罗剑岚团队和智元机器人搞了个新训练框架 LWD，已经在 16 台 Agibot G1 真机上跑过验证。LWD Online 在 8 个任务上平均成功率 0.95，长流程任务也能到 0.91。它的核心思路是把失败轨迹当训练数据用——他们攒了 652.5 小时的机器人操作数据，里面失败样本占了 34.8%，然后用离线转在线的强化学习方式让模型从这些翻车经验...
推荐理由：HKR三项都站得住：真机规模、任务数和成功率给了硬数字，失败轨迹占比这个数据点对同行有参考价值。不过具身智能的受众比基础模型窄，所以重要性定在78，不上头条。
OpenAI 发公告说，GPT-5.5 老把“哥布林”挂嘴边，是因为训练时给“书呆子”人设的回复打了高分，这个偏好通过强化学习和后续训练扩散开了。GPT-5.1 之后，ChatGPT 用“哥布林”的频率涨了 175%；书呆子风格的回复只占总回复的 2.5%，却贡献了 66.7% 的“哥布林”出现次数。核心问题是奖励信号有偏差，在强化学习的采样和生成、以...
推荐理由：我会先打个折，这不是什么重大能力发布，但 OpenAI 自己复盘模型行为偏差的料很实在。核心就一件事：他们给模型加了“书呆子”人格的奖励信号，结果这信号通过 RL、rollouts 和 SFT 扩散到完全无关的场景，让 GPT-5.5 动不动就 cue 哥布林。数字摆在那——175% 的用量飙升，2.5% 的回复源头——说明偏差放大效应有多猛。对做对齐和微调的人来说，这是个活生生的警告：奖励函数里一个看似无害的偏好，最后能在产品里闹出笑话。正文没展开他们具体怎么修的，但光这个诊断过程就值得从业者盯一眼。
华为泰勒实验室、北大和上海财大在 ACL 2026 发了一篇论文，提出 SHAPE 方法，核心思路是给模型的长篇推理加一道“推理税”。具体做法是：先用熵值把推理过程切成段，再用短距离试探估算每段的潜力，然后对后期又长又没带来实质进展的段落做动态长度打折，最后把奖励分配到每个 token 上。结果平均准确率涨了约 3%，同时 token 用量砍了约 30...
推荐理由：这篇论文最抓人的地方不是那 3% 的准确率提升，而是它把“模型靠啰嗦刷分”这件事直接拎出来收税。SHAPE 用熵值把推理过程切成段，拿短 rollout 估算每段的“势能”，高势能的后期长段落会被长度折扣重罚，逼着模型别在确认步骤上浪费 token。结果就是数学题答得更准，输出还短了约三成。我会先打个折：正文没披露这 30% 的 token 节省是在哪些模型和数据集上测的，也没说短 rollout 本身的计算开销有多大，所以实际部署省不省钱还得看具体场景。但思路本身很直接，把推理效率问题从“事后裁剪”挪到了“训练时就定价”，对做推理优化的团队来说是...
联影智能放出了 uAI-NEXUS-MedVLM，一个专门让大模型理解超声、内窥镜这类医疗视频的开源方案，配套论文中了 CVPR 2026。他们同时发布了一个叫 MedVidBench 的评测集，包含 53.2 万条视频-指令对，覆盖 8 种医疗视频来源和 8 类任务。团队拿 Qwen2.5-VL-7B 在这个数据集上做监督微调，在核心指标 CVS 上...
推荐理由：HKR 三项都站得住：真实医疗视频加首个开源方案自带话题性，53 万条数据和 89.4% 对 16.4% 的结果提供了硬信息，也切中了通用模型在专业领域拉胯、开源方案抢位的行业情绪。医疗场景的垂直属性让分数落在 78–84 区间，82 分合理。
小米这次放出的 MiMo-V2.5 系列模型用了 MIT 开源协议，你可以直接拿来商用、做二次训练和微调，不用再额外申请授权。正文没披露模型参数量和跑分成绩，这点先别太激动。同时他们还搞了个 Orbit 100T Token 计划，分两块：一块是给 AI builder 的激励，申请通过最高能拿到 16 亿 Credits，价值 659 元；另一块是给...
推荐理由：这条消息对 AI builder 有实际价值：MIT 协议意味着可以放心商用和微调，Orbit 计划给的 Credits 额度不小，659 元的标价也算低。但我会先打个折——正文完全没提模型参数量、性能跑分，连基础尺寸都不知道，没法判断模型本身强不强。这点先别太激动，等评测出来再看。整体属于有料但缺关键验证，放在 featured 合适。
Google DeepMind 与韩国科学技术信息通信部（MSIT）宣布建立合作伙伴关系，将在韩国设立 AI Campus，向韩国学术界开放 AlphaEvolve、AlphaGenome、AlphaFold、AI co-scientist 和 WeatherNext 等前沿模型。
SGLang 和 Miles 团队在 DeepSeek-V4 发布当天就完成了推理和强化学习训练的适配，覆盖了 1.6T 参数的 Pro 版和 284B 参数的 Flash 版。V4 模型用了混合稀疏注意力，把滑动窗口和两种 KV 压缩（4:1 或 128:1）混在一起，撑住了 100 万 token 的上下文窗口，专家权重还用了 FP4 精度。系统上...
推荐理由：我会先打个折：这篇不是给所有人看的，系统细节多，普通读者容易走神。但它的钩子够硬——V4 发布当天就有推理加验证 RL 的工程栈，而且把上下文长度、压缩比、注意力窗口这些直接影响成本和稳定性的数字都摊开了。ShadowRadix 那部分虽然正文没展开实现细节，但点出了多池一致性这个真正难啃的骨头，对做部署和调优的人比单纯跑分更有参考价值。
ServiceNow 在 Hugging Face 上发了 SuperApriel-15B-Instruct，一个 15B 参数的指令模型。它最特别的地方是用了“超级网络”设计：48 层解码器里，每层都塞了 4 种不同的注意力机制（全注意力、滑动窗口、Gated DeltaNet、Kimi Delta Attention），运行时可以像换挡一样选不同组...
推荐理由：一个 15B 模型靠单一检查点覆盖 8 档推理速度，吞吐跨度超过 10 倍，对实际部署的吸引力很强，H 和 K 都站得住。R 来自它把成本-延迟-质量的权衡做成可调开关，而不是让你换模型。不过这只是推理优化方向的发布，不是前沿实验室的旗舰更新，影响范围偏窄，所以 76 分、featured 合理。
作者搭了一套 QLoRA 流程来微调苹果那个跑在手机上的 3B 模型，把显存需求从大约 24GB 压到 1GB 内存加 5GB 显存，免费版 Colab T4 或者一台 24GB 内存的 Mac 就能跑。帖子说 A100 跑 LoRA、T4 跑 QLoRA、Mac 跑 QLoRA 训出来的适配器效果差不多，都能把准确率从 40% 左右拉到 75%，如果...
推荐理由：一篇带名字的第一手实验，内存和准确率数字可复现，HKR 三项全中，比普通教程贴强。分数没上 85 是因为来源只是单篇 Reddit 帖子，权威性有限，跑分范围也窄。
一位 Reddit 用户用 800 份标注过的财报电话会记录微调了 Gemma 4 26B，然后在一张 RTX 4090 上花了约 14 小时，推理了 3 年内共 2400 份记录。在 600 份样本外数据上，一个信号显示：CFO 指引越含糊，公司股价在 5 天内相对板块平均跑输约 1.8%，信息系数（IC）为 0.04。另一个信号更强，与板块回报的相...
推荐理由：这是一篇第一人称的实战记录，不是公关稿。作者把 Gemma 4 26B 塞进一张 4090，用 800 份人工标注的财报电话会微调，然后让模型在 2400 份近三年转录上提取交易信号，整批跑完 14 小时。结果里有一个信号站住了：CFO 把业绩指引从具体数字改成模糊表述后，股价 5 日内相对行业落后约 1.8%，IC 0.04，不算强但能用。另一个信号和行业回报相关性高达 0.85，作者直接判定为幽灵信号，提醒读者因子去重比标题里的赚钱故事重要得多。全文没有吹模型多强，反而在讲怎么排雷，信息密度和诚实度都够，适合 featured 位置。
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。信息导向探索的核心...
推荐理由：我会先打个折：反馈是用 Gemini 1.5 Pro 模拟的，不是真人标的，1000倍增益也只是在不超过100万条标注区间外推出来的。但方法论值得看——在线 RLHF 加信息导向探索，让模型自己挑该问什么，把标注预算花在刀刃上。这点先别太激动，但如果是真的挺省钱。
VoxCPM 2 是个 20 亿参数的开源语音模型，主打低延迟和少样本复刻。官方说生成经常在 1 秒内完成，给一段 5 秒以上的参考音频就能模仿音色和风格，演示里用它念了语速极快的相声贯口《莽撞人》。技术上它没用传统的声学码本，而是走扩散自回归连续表征路线，支持去噪、LoRA 微调和全量微调。正文没披露具体的训练数据规模和硬件需求，也没给标准化的语音质...
推荐理由：面壁智能和清华 OpenBMB 放出的 VoxCPM 2 是一个 2B 开源语音模型，不是薄 demo。正文列了可复现条件：48kHz、9 种方言、30 种外语、≥5 秒参考音频、1 秒内生成，还支持降噪和 LoRA/全参微调。技术路线上走了 tokenizer-free 的扩散自回归连续表征，这点比模型尺寸更值得看。我会先打个折：正文没披露方言和外语的具体测试集与客观指标，也没给端侧实测延迟和内存占用，所以实际部署成本还要自己测。但整体信息量够，对盯中文开源语音栈的人有参考价值。
五角大楼计划为生成式 AI 公司搭建安全环境，让它们用机密数据训练军事专用版模型。Anthropic 的 Claude 已经在机密场景里用来回答问题，包括分析伊朗境内的目标，但让模型直接拿机密数据训练是头一回。这意味着监控报告、战场评估这类敏感情报会被写进模型参数里，AI 公司离机密数据也会比以往更近。正文没披露具体的安全隔离措施、数据脱敏方案，也没说...
推荐理由：这条是通讯里的一个条目，不是五角大楼或 Anthropic 自己发的完整公告，所以信息量有限，但国防加机密训练这个角度够硬。HKR 三项都踩中了：标题本身就勾人，正文给了 Claude 在机密场景的具体用例和训练数据来源，而且直接戳到前沿模型进军事领域这个敏感话题。我会先打个折，因为细节还缺——比如安全环境怎么隔离、模型会不会直接参与决策，正文都没说——但现有事实已经够撑 featured 这条线。
五角大楼正在讨论建一个安全环境，让 OpenAI、xAI 这类公司用机密数据训练军用版大模型。以前这些模型只能在涉密环境里回答问题，不能拿数据去学习，这次是头一回允许直接“吃”进机密情报。训练会在认证过的数据中心进行，数据归国防部，公司人员只在极少数情况下、有安全许可才能接触。官方说会先用非机密数据（比如商业卫星图）做测试，看效果再推进。最大的隐患是泄...
推荐理由：我会先打个折：目前只是规划阶段的说法，不是已签合同、已拨预算或已部署的项目，所以分数没给到 85 以上。但 hook 很明确——用机密数据训练这件事本身就少见，加上有具体的评估门槛和数据所有权安排，信息量够。泄密风险那段尤其值得盯：同一个模型如果服务不同密级部门，训练时吃进去的机密信息可能被再次吐出来，正文没展开怎么防，这是个关键缺口。
Mistral AI 推出 Forge，一套让企业基于自有专有知识构建前沿级 AI 模型的系统，支持预训练、后训练和强化学习等阶段。Forge 支持 dense 与 MoE 架构，并可处理多模态输入，模型可在企业内部基础设施中训练与治理。Mistral AI 已与 ASML、Ericsson、欧洲空间局、新加坡 DSO National Laboratories 等机构合作，用其专有数据训练模型。
推荐理由：原文给出企业用自有数据训练前沿模型的分阶段能力与已合作机构，可据此判断企业自建模型的路径。
NVIDIA 在 GTC 上主推两件事：一是让 AI 助手直接在 RTX 电脑和 DGX Spark 小超算上本地跑，不用联网，隐私和 token 成本都省了。DGX Spark 有 128GB 统一内存，能塞下 120B 参数以上的模型。二是发新模型，包括小号的 Nemotron 3 Nano 4B 和大号的 Nemotron 3 Super 120...
推荐理由：我会先打个折：正文没披露标题里“最新开放模型”的全量清单和价格，所以不能给更高分。但 HKR 三项都站得住——本地跑大模型和代理的钩子够强，128GB 统一内存和 PinchBench 分数是实打实的数字，而且本地推理正好踩在隐私和成本这两个行业痒点上。保留 featured，不往上提，因为信息有缺口，来源也是厂商发布稿。
Mistral AI 以创始成员身份加入 NVIDIA Nemotron Coalition，双方计划联合开发前沿开源 AI 模型，Mistral AI 提供模型架构、多模态能力与微调工具，NVIDIA 提供算力、模型开发工具和合成数据管线。
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。
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。在 Hugging Face 上，...
推荐理由：这篇不是产品发布，但给出了实在的市场信号——约七分之一的价格、Hugging Face 下载份额，以及一个清晰的判断：中国开源正从少数通用模型转向大量可蒸馏、可微调的专用变体。信息量够，对从业者有参考价值，放 featured 没问题。
斯坦福和印第安纳大学的研究人员扒了 Civitai 这个 AI 内容交易平台的数据，发现从 2023 年中到 2024 年底，平台上 90% 的深度伪造悬赏（bounties）都指名要生成真实女性的假照片。这些悬赏主要求购一种叫 LoRA 的指令文件——你可以把它理解成给 Stable Diffusion 这类主流生图模型用的“风格补丁”，能让模型画出...
推荐理由：这篇调查把 Civitai 上的深伪滥用做成了一个看得见的市场账本。我会先打个折：数据只覆盖到 2024 年底，平台 2025 年 5 月才全面封禁，时效性上不是最新变动，但那些硬数字——90% 针对女性、86% 要定制 LoRA、单笔几美元、九成多已结单——把“需求有多集中、门槛有多低”讲得很清楚。对从业者来说，值得盯的不是个案，是平台把生成教程、支付和撮合串成一条流水线，封禁后旧货还在流通，这比单纯托管内容麻烦得多。正文没披露 Civitai 或投资方 a16z 的回应，也没给出封禁后的下架率，所以判断先停在“治理缺口明显”这一步。
NVIDIA 在 CES 上展示了两台桌面设备 DGX Spark 和 DGX Station，能在本地跑 1000 亿到 1 万亿参数的开源模型。DGX Station 有 775GB 的统一内存，可以把模型压缩到 NVFP4 格式，压缩率最高 70%，跑 llama.cpp 时推理速度平均提升 35%。现场还演示了每秒处理 25 万个 token ...
推荐理由：HKR 三项都站得住：桌面跑大模型的 hook 够强，性能数字和演示数据把事实撑住了，而且整件事指向本地开发闭环能不能替代部分云端迭代这个真问题。不过说到底这是英伟达的产品发布，性能证据都来自厂商自己的演示，我会先打个折，所以重要性停在 75 分。
Mercor 这家成立三年的公司，现在估值 100 亿美元，干的活说白了就是给 OpenAI、Anthropic 这些 AI 实验室当人才中介。他们找的不是普通众包人员，而是高盛、麦肯锡、顶尖律所的前员工，时薪最高给到 200 美元，让这些人用自己的行业经验去训练 AI 模型。CEO Brendan Foody 在 Disrupt 大会上聊了几个关键点...
推荐理由：这篇值得看，因为它讲了一个具体又反直觉的链条：OpenAI、Anthropic 这些实验室，通过 Mercor 这个人才中介，把高盛、麦肯锡和顶级律所的前员工拉来给模型做领域知识标注，时薪开到 200 美元。等于说，最可能被 AI 冲击的那批人，现在成了训练 AI 的关键劳动力。Mercor 三年估值冲到 100 亿美元，说明这条供给链跑通了。不过正文没披露具体规模、合同怎么签、任务怎么分配，所以对商业模式和可持续性还得打个问号。我会先打折看，但方向本身已经够说明问题了。
Mistral AI 宣布完成 1.7B€ 的 C 轮融资，投后估值 11.7B€，由半导体设备厂商 ASML 领投，DST Global、Andreessen Horowitz、Bpifrance、General Catalyst、Index Ventures、Lightspeed 和 NVIDIA 等现有投资方参投。
推荐理由：Mistral AI 完成 1.7B€ C 轮融资，由 ASML 领投，读者可据此了解其资金用途与半导体产业链合作方向。
OpenAI 发了一篇技术文章，讲他们怎么评估开源模型 gpt-oss 在最坏情况下可能被用歪的风险。他们用的方法叫“恶意微调”，说白了就是故意把模型往坏里教：在生物风险这块，让模型上网查资料、用强化学习训练它搞威胁制造；在网络攻击这块，把它扔进一个能写代码干活的环境里打 CTF 解题赛。测完发现，被恶意调教过的 gpt-oss 还是打不过他们自家的闭...
推荐理由：我会先打个折：正文只给了相对结论，说 gpt-oss 在两项恶意微调后仍落后于 OpenAI o3，但具体分数、用了多少训练量、触发发布禁令的阈值全都没披露。这点先别太激动，信息缺口不小。真正该盯的是方法论——用恶意微调当最坏情况探针，而不是标题里“开放权重风险”那个大词。对从业者来说，这两套评估环境的设计思路比结论本身更有参考价值。
Mistral 用 LoRA 微调 Pixtral-12B，在 Aerial Image Dataset（AID）卫星图像分类任务上显著优于基座模型。微调通过 Mistral 微调 API 或 LaPlateforme UI 完成，无需大量超参数调优，仅需少量精选样本即可减少基座模型在模糊类别上的误判与幻觉标签。
Mistral AI 联合 Carbone 4 和法国生态转型署（ADEME）完成首个 AI 模型全生命周期分析，并公开两项指标：Mistral Large 2 训练及 18 个月使用产生 20.4 ktCO₂e。
OpenAI 把之前零散的美国公共部门业务打包，推出了“OpenAI for Government”。第一个合作方是美国国防部首席数字与人工智能办公室（CDAO），签了一份上限 2 亿美元的试点合同，主要用 ChatGPT Enterprise 和 ChatGPT Gov 去改造行政流程，比如帮军人家庭查医保、整理采购数据、做主动网络防御。宾州政府之前...
推荐理由：这不是模型发布，但 OpenAI 在政府市场这一步迈得挺实：整合了面向联邦、州和地方政府的项目，首个国防部试点合同金额上限 2 亿美元，还提了个宾州员工日均节省 105 分钟的数字。我会先打个折——正文没写具体模型版本、定价和部署规模，所以效率数据只能当个参考，别太激动。HKR 三项都踩中了，够得上 featured；缺细节让它进不了 p1。
Mistral AI 发布 Mistral Compute，提供从裸金属服务器到全托管 PaaS 的私有集成堆栈，涵盖 GPU、编排、API 与产品服务。该服务由 Mistral 自研训练套件支撑，可训练和部署任意 AI 负载，作为 NVIDIA 合作伙伴将提供最新参考架构与数万块 GPU。
OpenAI 在 2025 年 4 月 9 日公布了 Pioneers 计划，第一批只挑少量创业公司合作。核心做两件事：一是针对法律、金融、保险、医疗、会计等行业，和公司一起设计领域专用的评测基准，之后会公开发布——这比模型本身更值得关注，相当于 OpenAI 要下场定义“行业里什么叫好用”。二是用强化微调（RFT，一种用较少数据把模型训成特定任务专家...
推荐理由：HKR-K 和 HKR-R 都过关：OpenAI 确认会公开领域评测、每家公司做三个用例的定制模型，还有研究团队协作的强化微调，这对追领域性能的团队有实际价值。HKR-H 偏弱，而且价格、入选数量、模型基座、时间表正文全没给，所以放在 featured 低段。
OpenAI 拉上 15 家大学、医院和图书馆组了个叫 NextGenAI 的联盟，总共承诺投入 5000 万美元，形式是研究经费、算力补贴和 API 调用额度。这笔钱不是直接发，而是让合作方用 OpenAI 的工具干活。MIT 的师生能拿 API 和算力去训练、微调自己的模型；牛津的博德利图书馆用 API 转录古籍，把几百年前的书变成可检索的电子文本...
推荐理由：OpenAI掏5000万美元加算力和API，把MIT、牛津等15家机构拉进NextGenAI联盟。这事不是发个模型，而是让学术圈用它的工具做训练、微调、甚至转录古籍，等于在下一代研究者和机构里提前铺管道。我会先打个折：正文没披露资金是现金还是额度、算力具体多少、API调用上限，这些缺口让实际力度不好判断。但方向很明确，卖的不是单点产品，是生态绑定。
OpenAI 这次主要给开发者端上了几道新菜。首先是 o1 模型正式在 API 里上线，先推给用量最高的第五级开发者。相比之前的预览版，o1 现在能调用外部函数、按你给的 JSON 格式稳定输出、看懂图片，还多了一个叫 reasoning_effort 的参数让你控制它思考多久。官方说它平均比预览版少用 60% 的思考 token，等于更快更省钱。跑分...
推荐理由：这条更新对开发者来说信息量很扎实。o1 补上了之前缺失的生产特性，不再是只能看不能用的状态；推理 token 用量大降和音频价格大砍都是实打实的成本改善。后半段 GPT-4o mini 实时价格被截断，但已披露的部分没有事实错误或过时信息，也没有不安全或误导性的建议。整体判断：事实准确、当前有效、对从业者安全。
OpenAI 在 10 月 3 号给 Plus 和 Team 用户推了个 Canvas 测试版，相当于在 ChatGPT 旁边开了个协作窗口，你可以直接在上面改文字或代码，模型也能像编辑一样给行内建议。它背后是 GPT-4o，专门训练过什么时候该自动弹出这个窗口：写作场景触发准确率到了 83%，编程场景 94%。模型还学会了做定点修改而不是每次都整篇重...
推荐理由：OpenAI 给 ChatGPT 加了个叫 canvas 的协作界面，写作和编程时能单独开一个窗口，选中某段文字直接改、能回退版本，还有调长度、修 bug、代码审查这些快捷操作。我会先打个折，这目前是测试版，只给 Plus 和 Team 用户用。但真正值得看的是他们怎么训的：内部 20 多项评测里，模型知道什么时候该自动弹出 canvas 的准确率写作 83%、编程 94%，定向编辑效果比之前好 18%，评论准确率高出 30%、质量高出 16%。这些数字说明他们不是拍脑袋加功能，而是用偏好数据专门教过模型什么时候该进协作模式、怎么改得更准。对做 A...
OpenAI 在 2024 年 10 月 1 日上线了 GPT-4o 的图像微调功能，付费开发者现在能上传图片加文字的数据集来定制模型。最少 100 张图就能看到效果，图越多、数据量越大，提升越明显。Grab 用 100 个样本训练后，车道数量识别准确率提高了 20%，限速标志定位准确率提高了 13%；Automat 把桌面 RPA 机器人的任务成功率...
推荐理由：OpenAI 把视觉微调塞进了正式 API，门槛低到 100 张图，还给了两个有数字的客户案例，HKR 三项都踩实了。对做具体业务的人来说，这比发新模型更直接——能用自己的图片数据把模型掰成自己想要的形状。不过定价那段正文截断了，实际成本还得自己算，这点先别太激动。整体影响面不如旗舰模型发布那么大，但实用度很高，所以重要性给 84、放 featured 是合理的。
OpenAI 10 月 1 号在自家 API 里推了一套模型蒸馏工具，核心思路是：先用 GPT-4o 或 o1-preview 这类大模型跑出结果，再用这些结果去微调 GPT-4o mini 这种便宜模型，让它在特定任务上接近大模型的表现，但成本更低。整套流程包括三个部分：Stored Completions 负责自动抓取和保存 API 的输入输出对，...
推荐理由：我会先打个折：这不是新模型发布，而是把模型蒸馏做成 API 内置流水线，附带自动存样本、评测和微调三个套件。正文说 store:true 抓取数据不额外增加延迟，这点先别太激动，实际体验要看并发量。免费 token 额度有截止日期，Evals 免费次数也绑定了与 OpenAI 共享评测的条件，省钱归省钱，但数据会留在对方那边。整体对想用大模型带小模型、又不想自建 infra 的团队挺实用，只是信息缺口在于蒸馏后的模型在具体任务上到底比直接微调强多少，正文没给对比数字。
OpenAI 把 GPT-4o 的微调权限开放给所有付费开发者了。训练价格是每百万 token 25 美元，用微调后的模型跑推理，输入每百万 token 3.75 美元，输出每百万 token 15 美元。到 9 月 23 日为止，每个组织每天能免费拿到 100 万训练 token。官方说，几十条样本就能让模型在特定任务上听话不少，比如调整回答风格、遵...
推荐理由：OpenAI 这次给 GPT-4o 开放微调，不是画饼，是直接上线了。我会先打个折：免费额度只到 9 月 23 号，每天 100 万 token，够你跑个小实验但别指望白嫖大项目。训练每百万 token 25 美元，推理输入 3.75、输出 15，价格不算低，但比从头训模型省事太多。真正值得盯的是两个外部团队的成绩——Cosine 在 SWE-bench Verified 上刷到 43.8%，Distyl 在 BIRD-SQL 上拿到 71.83%，说明微调后的 GPT-4o 在代码和 SQL 场景确实能打。正文没披露这两个微调具体用了多少数据、什...
OpenAI 在 7 月 24 日公开了他们用在安全对齐上的新方法：Rule-Based Rewards（RBRs），也就是用一套事先写好的规则给模型回复打分，而不是每次都靠人反复标注。这套方法把模型面对敏感请求时的反应分成三类——硬拒绝（简短道歉并明确说不）、软拒绝（带同理心地拒绝）和正常遵从——然后针对每类行为设定具体的评判标准，比如“回复是否在说...
推荐理由：我会先打个折：正文截取部分没给具体效果数字，也没对比基线，所以分数压在 78–84 这个区间。但 OpenAI 把安全规则显式写进奖励模型这件事本身值得关注，因为它解决的是工程上很实际的麻烦——政策一改，不用重新雇人标一堆数据，改规则就行。三种响应模式（硬拒、软拒、合规）让模型拒绝时不会太生硬，这点对产品体验有帮助。不过别太激动，论文没披露误拒率或漏判率，实际线上表现还得看后续有没有更细的评测。