Agent 智能体

Mistral AI 与 All Hands AI 合作发布面向软件工程任务的智能体 LLM Devstral，以 Apache 2.0 许可开源，在 SWE-Bench Verified 上得分 46.8%，比此前开源 SOTA 模型高出 6 个百分点以上。

OpenAI 给 Responses API 加了一批新工具，最核心的是支持远程 MCP 服务器，让模型能直接连上 Shopify、Stripe、Twilio 这些外部服务干活。

OpenAI 在 5 月 16 日给 o3 和 o4-mini 的系统卡打了个补丁，专门讲 Codex 这个云端编程助手。Codex 背后是 codex-1 模型，它是 o3 的一个变体，专门针对软件工程任务用强化学习练过，目标是写出像人一样风格、符合 PR 偏好的代码，并且会自己跑测试直到通过。

OpenAI 在 5 月 16 日推出了 Codex 的研究预览版，这是一个跑在云端的软件工程代理，底层是专门为编程优化过的 codex-1 模型（基于 o3）。你可以把它当成一个能同时干好几件事的远程开发助手：在 ChatGPT 侧边栏里给它派活，比如写新功能、修 bug、回答代码库的问题或者直接提 PR。

Mistral AI 发布 Le Chat Enterprise，一款由全新 Mistral Medium 3 模型驱动的企业级 AI 助手，包含企业搜索、Agent 构建器、自定义数据与工具连接器、文档库、自定义模型和混合部署等功能，全部功能将在未来两周内逐步上线。

OpenAI 在 4 月 25 日给 ChatGPT 里的 GPT-4o 推了个更新，结果模型变得特别爱讨好用户——不光拍马屁，还会顺着用户的负面情绪拱火、强化焦虑甚至鼓励冲动行为。他们 4 月 28 号开始把版本往回滚，现在用户用的是更早、回答更平衡的版本。

OpenAI 在 4 月 16 日推出了 o3 和 o4-mini 两个新模型。o3 是目前最强的推理模型，在编程、数学和视觉任务上刷新了多项基准，外部专家评估其重大错误比 o1 少了 20%。

OpenAI 在 4 月 14 号往 API 里塞了三个新模型：GPT-4.1、GPT-4.1 mini 和 GPT-4.1 nano。它们上下文窗口都拉到 100 万 token，知识截止到 2024 年 6 月。

OpenAI 放出了一个叫 BrowseComp 的基准测试，里面有 1266 道题，专门用来考 AI 浏览器特工（就是能自己上网查资料的模型）能不能找到那些藏得很深的信息。

OpenAI 搞了个新基准测试 PaperBench，让 AI 智能体从零复现 20 篇 ICML 2024 的 Spotlight 和 Oral 论文，包括读懂论文、搭代码、跑实验。每篇论文的复现任务被拆成可打分的小步骤，总共 8,316 个，评分标准是跟论文原作者一起定的。

OpenAI 更新了它的安全策略。最直接的变化是漏洞赏金上限从 2 万美元涨到 10 万美元，针对特别关键、有区分度的发现，还会在特定时段给符合条件的报告额外加钱。

OpenAI 在 3 月 11 日推出了专门用来搭 AI 代理的一套新工具。核心是一个叫 Responses API 的新接口，它把 Chat Completions 的简单用法和 Assistants API 的工具调用能力合在了一起，一次调用就能让模型用上网页搜索、文件搜索和操作电脑这几个内置工具。

OpenAI 在 2 月 25 日公开了 Deep Research 的系统卡，说明这个能自己上网搜资料、读文件、写 Python 做分析的智能体，在发布前做了哪些安全功课。他们按内部准备框架给四个高风险领域打了分：生化核辐射风险、网络安全、说服能力和模型自主性，四项都是“中等”。

Mistral AI 推出新版 le Chat，上线 iOS、Android 应用及 Pro、Team 服务，并开放 Enterprise 私有预览。新版提供代码解释器、文档分析和图像生成，Flash Answers 向所有用户开放预览，官方称速度可达 ~1000 words / sec；多数功能免费，Pro 起价为 $14.99 per month。

OpenAI 给 ChatGPT 加了一个叫“深度调研”的功能，不是简单的搜索总结，而是让模型自己上网分步干活。你丢一个复杂问题过去，它会花 5 到 30 分钟去翻几百个网页、图片和 PDF，边查边分析，最后生成一份带清晰引用出处的报告。背后跑的是专门为上网浏览和数据分析调过的 o3 模型，训练时就用到了浏览器和 Python 工具的真实任务。

OpenAI 在 2025 年 1 月 23 日公开了 Operator 的安全评估报告。Operator 是一个能看懂屏幕截图、像人一样点击按钮和菜单的电脑操作智能体，底层结合了 GPT-4o 的视觉能力和强化学习训练出的推理纠错能力。

OpenAI 在 2025 年 1 月 23 日放出了一个研究预览版智能体，叫 CUA（Computer-Using Agent）。它把 GPT-4o 的视觉能力和强化学习训出来的推理能力揉在一起，不看代码接口，直接像人一样看屏幕截图、用虚拟鼠标键盘来操作图形界面。

Operator 是一个能自己操控浏览器的 AI 代理，可以看网页、点击、打字、滚动，帮你填表、买菜、做 meme。它背后是一个叫 CUA 的新模型，把 GPT-4o 的视觉能力和强化学习推理结合起来，直接操作屏幕上的按钮和菜单，不需要对方网站提供 API。遇到登录、付款、验证码，它会主动把控制权交还给你，不会偷看或截图这些敏感信息。

OpenAI 从 Kaggle 挑了 75 个真实比赛做成基准测试，让 AI 智能体自己训练模型、处理数据、跑实验。最强的组合是 o1-preview 配上 AIDE 脚手架（一种帮模型自动迭代代码的工具），在 16.9% 的比赛里拿到了至少铜牌水平。这个成绩说明模型能独立完成一些 ML 工程任务，但离真正拿金牌还差得远。

OpenAI 在 2024 年 10 月 1 日推出了 Realtime API 的公测版，所有付费开发者都能用。这个接口通过一个持久的 WebSocket 连接，把音频直接流式传给 GPT-4o，再流式返回语音，省掉了以前那种“先转文字、再生成回复、最后转语音”的串联流程。好处是延迟更低，能保留语气和重音，还能自动处理用户插话。