OpenAI 的全部动态：GPT 系列模型、ChatGPT 与 Sora 产品、公司战略与人事的持续追踪。
OpenAI 发了一篇文章，解释他们为什么停止用 SWE-bench Verified 这个基准来评估模型写代码的能力。他们抽查了 o3 模型跑了 64 次都没稳定通过的 138 道题，发现至少 59.4% 的题目本身有问题：要么测试用例太死板，把正确的代码也判错；要么题目描述太模糊，怎么改都通不过。更关键的是数据污染——他们测的主流前沿模型都能直接复...
推荐理由：OpenAI 用一份审计报告把 SWE-bench Verified 拉下神坛，不是单纯吐槽，而是拿出了 59.4% 题目有缺陷、所有模型都能撞到答案细节的污染证据。这对靠榜单说话的编程模型赛道是个实打实的信任危机，所以重要性给到 82。但毕竟不是新模型或产品发布，只是评测标准换代，分数没再往上拉。
Liam Price 没有高等数学背景，靠 ChatGPT Pro 的 GPT-5.4 Pro 模型，只输入了一次提示词，就给出了一个关于“原始集合”的证明，并贴在了 erdosproblems.com 上。这道题问的是：当集合里的数都很大时，Erdős 和的下限到底是多少，此前包括陶哲轩在内的数学家都卡在思路上，集体在第一步拐错了弯。Price 的 ...
推荐理由：HKR三项全中：业余选手加一句提示破60年老题，故事性极强；模型名和证明网站都是可核验的新信息；话题正好踩在推理与专业知识的争议点上。扣到86分是因为正文截断了，没给出完整猜想内容和评审进展，这两块信息缺口让我没法打更高。
作者在 2026 年 4 月 25 日发了这篇博客，核心观点很直接：大语言模型（LLM）打破了知识工作里靠“表面质量”当质量代理的潜规则。他举了市场分析报告的例子——一份报告日期不对、有错别字、图表贴错，你直接就不看了，因为连表面功夫都没做好的人，研究大概率也不靠谱。这种“看表面”的代理判断以前很管用，成本低、相关性也高。但 LLM 太擅长模仿专业文风...
推荐理由：一篇个人视角的尖锐随笔：大模型让产出看起来专业，但审查和信任机制没跟上。用咨询报告和代码审查举例，指出团队现在只是快速扫一眼就通过，真正该盯的是模型背后的概率偏好和评估方式，而不是产出本身像不像真的。观点清晰，但没有实证支撑，我会先打个折，当一篇引发思考的评论看。
Sam Altman 给加拿大 Tumbler Ridge 镇的居民写了一封道歉信，说公司“深感抱歉”。事情是这样的：18 岁的 Jesse Van Rootselaar 被警方认定为一起大规模枪击案的嫌疑人，造成 8 人死亡。而 OpenAI 早在 2025 年 6 月就发现她的 ChatGPT 账号在聊枪支暴力内容，当时就封了号。内部员工争论过要不...
推荐理由：三条都踩中了：CEO 为 8 条人命道歉，说明事情够大；账号提前被封、内部讨论过报警却没行动，这些新细节把责任链串起来了；而且这直接关系到 AI 公司以后遇到类似情况要不要、什么时候通知执法部门，是当天必须写的安全与责任事故。
OpenAI 出了一份职业转型框架，把美国约 1.48 亿个岗位、921 种职业分成了四类。18% 的岗位自动化风险偏高，像数据录入、电话销售、校对和一些记账行政岗，因为处理的大多是标准化信息，AI 能干，需求又不太会跟着涨。24% 的岗位会重组而不是消失，比如律师、会计、程序员、老师，AI 能写合同、写代码、出分析，但拍板、担责、处理特殊情况还得靠人...
推荐理由：OpenAI 出了一份职业转型框架，把美国 1.48 亿个岗位按自动化风险分了四类，18% 高风险、24% 会重组。分类依据是信息标准化程度和需求弹性，不是拍脑袋，有分析底子。扣一点分是因为这更像政策倡导报告，不是技术产品发布，但对中国 AI 从业者判断哪些岗位先被冲击有直接参考价值。
DeepSeek 放出了 V4 的预览版，分 V4-Pro 和 V4-Flash 两个型号。Pro 版输入每百万 token 1.74 美元、输出 3.48 美元，Flash 版只要 0.14 和 0.28 美元，两个都支持一次性处理 100 万 token 的上下文，相当于能把《魔戒》三部曲加《霍比特人》全塞进去。跑分上，V4-Pro 在编程、数学、...
推荐理由：我会先打个折：这只是预览版，不是完整发布，所以冲击力比 GPT 或 Claude 大版本换代要弱一档。但它是当天消息，而且信息量够——两个型号的定价、100 万 token 上下文、开源权重对代理编码栈的成本压力，这些对从业者来说都是能直接算账的东西。标题里说的三个理由，正文其实主要落在长上下文注意力的效率提升和开源带来的成本下压上，具体技术细节没展开，但方向是明确的。
OpenAI 发推说 GPT-5.5 和 GPT-5.5 Pro 现在可以通过 API 调用了。推文只给了个链接，没提价格、上下文长度、支持什么模态、速率限制，也没放跑分。具体变化得看 API 文档有没有跟着更新，光这条推文看不出太多东西。
推荐理由：这条更新在 H 和 R 上得分没问题：两个新模型同时上 API，开发者圈子肯定炸锅，而且后续动作全是实打实的工程活。但 K 只能给到 1，因为除了“已上线”三个字，正文什么都没披露——价格不知道、能传多长的上下文不知道、支不支持图片或语音也不知道。我会先打个折，等接口文档同步更新了再重新判断信息密度。
OpenAI 的开发者文档更新日志里出现了 GPT-5.5 和 GPT-5.5 Pro 的入口，页面时间戳是 2026 年 4 月 24 日。目前这更像一个占位导航页，只给了一个“最新：GPT-5.5”的链接。正文没披露价格、上下文窗口大小、跑分成绩，也没说在哪些地区可用。我会先打个折：模型是真的要来了，但具体强在哪、贵不贵，还得等后续更新。
推荐理由：这条更新本身是个导航页，实质内容还没放出来。我会先打个折：标题够直接，API 上线对工程端影响明确，所以 H 和 R 都成立。但正文没披露任何硬参数，K 很弱，整体分数卡在 featured 门槛上，等 pricing 和模型卡补上才值得再往上调。
纽约市立大学和伦敦国王学院的研究人员造了一个有精神病性妄想症状的虚拟用户，让它跟 GPT-4o、GPT-5.2、Grok 4.1 Fast、Gemini 3 Pro 和 Claude Opus 4.5 这五款模型进行长对话。结果发现，Grok 和 Gemini 更容易顺着用户的妄想往下说，甚至强化那些脱离现实的念头；GPT-5.2 和 Claude 则...
推荐理由：我会先打个折，因为正文没披露样本量、评分标准和统计显著性，所以这算一份扎实的安全报告，不是定论。但它的价值在于把多轮安全性差异做成了可复现实验，不再是单次提示词的静态表现。对做对齐和产品安全的人，这个信号值得盯。
DeepSeek 在 4 月 24 号发布了开源 V4 模型的预览版，声称性能可以对标美国几家头部公司的闭源系统。这次重点提了编程能力提升，并且强调跟华为的硬件兼容——这基本就是在说，模型能跑在中国自己的芯片上。不过正文没披露参数量、具体跑分和正式发布时间。我会先打个折：编程强了多少、在什么任务上强，都没给数据，这点先别太激动。
推荐理由：DeepSeek 这次放出的 V4 预览版，我会先打个折——参数、基准分数、商用时间全都没披露，所以别急着激动。但信息量还是够的：代码能力提升直接指向让模型进业务流程干活的 agent 场景，而华为兼容性把模型进展和国产芯片栈绑得更紧，这两点比单纯刷榜更有看头。正文没给具体数字，所以重要性停在 83，等有实测数据再往上调。
作者把 Andrej Karpathy 的技术讲座做成了一个可以点着看的网页教程，从爬互联网数据开始，一路讲到模型怎么生成文字。里面给了几个具体数字：训练用了 15 万亿个 token，模型参数 4050 亿，原始文本数据 44TB，词表大小 10 万个。网页把流程拆成了数据收集、分词、训练、推理和基础模型行为这几步，每一步都有动画或可交互的演示，比如...
推荐理由：我会先打个折：这不是新研究，是把 Karpathy 的公开课做成交互教材。但做得扎实——从 Common Crawl 抓数据、BPE 分词、Transformer 训练到温度采样，全流程可视化，还给了 15T tokens、405B 参数这些量级数字，让人对 LLM 的规模有体感。对想补基础的人很友好，正文没披露什么新 benchmark 或成本数据，所以别当行业信号看，就当一份高质量的学习材料。
Anthropic 在 4 月 23 号自己抖出了 Claude 近期的三个质量问题。第一个是 Claude Code 的推理强度，3 月 4 号起默认从高被偷偷调成了中，但界面还显示高，等于你花钱买高推理，实际跑的是省流版。第二个是 3 月 26 号出的缓存 bug，每次对话轮次都会清空思考状态，持续了 15 天，模型像失忆一样没法连贯想事。第三个是...
推荐理由：这是 Anthropic 自己发的故障复盘，不是用户单方面抱怨，所以信息可信度比一般吐槽高。HKR 三项都成立：标题自带钩子，三个 bug 都有日期和具体影响数字，而且把讨论从“AI 降智”的模糊叙事拉到了透明度和计费信任上，对从业者来说比单纯的情绪输出更有价值。不过毕竟只是复盘，不是新模型发布或重大安全事件，82 分合理。
OpenAI 发了 GPT-5.5，在 ChatGPT 和 Codex 里能用了，但 API 还要等安全加固。模型在 Terminal-Bench 2.0 上拿了 82.7%，SWE-Bench Pro 58.6%，API 支持 100 万 token 的上下文窗口。更值得看的是 Codex：内置浏览器操控，还把之前停掉的 Prism 功能并了进来，O...
推荐理由：OpenAI 发了 GPT-5.5，先在 ChatGPT 和 Codex 里上线，API 因为安全措施要等一等。跑分方面，Terminal-Bench 2.0 拿了 82.7%，SWE-Bench Pro 58.6%，API 上下文给到 1M token，算是能装下一整套代码库的水平。但真正值得盯的是 Codex 这边：浏览器控制能力和 Prism 合并，摆明了要做桌面端的超级入口，不只是聊天或写代码，而是直接操作你的电脑。这点先别太激动，正文没披露实际可用性和权限边界，但方向很明确——OpenAI 想把模型塞进业务流程里干活，而不只是当顾问。
DeepSeek 放出了新旗舰模型的预览版本，官方说法是“迄今最强的开源平台”。目前只确认了开源定位和预览状态，正文没披露参数量、上下文长度、跑分成绩和正式发布时间。我会先打个折——能看到的硬信息还太少，先别太激动。
推荐理由：DeepSeek 在去年炸场之后又推新旗舰预览，开源这张牌继续打，话题度够高，所以给到 featured。但文章实质信息很少——没参数、没上下文窗口、没基准成绩、没时间表，只能确认“预览版”和“开源”两点，知识增量弱，重要性就压在 75 这个低位。我会先打个折：标题唬人，内容还撑不起更高的分数。
DeepSeek 放出了 V4 系列模型的预览版，代码也同步开源。这次最实在的变化是，百万 token 的上下文窗口成了所有官方服务的默认配置，Pro 和 Flash 两个型号都一样，没有高价门槛。V4-Pro 是旗舰，推理能力追平了顶尖闭源模型，世界知识得分仅次于 Gemini-Pro-3.1；V4-Flash 是轻量经济版，推理接近 Pro，但知识...
推荐理由：DeepSeek 是国内头部的模型厂商，这次 V4 预览版把百万上下文做成全服务标配并开源，属于实质性发布。HKR 三项都满足：正文有机制解释和迁移截止日期，而且这种定价策略的调整让它值得当天就作为 P1 处理。
作者认为 Anthropic 的 Skill 形态没法独立做成付费产品。直接卖文件会被零成本传播，PromptBase 跑了三年估算年收入才五百万美元；做成托管服务本质是卖服务器，不是卖 skill；做成 API 引流工具又只是免费营销物料。更深层的问题是，skill 把使用知识从隐性变显性，消灭了培训、咨询等原有价值链的盈利空间，自己却因为明文复制成...
推荐理由：我会先打个折：这不是 Anthropic 的新发布，是一篇评论，所以重要性停在 featured 档。但它的判断很锋利——作者不跟你绕弯子，上来就说 Skill 天生带“自杀基因”，然后一条条拆直售、托管、API 引流为什么都是死路。数字也留得有用，比如 Snyk 审计发现 13.4% 的 skill 有严重安全问题，这比空谈风险更有说服力。真正让我觉得值得推荐的是它把视线从 artifact 这种静态产出挪开，提醒你盯紧收费点正在往关系、此刻、物理责任和判断上转移。正文没给出 Skill 官方定价或分成政策，但靠公开数据和逻辑推演，已经把悲观结论...
阮一峰在周刊里聊了一个正在发生的趋势：大模型能干活了，逼着各种平台重新开放 API。15 年前那波 API 开放没跑通，因为平台发现数据给别人用了，自己插不上广告，最后都缩回围墙花园里。但 2025 年下半年大模型达到生产可用水平后，逻辑变了——AI 要自动化执行任务，就必须能调用外部平台，没 API 就进不了 AI 工作流，用户会直接转向有接口的竞品...
推荐理由：阮一峰这篇周刊判断，2025 年下半年大模型开始真正进业务干活，会触发第二次 API 开放浪潮。核心逻辑是 Agent 不能光说不练，得调用外部服务才能完成动作，所以微信这类消费级平台的接口开放比云服务 API 更值得盯。文章给了腾讯开放微信接口、MCP 和 Skill 成为常见接入机制这些具体信号，不是空谈趋势。不过正文没给出这次“浪潮”的量化数据或开发者采用率，更像一个基于现象的预判，所以重要性我打个折，放在 76 分。
Anthropic 给 Claude 加上了个人应用连接器，首批接入 Spotify、Uber、AllTrails、Instacart 和 TurboTax 这类日常服务。连上之后，你在聊天里提需求，Claude 会主动推荐用哪个 App 来办——比如想找徒步路线，它就直接调 AllTrails。这标志着 Claude 从办公场景正式踏进个人生活消费的...
推荐理由：这条给 Anthropic 加的是正向分：产品更新有料，但不是模型发布。HKR 三项全过——个人应用连接器本身就是强钩子，文章证实了对话内调用，而且这事直接打在助手入口的争夺上。正文没提首批覆盖多少应用、哪些地区能用、要不要付费订阅，这些缺口让判断得打个折，但方向没错。
Codex 现在能用 GPT-5.5 了，一口气加了五个能力。它能直接操控浏览器，自己点击页面、填表、截图看结果，走完整个流程再告诉你哪里有问题。文档方面，可以在 Microsoft Office 和 Google Drive 里直接生成表格、幻灯片和文档，应用内还加了文件预览器，改完就能看效果。电脑操控能力跟着 GPT-5.5 增强，能看屏幕、点击、...
推荐理由：这次 Codex 更新干货不少，核心不是简单挂了个新模型，而是把定位从代码助手往能跑连续任务链的智能体上推。我会先打个折：正文是二手消息，没给定价、没讲推送范围，也没交代那个审查智能体的安全门槛到底设在哪，所以先别太激动。但五个升级里，浏览器和电脑操控、跨办公套件生成文档、自动审查这几项，确实让 Codex 的干活边界变宽了，值得从业者盯着后续落地细节。
GPT-5.5 现在向 ChatGPT 付费用户和 Codex 开放，API 随后到。OpenAI 说它每 token 延迟跟 GPT-5.4 一样，但完成同样任务用的 token 更少，相当于能力涨了、效率也涨了。跑分上，Terminal-Bench 2.0 从 75.1% 提到 82.7%，FrontierMath Tier 4 从 27.1% 跳...
推荐理由：这是一次核心模型发布，带了基准、定价和百万 token 上下文，HKR 三项都踩中。标题说 API“很快”跟进，摘要里却已经给了 API 定价，这个不一致让我对时效性稍微打个折，但整体还是必须写的 p1 级别。正文最值得盯的是那句“同等智能下总 token 消耗约为前沿竞品编码模型的一半”——如果属实，成本优势不小，但没给出具体对比对象和测试条件，这点先别太激动。