AI 挖漏洞不是拼算力,模型智商才是天花板
antirez 拿 OpenBSD 的 SACK 漏洞举例,说了一个反直觉的结论:用 AI 找代码漏洞,堆 GPU 多跑几次没用。因为代码能走的执行路径是有限的,跑再多轮也会饱和,最终卡住你的是模型本身的智商,而不是采样次数。
推荐理由:antirez 用 OpenBSD 的 SACK 漏洞说明,AI 找漏洞的瓶颈在模型自身能力,采样次数再多也会因执行路径有限而饱和,这为判断算力与模型质量投入的优先级提供了具体依据。
antirez 拿 OpenBSD 的 SACK 漏洞举例,说了一个反直觉的结论:用 AI 找代码漏洞,堆 GPU 多跑几次没用。因为代码能走的执行路径是有限的,跑再多轮也会饱和,最终卡住你的是模型本身的智商,而不是采样次数。
推荐理由:antirez 用 OpenBSD 的 SACK 漏洞说明,AI 找漏洞的瓶颈在模型自身能力,采样次数再多也会因执行路径有限而饱和,这为判断算力与模型质量投入的优先级提供了具体依据。
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。
推荐理由:OpenAI 推出面向生物学、药物发现和转化医学的推理模型 GPT-Rosalind,以研究预览版在 ChatGPT、Codex 和 API 中向通过审核的客户开放。
DeepMind CEO Demis Hassabis 在这场访谈里没怎么画饼,反而直说现在的 AI 发展节奏被商业和地缘政治推得太快,不是他理想的路子。他个人的想法是,把 AGI 相关技术在实验室里像欧洲核子研究中心那样再打磨十到二十年,每一步都彻底搞懂再往前走。
推荐理由:DeepMind CEO Demis Hassabis 在访谈中提出,AGI 技术应在实验室再沉淀十到二十年,并给出后 AGI 时代五十年内或成真的时间判断。
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。
推荐理由:Anthropic 研究员让 Claude Opus 4.6 加速解决弱模型监督强模型的对齐难题,实验设置与结果尚未披露,这一研究方向本身值得了解。
Google DeepMind 团队在 Gemma 9B 上做了一组实验,证明 RLHF 数据效率低不是算法本身不行,而是用法错了。他们对比了四种算法:离线 RLHF 需要约 20 万条偏好标注才能达到 55% 左右的胜率;而他们提出的在线 RLHF 加上信息导向探索,不到 2 万条标注就做到了同样的水平,数据效率提升超过 10 倍。
推荐理由:DeepMind 在 Gemma 9B 上对比四种 RLHF 算法,在线 RLHF 加信息导向探索用不到 2 万条偏好标注达到离线方法约 20 万条的效果,数据效率相差十倍。
普林斯顿刘壮和陈丹琦团队开源了Vero,一个用强化学习训练视觉推理模型的通用框架。它从59个数据集里筛出60万条样本,按六类任务分别给奖励,单阶段RL训练后,在30个基准里有23个超过了Qwen3-VL-8B-Thinking。最值得看的是它没用到任何私有的思考数据,纯靠任务路由奖励机制让模型学会推理。
推荐理由:普林斯顿刘壮和陈丹琦团队开源的Vero,从59个数据集筛出60万条样本,按六类任务分别给奖励,单阶段强化学习后在30个基准中23个超过Qwen3-VL-8B-Thinking。
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 在 Claude 平台上线顾问策略,由 Opus 负责规划、Sonnet 或 Haiku 执行任务,官方称 agent 智能可接近 Opus 而成本更低,这种模型分工思路对搭建 agent 有参考价值。
Meta 把之前挖来的团队做的第一个模型 Muse Spark 放出来了。它原生支持多模态推理,能看图、用工具、展示视觉思维链,还能让多个 Agent 并行干活。有个叫“沉思”的模式,就是协调多个 Agent 一起推理。
推荐理由:Meta 发布挖角团队打造的 Muse Spark,原生支持多模态推理与多 Agent 并行,其沉思模式可协调多个 Agent 共同推理。
Marc Andreessen 在播客里聊了 76 分钟,核心观点是这波 AI 跟 2016 年那波不一样,因为现在有了推理、写代码、让模型进业务流程干活(agent)和模型自己改进自己的能力。
推荐理由:Marc Andreessen 在 76 分钟播客里对比这波 AI 与 2016 年那波,指出推理、写代码、agent 进业务流程和模型自我改进四项能力是差异所在。
微软上线了 Copilot Health,亚马逊把 Health AI 从 One Medical 会员专属开放给所有人,加上年初 OpenAI 的 ChatGPT Health 和能调取健康档案的 Claude,面向普通人的 AI 健康问答成了大厂标配。
推荐理由:微软、亚马逊、OpenAI 和 Anthropic 相继把面向普通人的健康问答做成标配,这条梳理了各家产品开放节奏,并追问这些工具的实际可靠性。
OpenAI 把“造一个全自动 AI 研究员”定成了接下来几年的北极星目标。首席科学家 Jakub Pachocki 跟 MIT Technology Review 聊了分两步走的计划:今年 9 月先搞一个“AI 研究实习生”,能独立啃一小批特定研究问题;2028 年再上完整的多智能体自动化系统。
推荐理由:OpenAI 将全自动 AI 研究员定为未来几年目标,首席科学家 Jakub Pachocki 给出今年 9 月先做研究实习生、2028 年再上多智能体系统的两步计划。
OpenAI 首席科学家 Jakub Pachocki 说,公司正把所有资源押注在一个叫“全自动 AI 研究员”的目标上。这个系统不是单一模型,而是一套让多个 AI 智能体协作干活(multi-agent)的流程,能自己跑去啃又大又复杂的问题,比如数学猜想、生物化学实验设计,甚至商业和政策难题。
推荐理由:OpenAI 首席科学家 Jakub Pachocki 披露公司正把资源押注全自动 AI 研究员,并计划 9 月先上线能独立解决少量问题的实习版本,可了解这套多智能体协作流程的推进节奏。
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、多模态与编码能力合并进单一开源模型,并给出相比 Mistral Small 3 的延迟与吞吐数据,可用于判断统一模型对部署成本的影响。
美国国防部一位官员说,军方可以把目标清单喂给一个在保密环境里跑的生成式 AI 系统,让它分析并排出先打哪个。人负责最后检查和拍板。OpenAI 的 ChatGPT 和 xAI 的 Grok 都可能被塞进这种高风险决策流程里。
推荐理由:美国国防部官员披露军方可将目标清单交给保密环境中的生成式 AI 排序打击优先级,由人做最终核查,这条呈现了生成式 AI 进入高风险决策流程的具体方式。
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。
推荐理由:英伟达开源 Nemotron 3 Super,总参 120B 但每次推理只激活 12B,并支持 100 万 token 上下文,官方称跑 agent 多步骤任务时吞吐量提升 5 倍。
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。
推荐理由:OpenAI 为 ChatGPT 加入可拖拽的互动图解,覆盖 70 多个数学和科学概念,付费与免费用户都能用,抽象公式可以手动调参并实时观察变化。
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%。
推荐理由:OpenAI 用 13000 多个任务测试推理模型能否按指令约束思维链,所有模型遵守率最高仅 15.4%,最低 0.1%,为理解推理模型的可控性边界提供了实测数据。
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。
推荐理由:OpenAI 公开 GPT-5.4 Thinking 系统卡,将高级网络安全防护措施纳入通用推理模型,这一动作的背景是此类能力门槛此前只出现在专用模型上。
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。
推荐理由:OpenAI 发布 ChatGPT for Excel 测试版,可在表格内建模、跑情景分析并追溯改动,同时接入 Moody's、Factiva 等金融数据源,专业工作流与数据生态的接入方式由此多了一种参考。
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。
推荐理由:OpenAI 更新了 ChatGPT 使用最多的日常模型,摘要用远程射箭弹道计算一例,对比旧版直接拒绝与新版不再动辄拒绝的回答差异。
AlphaGo 击败李世石十年后,AI 已经成为韩国职业围棋训练的标配,不用 AI 基本没法打职业。文章给了两个数:世界第一的申真谞落子与 AI 建议的重合率是 37.5%,而选手平均水平是 28.5%;另外 AlphaGo Zero 从零自学三天后,以 100 比 0 碾压了战胜李世石的那版 AlphaGo。
推荐理由:AlphaGo 击败李世石十年后,韩国职业围棋训练已离不开 AI,申真谞落子与 AI 建议的重合率达 37.5%,高于选手平均的 28.5%。
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。
推荐理由:OpenAI 与 PNNL 用 19 位专家构建的 DraftNEPABench 测试 GPT-5 起草联邦环评,每小节可省 1 到 5 小时,为观察 AI 进入监管文书流程提供了具体样本。
Anthropic CEO Dario Amodei 在访谈里说,模型能力的指数增长曲线和他三年前预期的差不多,但这条曲线快走到头了,时间上可能就差一两年。他把进步归因于算力、数据、训练时长和可扩展的目标函数,并强调预训练和强化学习(RL)遵循的是同一套缩放逻辑,不是两套。
推荐理由:Anthropic CEO Dario Amodei 判断模型能力的指数增长曲线已接近尾声,时间上可能只差一两年,并把预训练与强化学习归为同一套缩放逻辑。
MIT Technology Review 这篇展望认为,DeepSeek 在 2025 年初放出 R1 之后,中国公司已经能反复拿出性能接近西方顶级系统、但价格便宜很多的模型。文章举了月之暗面 Kimi K2.5 的例子,说它在早期跑分上接近 Anthropic 的 Claude Opus,价格大约是后者的七分之一。
推荐理由:MIT Technology Review 梳理 DeepSeek R1 之后中国开源模型的走向,并以月之暗面 Kimi K2.5 早期跑分接近 Claude Opus、价格约为其七分之一为例,呈现性能与成本差距的缩小。
OpenAI 在 2025 年 10 月成立了新团队“OpenAI for Science”,由产品出身、读过粒子物理博士的 Kevin Weil 带队。团队目标是测试 GPT-5 这类模型能不能当科学家的助手,比如帮忙想点子、找研究方向和翻出几十年前冷门期刊里的老论文。
推荐理由:OpenAI 新设团队由 Kevin Weil 带队,测试 GPT-5 能否帮科学家想点子、找方向并翻出冷门旧论文,这条讲的是模型进入科研流程时被安排的具体角色。
阮一峰记录了1月10日北京一场闭门会上几位大模型负责人的发言。智谱唐杰说,对话式AI的范式基本到头了,下一步是让模型真正做事,他们把编程、智能体和推理能力整合在一起。阿里林俊旸坦言,美国可用的算力比国内大一到两个数量级,人家拿算力搞下一代研究,我们光交付就占掉绝大部分资源;他判断三到五年后全球最领先的AI公司是中国团队的概率只有20%。
推荐理由:智谱唐杰与阿里林俊旸在北京闭门会上分别判断对话式AI路线见顶、中国团队三到五年内领先概率约20%,并提到中美算力差距达一到两个数量级。
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。
推荐理由:NVIDIA 在 CES 2026 宣布 Rubin AI 平台全面量产,六颗芯片组成,生成 token 成本压到上一代约十分之一,GPU 在 NVFP4 精度下推理算力达 50 petaflops。
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。
推荐理由:英伟达公布下一代 DGX SuperPOD 规划,下半年先推出搭载 Rubin GPU 的两款机型,单柜 260TB/s 带宽与推理成本降 10 倍的说法给出了下一代系统的性能预期。
华为云AI算法创新Lab前主任朱森华2025年10月离职,创办了具身大脑公司“具脑磐石”,两个月内拿到数千万元种子轮融资,投资方包括乐聚机器人等。
推荐理由:华为云AI算法创新Lab前主任朱森华离职创办具身大脑公司具脑磐石,两个月内完成数千万元种子轮融资,乐聚机器人参与投资。
DeepSeek 非正式部署 DeepSeek-V3.2-Speciale API,价格不变,仅支持思考模式下的对话,不支持工具调用等功能。用户可设置 base_url="https://api.deepseek.com/v3.2_speciale_expires_on_20251215" 访问模型。最大输出长度默认为 128K,服务支持时间截止至北京时间 2025-12-15 23:59。
推荐理由:DeepSeek 非正式部署仅支持思考模式对话的模型 API,工具调用缺失与限时开放共同限定了这项服务的接入用途。
deepseek-chat 和 deepseek-reasoner 均已升级为 DeepSeek-V3.2。deepseek-chat 对应非思考模式,deepseek-reasoner 对应思考模式。
推荐理由:DeepSeek 将 API 模型升级至 DeepSeek-V3.2,两个入口的对应关系明确区分非思考与思考模式。
deepseek-chat 和 deepseek-reasoner 均已升级为 DeepSeek-V3.2-Exp。deepseek-chat 对应非思考模式,deepseek-reasoner 对应思考模式,详细更新内容可参阅文档。
推荐理由:DeepSeek 将两个 API 入口升级为 DeepSeek-V3.2-Exp,两个调用名称分别对应非思考与思考模式。
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。
推荐理由:OpenAI 公布 120 天安全更新计划,下月先上线家长控制,可绑定 13 岁以上孩子账号并关闭记忆与聊天记录。检测到严重情绪危机的对话将自动转给推理模型处理。
deepseek-chat 和 deepseek-reasoner 都已升级为 DeepSeek-V3.1,分别对应非思考模式与思考模式。该模型采用混合推理架构,DeepSeek-V3.1-Think 相比 DeepSeek-R1-0528 能在更短时间内给出答案,并通过 Post-Training 优化提升工具使用与智能体任务表现。
推荐理由:DeepSeek-V3.1 将思考与非思考模式整合进同一模型,现有两个 API 模型名称分别对应两种模式。
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。
推荐理由:OpenAI 发布 GPT-5 并整合此前 4o、o 系列推理与 agent 能力,当天起向 Team 用户推送,文中 500 万企业付费用户与近 7 亿周活数据可看出其商业铺量规模。
OpenAI 在 8 月 7 日上线了 GPT-5,所有 ChatGPT 用户都能用。这次最大的变化是把快速回答和深度推理合进了一个系统:内置一个路由器,根据问题类型、复杂度和用户意图实时决定用哪个模型。Plus 用户额度更高,Pro 用户能解锁 GPT-5 pro,那个版本推理链条更长,答案更细。
推荐理由:OpenAI 上线 GPT-5 并向所有 ChatGPT 用户开放,内置路由器按问题类型和复杂度实时决定快答或深度推理,Plus 与 Pro 用户额度更高。
OpenAI 在 8 月 7 日公开了 GPT-5 系统卡。GPT-5 不是一个单一模型,而是一套组合:一个叫 gpt-5-main 的快模型负责回答大多数问题,一个叫 gpt-5-thinking 的深度推理模型处理难题,中间靠一个实时路由器根据对话类型、复杂度和用户意图(比如你说“仔细想想”)来决定调用谁。
推荐理由:OpenAI 公开 GPT-5 系统卡,披露它由快模型、深度推理模型和实时路由器组成,路由器按对话类型与复杂度分配任务,多模型系统的工程组织方式由此有了具体样本。
OpenAI 在 GPT-5 上换了一种安全训练思路,叫“安全补全”。以前模型是看用户问题有没有风险,有风险就直接拒绝;现在改成看模型生成的回答本身是否安全,尽量在安全边界内给出最有用的回复。具体做法是两条:回答违规就按严重程度扣分,回答安全就按有用程度加分。
推荐理由:OpenAI 在 GPT-5 上把安全训练从判断问题风险改为评估回答本身,违规按严重程度扣分、安全按有用程度加分,这一机制调整是理解模型安全策略转向的具体样本。
OpenAI 在 8 月 5 号宣布放出了他们自称“能力最强的开源权重推理模型”,主打让开发者、政府和非营利组织能在自己的服务器上跑,不用把数据交给第三方。这波操作主要是为了配合他们的“OpenAI for Countries”计划,拉拢盟友国家用美国主导的 AI 基础设施,同时给有数据本地化要求的机构一个选择。
推荐理由:OpenAI 宣布开放权重推理模型,允许开发者和机构在自有服务器上部署,配合其国家合作计划,为有数据本地化要求的用户提供不依赖第三方的选项。
OpenAI 发了两个开源模型,大的叫 gpt-oss-120b,小的叫 gpt-oss-20b,都用了 Apache 2.0 协议,可以商用。这两个模型是 OpenAI 自 GPT-2 之后第一次开源的语言模型。它们用了混合专家架构,120B 版本总参数 1170 亿,但每次只激活 51 亿参数,一张 80GB 显存的显卡就能跑。
推荐理由:OpenAI 以 Apache 2.0 协议开源 gpt-oss-120b 和 gpt-oss-20b,是自 GPT-2 后再次开放语言模型权重,其中 120B 版单卡 80GB 显存即可运行。