AI 写代码的一切：编码助手、Vibe Coding、代码模型评测与开发工作流变革。
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。先说代码能力，GPT-4.1 在 SWE-bench Verified（一个让模型看代码库修 bug 的测试）上拿了 54.6%，比 GP...
推荐理由：OpenAI 这次发布不是刷榜，而是把 100 万 token 上下文、小模型价效比和明确的旧模型下线时间一起端出来。54.6% 的 SWE-bench 分数和 mini 成本降 83% 都是可复现的硬指标，nano 模型也第一次露面。对做 API 产品的人来说，这些数字直接决定要不要切模型、怎么控成本，所以 HKR 三项都成立。
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。目前表现最好的选手——Claude 3.5 Sonnet（新版）加上开源脚手...
推荐理由：OpenAI 扔出一个硬核基准 PaperBench，拿 20 篇 ICML 2024 的 Spotlight 和 Oral 论文当考题，让 AI 智能体去复现研究过程。不是简单问答，而是拆成 8,316 个可评分的子任务，评分标准还是找论文原作者一起建的，这点挺扎实。目前表现最好的是 Claude 3.5 Sonnet 搭配开源脚手架，平均复现得分 21.0%，但人类博士基线还没被超过，说明离真正能搞研究的 AI 还有明显距离。代码已开源，想自己测的可以直接跑。
OpenAI 和爱沙尼亚政府合作，计划在 2025 年 9 月先让全国的高一、高二学生和老师用上 ChatGPT Edu。这是第一个由国家政府牵头、覆盖整个中学阶段的 ChatGPT 接入项目，不是某个学校的试点。ChatGPT Edu 是专门给学校用的版本，带 GDPR 合规和企业级管控，正文没提具体价格和总覆盖人数。爱沙尼亚本身 ChatGPT 使...
推荐理由：爱沙尼亚政府跟 OpenAI 签的是全国中学接入 ChatGPT Edu，不是零散的校园实验。2025 年 9 月先从 10、11 年级开始，OpenAI 提供产品、API 和技术支持，还带 GDPR 合规和企业级安全控制。但正文没写多少钱、多少席位、后续年级什么时候扩，这些缺口让实际落地速度要打个折。我会先别太激动，等看到预算和覆盖人数再说。
OpenAI 在 2025 年 2 月披露，封掉了一组行为模式指向中国的 ChatGPT 账号，内部代号叫“同行评审”。这群人主要干三件事：一是把英文文档截图扔给模型做翻译和分析，部分内容涉及维吾尔人权抗议活动通告，但 OpenAI 说没法确认这些文件真假和来源；二是用模型生成一个叫“千阅境外舆情 AI 助手”的销售文案，声称这个工具能扒 X、Face...
推荐理由：这是一份来自 OpenAI 的官方威胁情报，有行动代号和对手战术，安全和政策交叉点上的料。但得打个折：内容是 2025 年 2 月的旧事重提，没有新进展，而且全是单方面叙述，正文没披露任何独立验证的信息。我会先把它当个值得追踪的信号，别急着下结论。
OpenAI 在 2025 年 2 月的威胁报告里披露，他们封禁了几十个参与欺诈性求职活动的账号。这些账号用 OpenAI 的模型干了四件事：生成假简历和假求职档案、伪造推荐人身份帮忙做背景调查、在面试时实时生成技术题和行为题的答案，以及入职后继续用模型写代码、编借口（比如解释为什么不开摄像头、为什么从不正常地区登录）。整套操作和微软、谷歌之前曝光的朝...
推荐理由：OpenAI 自己的威胁情报报告详细说明了封禁账号的原因——一套完整的求职欺诈链条：假简历、实时面试作弊、入职后继续用模型掩盖身份。报告还关联了微软和谷歌之前曝光的类似活动，给出了具体的战术手法，不是空洞的安全通告。我会先打个折，因为正文没披露被封账号的具体数量、涉及的行业范围，也没说这些账号最终造成了多大实际损失，但作为一手情报，信息量已经足够让从业者警惕。
OpenAI 在 1 月 31 号把 o3-mini 放到了 ChatGPT 和 API 里，这是他们推理系列里目前成本最低的模型。它主打 STEM（科学、数学、编程），速度比 o1-mini 快，Plus 和 Team 用户的每日使用额度也从 50 条提到了 150 条。这个模型首次在小型推理模型上支持了函数调用、结构化输出和开发者消息，也支持流式传...
推荐理由：o3-mini 是 OpenAI 当天上线的新模型，属于必须写的级别。HKR 三项全中：发布动作本身就是钩子，有具体用量和对比数据，而且直接打中开发者关心的高性价比推理场景。我会先打个预防针——正文截断了，Codeforces 等完整跑分没全露出来，但现有信息已经够判断它的分量。
OpenAI 在 2025 年 1 月 28 日发布了 ChatGPT Gov，专门给美国联邦、州和地方机构用。这个版本可以部署在机构自己的微软 Azure 商业云或政府云上，让 IT 部门自己管安全、隐私和合规，比如满足 IL5、CJIS、ITAR 和 FedRAMP High 这类严格的安全框架。功能上跟企业版差不多：能用 GPT-4o 模型，支持...
推荐理由：这是一次包装和部署层面的发布，不是模型能力的大跳跃，但附带了实打实的采用数据。OpenAI把ChatGPT打包成符合美国政府安全要求的版本，跑在Azure政府云上，直接瞄准IL5、CJIS这类合规门槛。我会先打个折：正文没披露定价、具体哪些机构在用、以及实际部署后的性能或安全审计结果。但3500多家机构、9万用户、1800万条消息这些数字本身就有说服力，说明政府侧需求真实存在。所以给featured而不是p1，因为这不是前沿模型突破，而是产品化和渠道动作，但信息密度和信号强度都够。
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。团队还研究了多给算力、多跑几次...
推荐理由：OpenAI 这次没让模型刷题，而是让它真刀真枪跑完 75 个 Kaggle 竞赛——从准备数据、训模型到交结果，整套 ML 工程流程都得自己来。最佳组合 o1-preview + AIDE 在 16.9% 的任务里摸到了铜牌线，说明能做一些，但离靠谱还差得远。我会先打个折：铜牌在 Kaggle 上不算难，正文也没披露具体是哪些任务、失败在哪类环节，所以别急着喊“替代 ML 工程师”。真正值得看的是它把评测从“会答题”扭到了“能干完整工程活”，而且代码开源，团队可以自己跑一遍看自家 agent 几斤几两。
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 9 月 12 日推出了 o1-preview 和 o1-mini 两个新模型，主打“先思考再回答”。在数学奥赛预选题上，GPT-4o 正确率只有 13%，o1 推理模型做到了 83%，编程能力也到了 Codeforces 前 11%。o1-mini 是个更小更快的版本，成本比 o1-preview 低 80%，适合写代码但不需要太广知...
推荐理由：这是一次 OpenAI 的重大推理模型发布，三个信号全中。H 来自“先想再答”的新玩法，K 来自具体的基准、安全和定价数字，R 来自从业者必须权衡的现实：推理能力上去了，但 API 基础功能还没跟上。
OpenAI 推出了新模型 o1-preview，主打推理能力。在 AIME 2024 数学竞赛题上，o1 单次答题正确率 74%，GPT-4o 只有 12%；如果让模型对同一道题算 64 次再投票，正确率能到 83%。编程竞赛 Codeforces 上 o1 排到前 11%，GPQA Diamond 博士级科学题正确率超过了人类专家。这些提升靠的是大...
推荐理由：这是一次有产品含义的实质性研究发布。钩子落在 o1 的推理线和大跨度的基准跃升上，知识性来自可验证的数字和推理扩展律的机制说明，相关性在于它直接冲击模型策略和推理经济学。信息密度高，没有公关腔，给 93 分合理。
o1-mini 是 OpenAI 在 2024 年 9 月 12 日发布的小号推理模型，先开放给 Tier 5 API 用户和付费 ChatGPT 用户。它最大的卖点是便宜：API 调用成本只有 o1-preview 的两成。性能上，它专攻 STEM 推理，在 AIME 数学竞赛里拿到 70.0% 的正确率（约 11/15 题，全美前 500 名水平）...
推荐理由：OpenAI 发了一个实打实的模型，不是概念稿，所以必须写。钩子在于便宜 80% 还能接近 o1 的推理分，数字够硬（AIME 70.0%、Codeforces 1650），而且它明确告诉你：STEM 行，非 STEM 只跟小模型差不多，开发者看完就知道该不该切过去。
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 和 SWE-bench 原作者一起搞了个“验过货”的子集，叫 SWE-bench Verified。他们发现原版测试有坑：单元测试太死板、问题描述含糊、环境搭不起来，导致明明对的代码被判错，会系统性地低估模型写代码的真实水平。截至 2024 年 8 月 5 日，头部智能体在原版 SWE-bench 上得分约 20%，在 SWE-bench...
推荐理由：这不是一次常规发布。OpenAI 拉着原作者把 SWE-bench 翻了一遍，点出三类硬伤，还给出了新的分数天花板。我会先打个折：正文没披露修正后的完整新榜单，但现有数据已经足够让人重新审视那些代码智能体的评测成绩。
OpenAI 在 7 月 18 日推出了 GPT-4o mini，直接替换掉 ChatGPT 里的 GPT-3.5。价格是输入每百万 token 0.15 美元、输出 0.6 美元，比 GPT-3.5 Turbo 便宜了超过 60%。模型跑分还行，MMLU 82 分、HumanEval 87.2 分，都压过 Gemini Flash 和 Claude ...
推荐理由：这不是小修小补，GPT-4o mini 带着新定价、长上下文、明确的基准成绩和一套新的安全机制出来，直接替掉 GPT-3.5，对开发者的钱包和安全方案都有实际影响。HKR 三项全中，放在 P1 没问题。