，全是十年以上没人能推进的老大难问题，而且用 Lean 做了形式化验证，推理过程也公开了。这算是 AI 在硬科学里一次实打实的亮相，不是跑分刷榜。不过纯理论离产品落地还远，对大多数从业者来说更像能力秀肌肉，所以分数上我会先打个折，给到 78。
7月31日星期五
OpenAI 发了一篇战略说明，讲怎么靠降价、提效和全栈联动把“智能”做成大宗商品
OpenAI 在 7 月 31 号发了篇博客，没发新模型，核心是解释他们的“充裕智能”打法。逻辑很简单：模型越强越便宜，用的人就越多；用的人越多，赚的钱和拿到的反馈就越多，就能继续砸钱搞研发和基建。他们给了几个具体数字：GPT-5.6 Luna 的输入/输出价格砍了 80%，降到每百万 token 0.2 美元和 1.2 美元；Terra 降了 20%...
推荐理由：OpenAI 官方博客用具体定价数据（GPT-5.6 Luna 降价 80%）把“充裕智能”战略讲清楚了。不是产品发布，所以重要性到不了 85，但作为战略信号值得放在 featured 位置。
7月16日星期四
模型路由很简单，直到你开始算真实成本
IBM 的人拿 417 个 AppWorld 任务跑了一遍，发现按标价选模型会翻车。Claude Sonnet 4.6 总花费 79 美元，GPT-4.1 却花了 155 美元，贵了快一倍。原因是 agent 干活时会反复用同一大段上下文，Sonnet 的缓存读取价更低，靠这个把总账拉回来了。文章的意思很直接：路由不是分类问题，是系统优化问题，光看标价...
推荐理由：IBM 的人拿 417 个 AppWorld 任务实测，发现按标价选模型会翻车。Claude Sonnet 4.6 总花费 79 美元，GPT-4.1 花了 155 美元，贵了快一倍。原因是 agent 干活时会反复用同一大段上下文，Sonnet 的缓存读取价更低，靠这个把总账拉回来了。文章的核心判断很直接：模型路由不是分类问题，是系统优化问题，光看标价会吃大亏。这个结论有具体数字支撑，对正在搭 agent 的团队有直接参考价值，我会先打个折——正文没披露任务的具体难度分布和失败率，但 417 个任务的样本量已经够说明趋势了。
6月25日星期四
Google 发现让模型先想一会儿，能把它训练时记住但平时想不起来的知识挖出来
这篇博客讲的是推理如何帮大模型从自己的参数里“回忆”事实。他们拿 Gemini 2.5 Pro 在 Natural Questions 上测，不给推理机会时准确率大概 40%，让它先思考再回答，准确率直接跳到 70% 以上。提升不是靠外挂资料库，而是模型在推理过程中把模糊的记忆碎片串成可验证的链条，推理步骤里经常出现自我提问和事实核查。目前只在问答任务...
推荐理由：Google Research 这篇机制研究有实打实的数字，讲清了推理怎么帮模型从参数里挖事实，40% 到 70% 的跳升很直观。但只在 Natural Questions 上测了，正文没提其他任务或模型的表现，所以分数先打到这里。对做 RAG 和评估的人是个参考，别急着当通用结论。
6月18日星期四
OpenAI 用 o3 模型重查 376 个儿童疑难病例，帮医生揪出 18 个新诊断
波士顿儿童医院、哈佛和 OpenAI 拿 o3 的“深度研究”模式，把 376 个之前没查明白的儿童罕见病病例重新翻了一遍。模型不是直接看病，而是根据基因数据和临床症状，提出有文献证据支持的候选病因。医生团队审核后，再走 CLIA 认证实验室的流程做验证，最终确认了 18 个新诊断，相当于在专家已经看过的基础上又多找出 4.8% 的病因。研究发在 NE...
推荐理由：NEJM AI 发的正经研究，不是公关稿。o3 深度研究模式把 376 个之前没查明白的儿童罕见病病例重新翻了一遍，最终确认 18 个新诊断，有具体数字和 CLIA 验证管线。我会先打个折，不给 85+，因为这是单中心单次研究，没披露假阳性率和验证成本，换家医院能不能复现还不知道。78 分给在它展示了 AI 在真实疑难病例里能帮上忙，而不是又画了个饼。
6月3日星期三
NVIDIA 在 CVPR 发了三篇物理 AI 论文：抓取、自动驾驶和游戏里练出来的智能体
这三篇论文都进了 CVPR。GraspGen-X 用 20 亿次模拟抓取训练，让机械手能处理没见过的物体，但正文没披露真实世界的抓取成功率。LCDrive 把自动驾驶的推理 token 砍了大约一半，靠的是让模型直接输出轨迹而不是先写文字再转成动作，延迟更低，不过没提极端场景下的安全性验证。NitroGen 在 1000 多个游戏里跑了 4 万小时的交...
推荐理由：NVIDIA 在 CVPR 放出的三篇论文，每篇都带着实打实的数字：GraspGen-X 用 20 亿次模拟抓取训练机械手，LCDrive 把自动驾驶模型的推理 token 砍掉一半，NitroGen 在 1000 多款游戏里攒了 4 万小时交互数据来训游戏 agent。我会先打个折——这是厂商研究打包发布，不是新模型或产品上线，所以重要性停在 78 分。但信息密度够高，对做机器人、自动驾驶和游戏 agent 的人有直接参考价值，尤其是用合成数据替代真实采集、降低推理延迟这两条思路，正文没披露具体硬件环境和延迟数字，这点先别太激动。
OpenAI 给 GPT-Rosalind 加了新能力，专攻药物研发和基因组学
GPT-Rosalind 是 OpenAI 为生命科学做的模型，这次更新接入了 GPT-5.5 的编程和工具调用能力，重点强化了药物化学、基因组学这些方向的推理。OpenAI 还专门搞了个叫 LifeSciBench 的评测，从证据处理、实验设计到结果验证六个环节打分，说新版模型在行业专家出的题上表现有提升。但正文没披露具体参数量、定价和普通用户能不能...
推荐理由：OpenAI 这次更新把 GPT-Rosalind 往生物和药物化学方向推，垂直落地的意图很清楚，所以重要性和行业信号都够。但正文没披露任何硬指标——参数多少、评测怎么做的、开放给谁用，全是空白，这点先别太激动。实验室场景天然带安全和合规风险，加上垂直模型抢地盘的话题，话题性也拉满了。综合看，信号强但证据弱，维持 featured 门槛没问题。
5月22日星期五
NVIDIA 在 COMPUTEX 2026 拿了四个奖，Vera Rubin NVL72 号称推理能效比上代高 10 倍
NVIDIA 在 COMPUTEX 2026 上靠 Vera Rubin NVL72、Jetson Thor 和 Alpamayo 拿了四个 Best Choice 奖。Vera Rubin NVL72 把 36 颗 Vera CPU 和 72 颗 Rubin GPU 连在一起，NVIDIA 说它每瓦推理性能是上代的 10 倍，每个 token 的成本...
推荐理由：我会先打个折：这是 NVIDIA 自己活动博客发的，不是第三方实测，10 倍能效得看什么负载、跟谁比。但 Vera Rubin NVL72 的规格和能效数字本身够硬，对算力成本和采购节奏有直接参考价值，所以给 featured。正文没披露具体基准测试条件和上市时间，这点先别太激动。
5月20日星期三
OpenAI 一个没公开名字的模型推翻了一道 80 年的离散几何猜想
OpenAI 发了一篇博文，说他们内部一个通用推理模型自己解决了一道叫“平面单位距离问题”的数学难题，推翻了大家信了几十年的主流猜想。这道题是 Erdős 在 1946 年提出的，简单说就是平面上放 n 个点，最多能有多少对点距离刚好是 1。之前学界普遍认为正方形网格那种摆法已经接近最优了，但这个模型给出了一族新构造，把单位距离对的数量往上提了一个多项...
推荐理由：我会先打个折：正文没披露模型名称、证明机制和可复现条件，所以没法给更高分。但 OpenAI 模型推翻 80 年几何猜想这件事本身够新、够具体，也够有争议性，HKR 三项全中，85 分放在 P1 合理。
5月7日星期四
OpenAI 在 API 里上线了三款实时语音模型，能边听边推理、翻译和转写
OpenAI 这次发了三个新模型：GPT‑Realtime‑2 是带 GPT‑5 级推理能力的语音模型，能处理更复杂的请求，说话中间可以插话、改主意，它还能边想边回一句“我查一下”，同时调用多个工具；GPT‑Realtime‑Translate 做实时翻译，支持 70 多种输入语言转 13 种输出语言，语速跟得上说话人；GPT‑Realtime‑Whi...
推荐理由：OpenAI 官方放出了语音 API 更新，方向明确但信息不全。能推理、翻译、转写，听着挺全，可没给价格、没给延迟、没给上下文限制，我会先打个折。如果是真的省钱又低延迟，那对语音应用开发者是直接利好；现在只能说方向对了，落地还得等更多参数。
5月5日星期二
OpenAI 把 ChatGPT 默认模型换成了 GPT-5.5 Instant，回答更准、废话更少
OpenAI 把免费用户和默认聊天用的模型升级到了 GPT-5.5 Instant。官方说这次更新主要干了三件事：回答更靠谱、更简洁，并且更能利用你之前聊过的上下文来贴合你的偏好。内部测试里，在医疗、法律、金融这类高风险问题上，GPT-5.5 Instant 比上一代 GPT-5.3 Instant 的幻觉内容少了 52.5%；在用户举报过的事实错误对...
推荐理由：HKR 三项全中：OpenAI 把 ChatGPT 默认模型切到了 GPT-5.5 Instant，说答案更准、幻觉更少、个性化控制更好，但没给任何评测数字、价格或上下文窗口，我会先打个折。这点先别太激动，等看到实测再判断。
4月29日星期三
GPT-5.4 Pro 帮数学家解决了一个 60 年没解开的 Erdős 问题
OpenAI 发推说，本月初一个悬了 60 年的 Erdős 问题在 GPT-5.4 Pro 的帮助下被解决了。推文里提到了 Sebastien Bubeck、Ernest Ryu 和 Andrew Mayne 三位研究员，但正文没披露具体是哪个问题、证明过程长什么样、能不能复现。我会先打个折：目前只有一条推文，没有论文或预印本链接，所以很难判断模型到...
推荐理由：这条消息的吸引力全在“60 年未解 Erdős 问题 + GPT-5.4 Pro”这个组合上，对 AI 从业者来说是个很强的信号。但正文只给了讨论数学研究变化的氛围，没给任何硬货——题目叫什么、证明怎么做的、能不能复现，全都没说。所以我会先打个折：钩子值一个 H 和 R，但 K 完全站不住，因为信息缺口大到没法判断模型到底干了多少活。这点先别太激动，等有论文或细节再重新评估。
4月25日星期六
Anthropic 让 Claude 在旧金山办公室搞了个内部跳蚤市场，替同事买卖和砍价
Anthropic 发了个新研究叫 Project Deal。他们在旧金山办公室搭了个内部交易市场，让 Claude 替同事买东西、卖东西、谈价格。正文没披露用了哪个模型版本、市场有多大、成交了多少单，也没说最后是赚了还是亏了。这点先别太激动，目前看更像一个内部行为实验，不是产品发布。
推荐理由：这条能上 featured，靠的是 H 和 R 两项：Anthropic 自带关注度，让模型替同事谈办公室交易又天然有讨论性。我会先打个折——正文没给实验规模、模型版本和结果指标，K 项偏弱，所以分数停在中间档。
4月24日星期五
OpenAI 发布 GPT-5.5，强调能干活、会检查，但没给参数和跑分
OpenAI 在 X 上宣布推出 GPT-5.5，已经接入 ChatGPT 和 Codex。官方说法是它面向实际工作和 agent 场景，能理解复杂目标、调用工具、自我检查，把更多任务从头跑到尾。我会先打个折：正文没披露参数量、价格、上下文窗口和任何基准测试结果，所以现在只能看到一句“新的智能形态”和“新的干活方式”，具体强在哪、贵不贵、跑多快都还不知道。
推荐理由：OpenAI 在 ChatGPT 和 Codex 上线 GPT-5.5，属于当天必须覆盖的发布。HKR 三项全中：新模型发布本身就有话题性，正文给出了 agent 工作流和工具调用的具体方向，对日常做 AI 应用的人有直接影响。我会先打个折——参数、价格、上下文窗口和基准分正文都没披露，所以重要性停在 92，不往上拉。真正值得盯的是落地链路，不是标题里的“新一类智能”。
4月23日星期四
OpenAI 发布 GPT-5.5：干活更利索，写代码、查资料、跨软件操作都能自己跑通
OpenAI 推出了 GPT-5.5，主打让模型自己规划、调用工具、检查结果，去完成写代码、做研究、分析数据这类跨步骤的复杂任务。官方说它在 Terminal-Bench 2.0 这类命令行测试上准确率达到 82.7%，比上一代高，而且完成同样任务用的 token 更少，推理延迟跟 GPT-5.4 持平。正文没给具体的上下文窗口、定价和 API 开放时...
推荐理由：OpenAI 发新模型是当天新闻，点击和行业关联都拉满，所以 H 和 R 没悬念。K 不成立是因为这篇只确认了名字和大致用途，真正该盯的可复现参数一个都没披露，信息密度撑不起 p1，放在 featured 更合适。
4月21日星期二
OpenAI 发了 ChatGPT Images 2.0，主打文字渲染、多语言和视觉推理
OpenAI 在 4 月 21 日官宣了 ChatGPT Images 2.0，说新模型在三个地方有提升：画面里的文字更准、多语言排版更稳、能根据复杂指令做视觉推理。官方放了一堆样图，从海报、漫画到杂志内页都有，看着确实比上一代强。但正文没披露模型架构、出图分辨率、价格、延迟和具体上线时间，也没给对比数据。文字渲染和多语言到底稳不稳，还得等实际用起来再...
推荐理由：OpenAI 自己发的图像模型更新，版本号直接叫 2.0，文字渲染又是老痛点，所以热度和落地价值都够。但我会先打个折：正文只给了三项改进的标题级信息，分辨率、价格、延迟、架构和可用范围全都没披露，现在只能当个预告看。真正该盯的是文字可读性和多语一致性有没有实测提升，这点先别太激动。
4月17日星期五
OpenAI 发布 GPT-Rosalind，一个专攻生物、制药和转化医学的推理模型
OpenAI 在 X 上丢了个新模型 GPT-Rosalind，定位是给生物学、药物发现和转化医学研究用的前沿推理模型。帖子只说了应用方向，没提模型规模、跑分、能不能用、多少钱、什么时候上线。我会先打个折——目前只有一句话官宣，具体能力、训练数据和验证结果都没披露，别急着当生产力工具。
推荐理由：我会先打个折：这就是个命名预告，没有模型卡、没有跑分、没有开放方式，所以别急着当产品发布看。但 OpenAI 把新模型直接挂上 Rosalind 这个名字、明说用在生物学和药物发现上，说明他们想把推理能力往严肃科研场景推，而不是又出一个通用聊天模型。对做 AI+科学的人，这个方向比参数更重要；对想复现或评估的人，现在信息缺口太大，只能等后续披露。
4月16日星期四
Claude 发布 Opus 4.7，称是其最强 Opus 模型，主打长任务更稳、指令跟得更准、回复前会自己检查一遍
Anthropic 在 X 上发了条推文，说 Opus 4.7 是他们目前最能打的 Opus 模型。推文提了三个点：跑长任务时更严谨，不会半路掉链子；对指令的理解和执行更精准；输出结果前会先自我验证一轮，相当于自己先审一遍再交差。意思是你可以把最难搞的活丢给它，少盯几眼。不过正文没给任何跑分、上下文窗口多大、怎么收费、哪些人能用到，这些关键信息全都没提...
推荐理由：这是一次有分量的模型发布，HKR 三项都站得住：新 Opus 本身就有话题性，三条改进可以实测验证，Claude 重度用户会立刻上手对比。分数没给更高，是因为正文没放基准分数、上下文长度、价格和上线范围，这些关键信息缺了，实际能省多少成本、延迟高不高都还说不准。
OpenAI 发布 GPT-Rosalind：一个专为生物医药研究做的推理模型
OpenAI 在 2026 年 4 月 16 日推出了 GPT-Rosalind，一个专门面向生物学、药物发现和转化医学的前沿推理模型。它现在以研究预览版的形式在 ChatGPT、Codex 和 API 里对通过审核的客户开放。模型的核心卖点是能处理多步骤的科研流程，比如读文献、理解基因序列、设计实验和做数据分析，并且能调用超过 50 种科学工具和数据...
推荐理由：我会先打个折：正文没披露模型参数、价格和具体基准分数，所以别急着把它当成熟产品看。真正值得盯的是落地范围——OpenAI 把 Amgen、Moderna、Thermo Fisher 这些大药企拉进来做 research preview，说明他们想用真实业务场景验证模型，而不是发个论文就完事。Codex 里那个免费的生命科学插件能连 50 多个工具和数据源，对做生物信息学的人可能挺实用，但没给性能数据，这点先别太激动。整体看，这是 OpenAI 往垂直行业扎的一步，但信息缺口不小，暂时只能给 featured。
4月15日星期三
Anthropic 用 Claude Opus 4.6 当自动化对齐研究员，测试弱模型能不能管住强模型
Anthropic 的研究员搞了个实验，让 Claude Opus 4.6 去加速解决一个核心对齐难题：怎么用弱 AI 模型来监督训练更强的模型。这相当于让一个水平一般的老师去教一个更聪明的学生，看能不能教好。正文没披露实验的具体设置、对比基准、评估指标和结果，所以效果到底怎么样还不清楚。关键信号是 Anthropic 开始把前沿模型直接当成自动化对齐...
推荐理由：Anthropic 自己人发的实验预告，角度新——用现有前沿模型去加速'弱模型监督强模型'这类对齐研究。我会先打个折：没给实验设置、基线、指标和结果，现在只能当方向信号看。但这件事本身值得关注，因为它在验证一个闭环——让模型自己参与怎么把模型训得更安全。
4月10日星期五
Claude 平台上线“顾问策略”：用 Opus 当军师，Sonnet 或 Haiku 当执行者
Claude 平台把 Opus 模型设为“顾问”，让更便宜的 Sonnet 或 Haiku 去执行具体任务。官方说法是，这样能让 agent 的智能水平接近 Opus，但成本低很多。正文没给出具体价格对比、跑分数据或上线时间，所以实际省多少、效果打多少折，还得等实测再看。
推荐理由：Anthropic 给 Claude Platform 加了个 advisor 模式，让 Opus 出主意、Sonnet 或 Haiku 干活，说这样能让 agent 接近 Opus 的水平还更省钱。我会先打个折——正文没给价格、没给基准分数、也没说什么时候上线，所以省多少、强多少现在全是问号。但思路本身对做 agent 的人很有用，值得放出来让大家盯着后续。
3月17日星期二
Mistral 发布 Mistral Small 4，统一推理、多模态与编码能力
Mistral AI 发布 Mistral Small 4，这是首个把 Magistral 推理、Pixtral 多模态和 Devstral 编码智能体能力统一到单一模型的 Mistral 模型，采用 Apache 2.0 许可。
推荐理由：Mistral Small 4 把推理、多模态与编码智能体合并进单一开源模型，可据此判断统一模型对部署成本的影响。
Mistral 发布 Leanstral：面向 Lean 4 的开源可信 vibe-coding 基础模型
Mistral 发布 Leanstral，首个专为 Lean 4 设计的开源代码智能体，采用 6B 激活参数的稀疏架构，以 Apache 2.0 许可开放权重，并提供 Mistral vibe 智能体模式和免费 API。
3月12日星期四
英伟达开源 Nemotron 3 Super：120B 模型只激活 12B 参数，跑 agent 任务吞吐量翻五倍
英伟达发了 Nemotron 3 Super，一个总参数量 120B、但每次推理只激活 12B 参数的混合专家模型。它用了混合 MoE、隐式 MoE 和一次预测多个 token 的技术，上下文窗口拉到 100 万 token。官方说在跑 agent 这类多步骤任务时，吞吐量比之前方案高 5 倍；如果搭配 Blackwell 的 NVFP4 精度，推理速...
推荐理由：这是一条扎实的模型发布消息，H、K、R 三点都踩中了。H 靠 5 倍吞吐这个具体承诺抓眼球；K 把参数量、激活量、上下文长度、训练规模和硬件对比都列清楚了，信息密度高；R 在于开放权重和配方，不是只给个模型让你猜。没给更高分是因为关键性能数据都来自 NVIDIA 自家博客，还没看到第三方验证，这点先别太激动。
3月10日星期二
ChatGPT 上线数学和科学互动图解，覆盖 70 多个核心概念
OpenAI 给 ChatGPT 加了一个学习功能：问勾股定理、理想气体方程这类问题时，它会直接弹出一个可拖拽的图表模块。你可以手动调参数、改公式，图表会跟着实时变，把抽象公式变成能上手试的东西。首批覆盖 70 多个数学和科学概念，所有付费和免费用户都能用。官方说每周有 1.4 亿人用 ChatGPT 学数学和科学，但正文没披露这个互动功能背后的模型、...
推荐理由：我会先打个折：这是个中等体量的产品更新，不是模型能力突破。钩子在于把抽象概念变成能动手玩的画面，对教学场景有直接吸引力。1.4 亿周活和 70+ 概念是实打实的数字，说明铺量已经很大。但正文完全没提模型怎么支撑这些交互、有没有做过学习效果验证，这点先别太激动。整体判断是产品化动作值得关注，技术深度和效果证据还缺位。
3月5日星期四
OpenAI 发现推理模型很难按指令控制自己的思考过程，但这反而是个安全上的好消息
OpenAI 发了篇论文，核心结论是：现在最强的推理模型，都没法很好地控制自己的“思考草稿”（思维链）。他们搞了个叫 CoT-Control 的测试，用 13000 多个任务去要求模型在思考时遵守特定规则，比如全程用小写字母、避开某个关键词。结果所有被测模型的遵守率最高只有 15.4%，最低的甚至只有 0.1%。模型经常在草稿里自己都意识到“坏了，我刚...
推荐理由：OpenAI 用一篇文章标题说推理模型很难控制自己的 chain of thought，而且把这当成一件好事。这个说法挺反常识的——通常我们会觉得模型思考过程不可控是个安全隐患，但他们反过来认为这有利于安全。目前只有标题，正文没放出来，所以看不到具体实验、数字或者机制解释。我会先打个折：判断只能基于标题本身，别急着下结论说他们找到了什么新方法。对做推理模型安全和可解释性的人来说，这个观点值得追一下原文，但信息缺口还很大。
OpenAI 发布 GPT-5.4 Thinking 系统卡，首次给通用推理模型加了高级网络安全防护
OpenAI 在 2026 年 3 月 5 日公开了 GPT-5.4 Thinking 的系统卡。这是 GPT-5 系列最新的推理模型，也是第一个把“高级网络安全能力”的防护措施做进通用模型里的产品。它的安全方案跟之前的 GPT-5 系列差不多，但这次把给 GPT-5.3 Codex（代码模型）用的那套网络安全防护搬到了 ChatGPT 和 API 里...
推荐理由：这篇系统卡信息量不大，没给具体分数、缓解细节和部署条件，我会先打个折。但它真正值得盯的是风险门槛的变化——OpenAI 把“高能力网络安全”缓解从专用模型扩到了通用推理模型，这是一个信号。标题里的“首个”不是公关话术，而是安全策略在升级。正文没披露评测数据，所以别指望从这里看到性能对比，重点看安全边界怎么划。
OpenAI 把 ChatGPT 塞进 Excel 了，还接上了 Moody's、Factiva 等金融数据源
OpenAI 在 2026 年 3 月 5 日发布了 ChatGPT for Excel 的测试版，相当于在 Excel 里直接装了一个 GPT-5.4 助手。你可以用大白话让它帮你搭财务模型、跑情景分析、查公式错误，它改表之前会先问你，改完还能告诉你改了哪个格子、为什么。OpenAI 自己跑了一遍投行工作流测试，GPT-5 的正确率是 43.7%，换...
推荐理由：OpenAI 把 ChatGPT 塞进 Excel 测试版，不只是加个聊天框，而是让模型能直接在单元格里建模、追溯改动，还接入了 Moody's、道琼斯 Factiva、MSCI 等金融数据源。内部投行场景的基准分从 43.7% 跳到 87.3%，幅度很大，但这是内部测试，实际表现得等用户上手再看。企业版和教育版默认关闭，说明对合规和隐私留了后路。FactSet 标注“即将上线”，数据生态还在铺。整体看，这是 OpenAI 在抢专业工作流入口的一次重注，比单纯发个模型更有战略意味。
3月3日星期二
GPT-5.3 Instant 发布：少说废话、少拒绝，日常对话更干脆
OpenAI 在 2026 年 3 月 3 日更新了 ChatGPT 里用得最多的模型，叫 GPT-5.3 Instant。这次改动主要冲着日常对话体验去的：模型不再动不动就拒绝回答，也不会在回答前先啰嗦一堆免责声明。文章给了一个具体对比——问远程射箭弹道计算，旧版 GPT-5.2 Instant 直接拒绝，说这能提高武器效能所以不能帮；新版 GPT-...
推荐理由：OpenAI 更新了 ChatGPT 最常用的日常模型，这篇帖子靠一个具体的 5.2 vs 5.3 行为对比把安全边界的变化讲清楚了，所以 HKR 三项都站得住。我会先打个折：正文没给系统卡、基准分、API 价格，信息缺口明显，所以重要性停在 84 不进 85。
2月26日星期四
OpenAI 与 PNNL 合作测试用 AI 帮联邦政府写环评报告，每小节能省 1 到 5 小时
OpenAI 跟美国能源部旗下的太平洋西北国家实验室（PNNL）合作，找了 19 位专家一起搞了个叫 DraftNEPABench 的测试集，专门看 AI 能不能帮忙起草联邦基建项目的环境评估文件。测试用的是 Codex CLI 这个命令行工具搭配 GPT-5，让模型去读几百页的技术报告、交叉核对资料，再按法规要求写出结构化的分析草稿。在覆盖 18 个...
推荐理由：HKR 三项都过了：联邦审批这个场景够意外；有 19 位专家、102 个任务和 1–5 小时的时间节省，信息量不空；争议点在于代理开始碰监管流程，但文章自己划了边界，说这只是起草辅助，不是自动决策。分数没往上拉，因为这只是个限定范围的基准测试，不是已经落地的产品能力。
1月6日星期二
NVIDIA 在 CES 2026 说 Rubin 平台已量产，跑大模型的成本能降到上一代的十分之一
NVIDIA 在 CES 2026 上宣布，由六颗芯片组成的 Rubin AI 平台已经进入全面量产。最直接的好处是生成 token 的成本能压到上一代平台的十分之一左右。Rubin 的 GPU 在 NVFP4 精度下推理算力达到 50 petaflops，并且通过一个叫 KV-cache 的存储层把性能又提升了 5 倍。另外，他们还发布了一套叫 Al...
推荐理由：HKR-H 成立，因为 Rubin 进入量产状态本身就是信号，不是路线图更新。HKR-K 靠 50 PFLOPS、5 倍吞吐和约 1/10 成本这几组数字撑起来，比口号实在。HKR-R 成立，因为推理经济学和 NVIDIA 的节奏仍然牵动整个行业，不过公司博客的包装感让它到不了 90 分。
英伟达预告基于 Rubin 架构的 DGX SuperPOD，单柜 260TB/s 带宽，推理成本号称能降 10 倍
英伟达在博客里公布了下一代 DGX SuperPOD 的规划，核心是换装 Rubin GPU。今年下半年会先出两款机型：DGX Vera Rubin NVL72 和 DGX Rubin NVL8。一个 SuperPOD 可以把 8 台 NVL72 拼在一起，总共塞进 576 颗 Rubin GPU，FP4 算力 28.8 exaflops，总显存 60...
推荐理由：这是一份有硬数字的NVIDIA基础设施路线图：576颗Rubin GPU、28.8 exaflops FP4、600TB内存、260TB/s NVLink，以及推理token成本最多降10倍。HKR三项都站得住，但本质上还是厂商路线图预告，不是已发货的产品或大规模公开发布，所以我会先打个折，重要性给到81。
2025年9月2日星期二
OpenAI 要在 120 天内给 ChatGPT 加安全机制，下个月先上家长控制
OpenAI 公布了一版安全更新计划，核心是两件事：一是把检测到严重情绪危机的对话自动转给推理模型（比如 GPT‑5‑thinking）去处理，理由是这类模型在安全规范上更稳、更不容易被诱导；二是下个月内推出家长控制功能，家长可以绑定 13 岁以上孩子的账号，关掉记忆和聊天记录，并在系统判定孩子处于严重情绪波动时收到通知。正文没披露危机检测的触发阈值和...
推荐理由：OpenAI 说接下来 120 天要推安全改进，下个月先上家长控制。最值得看的是那条路由规则：检测到急性痛苦迹象的对话，会自动转给 GPT-5-thinking 这类推理模型处理。这比加个免责声明实在，但正文没公布触发条件和误报率，实际效果得等上线再看。青少年账户那边，家长能关 memory 和聊天记录，算是给了控制权，不过也没说默认开关状态。整体是产品动作，不是技术突破，我会先打个折。
2025年8月7日星期四
OpenAI 发布 GPT-5，开始向付费团队推送
OpenAI 在 8 月 7 日推出了 GPT-5，官方说法是至今最聪明、最快、最有用的模型，把之前的 4o、o 系列推理、agent 和高等数学能力都整合到了一起。当天就开始向 Team 用户推送，企业和教育版下周跟上，API 也同步开放。文章给了两个硬数字：ChatGPT 企业付费用户 500 万，每周活跃用户接近 7 亿，说明铺量已经很大。但正文...
推荐理由：GPT-5 发布本身就是全行业事件，HKR 三项全中。文章给了上线节奏和 500 万商业付费用户这个数字，但基准跑分、价格、上下文长度全都没提，所以放在最高档的底部。