首页
工作坊
工具
服务
知识
资源
EAIR-OS
会员
关于

…

行业内容 · 精选

精选

按评分排序

热点榜精选动态日报主题

鹦鹉AI

一个人的内容团队。

小红书

产品

工具
服务
知识
EAIR-OS

社区

工作坊
行业内容
周刊
会员

资源

使用场景
工作流
博客
GTM 工程
账号对标
选题

关于

关于
开发者文档
联系
支持

条款
隐私

行业内容 · 精选

精选

按评分排序

共 47 条精选清除筛选

全部一手行业教程产品观点论文模型

热点榜精选动态日报主题

19:00OpenAI News精选评分 68

OpenAI 称不再评测 SWE-bench Verified，因污染与错误测量使该基准失真

Why we no longer evaluate SWE-bench Verified

OpenAI 说明其不再评测 SWE-bench Verified，理由是这一基准日益被污染、会错误衡量前沿模型的编码进展。其分析指出存在有缺陷的测试与训练数据泄漏，并推荐使用 SWE-bench Pro。

论文#openai

推荐理由：它用测试污染与训练数据泄漏两项问题分析一个常用基准为何失真，做模型评测的人可据此调整参照。

08:00OpenAI News精选评分 68

发布前的预演：OpenAI 提出 Deployment Simulation 这一方法，它用真实对话数据在部署之前模拟并预测模型的行为，用以改进安全与评测的准确性

Predicting model behavior before release by simulating deployment

OpenAI 发布方法介绍：Deployment Simulation，这是一种在模型部署前预测其行为的做法，依据是真实对话数据（real conversation data），提高安全评估与评测准确性。属于评测方法上的新工具。

论文

推荐理由：「部署前用真实数据模拟行为」是安全评测的具体方法论，可被同行复用；材料未给误差范围与验证结果。

00:46

Google DeepMind精选评分 68

DeepMind 公开首个经实证验证的 AI 操纵测量工具包，并放出做同类人本实验的全部材料，量化 AI 在真实对话中被滥用于有害操纵

Protecting people from harmful manipulation

Google DeepMind 在 Responsibility & Safety 下发布关于 AI 被滥用于有害操纵（以欺骗、负面方式改变人的想法与行为）的新研究。基于广泛的科学研究，公司称这套成果形成了首个经实证验证的工具包，用于测量现实世界中的此类 AI 操纵，并公开运行同类人本实验所需的全部材料，希望既保护人群、也推动整个领域。文中强调：研究观察到的行为发生在受控实验环境里；这一工具把 AI 在自然对话中影响人与社会的潜力，变成可量化、可复现评估的对象。

论文#Google DeepMind

推荐理由：把 AI 操纵从担忧变成可测量对象，并公开做同类人本实验的方法与材料，为后续独立研究提供了底座。

22:40

Google DeepMind精选评分 67

Co-Scientist 上 Nature：基于 Gemini 的多智能体系统会生成-辩论-演化科研假设，并向个人研究者开放 Hypothesis Generation 工具

Co-Scientist: A multi-agent AI partner to accelerate research

Google DeepMind 在 Nature 发表 Co-Scientist——一个基于 Gemini 构建的多智能体 AI 系统，能针对复杂科学问题反复地生成、辩论并演化新假设；同时把它作为实验性工具 Hypothesis Generation 开放给个人研究者，由 Google DeepMind、Google Research、Google Cloud 与 Google Labs 联合开发，未来数周起逐步推送、可在 labs.google/science 登记。过去一年团队与研究者一起把它用于抗生素耐药、植物免疫、肝纤维化等难题。定位是把从海量信息里捞出关键假设这一发现瓶颈交给一个专职科研伙伴。

模型#Google DeepMind

推荐理由：把生成-辩论-演化假设做成可复用的多智能体系统，并同步从论文走向个人研究者的工具入口，科研自动化路径由此可被直接试用。

18:00OpenAI News精选评分 66

GPT-Red：OpenAI 公开其自动红队测试（automated red teaming）系统，用自我对弈（self-play）来改进 AI 的安全、对齐与提示注入（prompt injection）鲁棒性

GPT-Red: Unlocking Self-Improvement for Robustness

OpenAI 发布关于 GPT-Red 的介绍，这是一个自动红队测试系统，做法是自我对弈（self-play），目标是改进模型的安全（safety）、对齐（alignment）与对提示注入攻击的鲁棒性。属于把内部攻防自动化机制对外说明。

论文

推荐理由：自动化红队加自我对弈是可复用的安全工程方法，且点名提示注入这一具体攻击面；材料偏方法介绍，未给效果量化。

22:52

Google DeepMind精选评分 66

Google DeepMind 发布 SIMA 2：接入 Gemini 后能在虚拟 3D 世界里推理、对话并自我改进

SIMA 2: An Agent that Plays, Reasons, and Learns With You in Virtual 3D Worlds

去年 SIMA（Scalable Instructable Multiworld Agent）已经能在多种虚拟环境里听懂基本指令，把语言翻译成有意义的行为。今天发布的 SIMA 2 把这个方向推了一步：它把 Gemini 的先进能力接了进来，从一个指令跟随者演化成了互动的游戏伙伴——不仅能听懂自然语言指令，还会思考自己的目标、与用户对话，并能随时间自我改进。官方称这是通向 AGI 的重要一步，对未来机器人与 AI 具身化有直接影响。

论文#Google

推荐理由：会推理、会对话、自我改进这三件事同时落地，是判断智能体进展的实质材料。

19:00OpenAI News精选评分 65

GPT-5.2 在理论物理中提出新的胶子振幅公式，随后被正式证明与核验

GPT-5.2 derives a new result in theoretical physics

一份新预印本显示，GPT-5.2 为一个胶子振幅提出新公式，随后这一结果由 OpenAI 与学术合作者正式证明并核验。

论文#openai

推荐理由：材料给出一个模型提出、后经正式证明与核验的新结果，读者能据此判断模型在理论物理上是否已能提供原创内容。

19:00OpenAI News精选评分 64

GPT-5 与 Ginkgo Bioworks 自动实验室结合，把无细胞蛋白合成成本降低约四成

GPT-5 lowers the cost of cell-free protein synthesis

一项结合 OpenAI 的 GPT-5 与 Ginkgo Bioworks 云端自动化的自主实验室，通过闭环实验把无细胞蛋白合成的成本降低了 40%。

论文#openai

推荐理由：它给出一项带明确量级的闭环实验结果，GPT-5 与自动化实验室配合把无细胞蛋白合成成本降低四成，读者能据此判断 AI 在实验室里的实际收益。

21:00OpenAI News精选评分 64

评测的信号与噪音：OpenAI 发布一项新分析，指出流行的编程基准 SWE-Bench Pro 存在问题，引发对其评估 AI 模型时可靠性与准确性的担忧

Separating signal from noise in coding evaluations

OpenAI 发布一篇关于编程评测的分析，题为「在编程评测中分辨信号与噪音」，分析揭示常用编程基准 SWE-Bench Pro 存在的问题（issues），并就其在评估 AI 模型时的可靠性（reliability）与准确性（accuracy）提出担忧。属于对主流基准的公开批评。

论文

推荐理由：直接质疑一个被广泛引用的编程基准的可信度，是有公共价值的评测批评；但它单方给出，尚待基准维护方回应。

23:52

Google DeepMind精选评分 64

借 AlphaFold 看清坏胆固醇的真身：apoB100 结构被解析，或改变心脏病这一头号死因的诊治路径

Revealing a key protein behind heart disease

这是一项由 AlphaFold 支撑的突破：科学家描绘出了那个赋予坏胆固醇以形态的大型蛋白的结构。apoB100 之所以难解，不只是因为它对蛋白而言相当巨大，还因为它与脂肪及其他分子的连接方式复杂；它是坏胆固醇的分子支架。密苏里大学的助理教授 Zachary Berndsen 与 Keith Cassidy 都出身有心脏病史的家庭，对他们来说这不只是一项工作——Berndsen 说五十年来人们一直想看清这个蛋白长什么样。

论文#Google

推荐理由：把一个具体疾病的分子难题被 AI 拿下的过程讲完整，是 AlphaFold 影响力的实证。

08:00OpenAI News精选评分 63

LifeSciBench：OpenAI 推出一个由专家撰写、经专家评审的生命科学基准，用于评测 AI 系统处理真实世界生命科学研究任务与决策的能力

Introducing LifeSciBench

OpenAI 发布 LifeSciBench，这是一个专家撰写、专家评审（expert-authored, expert-reviewed）的基准，评测 AI 系统在真实世界生命科学研究（life science research）任务与决策上的表现。属于生命科学的评测基础设施。

论文

推荐理由：「专家评审过的真实科研任务」直指现有基准的短板，评测口径可信度较高；材料未给任务规模与首轮结果。

08:00OpenAI News精选评分 63

GeneBench-Pro：OpenAI 推出一个新基准，用复杂、真实世界的数据集来测试 AI 在基因组学、生物学与科学研究上的表现

Introducing GeneBench-Pro

OpenAI 发布 GeneBench-Pro，这是一个新基准（benchmark），用复杂、真实世界的数据集来测试 AI 在基因组学（genomics）、生物学与科学研究上的能力。属于面向科研评测的基准建设。

论文

推荐理由：以真实数据集建基准，评测口径比合成题更可用，对科研方向的模型评估有直接价值；但材料未给榜单结果。

19:29

Google DeepMind精选评分 63

与 Kaggle 联手推出 FACTS Benchmark Suite：参数化、搜索与多模态三项基准，系统评估 LLM 的事实性

FACTS Benchmark Suite: Systematically evaluating the factuality of large language models

LLM 正成为各类场景下的主要信息来源，所以回答的事实准确性变得关键；要持续改善这一行业性难题，必须先弄清模型在哪些用例上答不准、并能量化那些场景的事实性表现。在既有 FACTS Grounding Benchmark 的基础上，Google DeepMind 与 Kaggle 一起推出 FACTS Benchmark Suite，新增三项基准：参数化基准衡量模型在事实性问题上准确调用自身内部知识的能力；搜索基准检验模型把搜索当工具来检索并正确综合信息的能力；以及多模态基准。

论文#Google

推荐理由：把事实性拆成内部知识、用工具与多模态三格来量，评测设计上确实更实用。

08:00OpenAI News精选评分 62

OpenAI 用新框架分析 921 种职业与 1.48 亿美国岗位面临的 AI 冲击

Modeling an AI jobs transition

OpenAI 提出一个新框架，分析 921 种职业、1.48 亿个美国工作岗位，把它们划分到面临自动化风险、被重新组织、增长或几乎不受 AI 扰乱这几类。材料给出的是这一分类框架的范围，具体岗位归入哪一类的完整结论需看正文。

行业#openai

推荐理由：它把大量职业按自动化风险与被重组的程度分类，为讨论 AI 对就业的影响提供了一份可引用的框架。

19:49

Google DeepMind精选评分 62

登 Nature：把模型的视觉表征重排成更像人看世界的方式，鲁棒性与可靠性随之提升

Teaching AI to see the world more like we do

视觉 AI 已无处不在——分类照片、识别没见过的花、控制汽车，但这些强大系统并不总像人那样看世界，行为也时有出人意料：比如一个能识别几百种汽车厂商与型号的系统，可能仍抓不住汽车与飞机之间的共通之处，也就是两者都是主要由金属构成的大型载具。为了厘清这类差异，团队今天在 Nature 发表论文，分析 AI 系统组织视觉世界的方式与人不同的关键之处，给出让系统更好地对齐人类知识的方法，并证明弥合这些差异能改善其鲁棒性。

论文#Google

推荐理由：一个具体的失败案例把抽象问题讲活了：认得出几百种车型，却不懂大型金属载具。

18:39

Google DeepMind精选评分 62

Google DeepMind 发布 D4RT：一个统一模型搞定跨时空的 4D 场景重建与追踪

D4RT: Teaching AI to see the world in four dimensions

由 Guillaume Le Moing 与 Mehdi S. M. Sajjadi 署名：今天我们介绍 D4RT（Dynamic 4D Reconstruction and Tracking），把动态场景重建统一到单个高效模型里。文章从一个观察切入——人看世界时同时在记忆与预测：你既看见此刻的样子，也知道它上一刻如何、下一刻会怎样，脑中的模型维护着一份持续的现实表征，并据此直觉地推出过去、现在与未来的因果关系。要让机器也这样看，装摄像头只解决了输入；真正的难题是从一串扁平的 2D 投影序列还原出丰富、立体且在运动中的 3D 世界——一个复杂的逆问题。

论文#Google

推荐理由：把 4D 重建到底难在哪里讲得比一般发布稿清楚，适合作为该方向的入门引用。

17:00OpenAI News精选评分 61

OpenAI 开源 GABRIEL 工具包，用 GPT 把定性文本与图像转成定量数据

Scaling social science research

OpenAI 推出开源工具包 GABRIEL，用 GPT 把定性文本与图像转化为定量数据，帮助社会科学家规模化地分析研究材料。

产品#openai

推荐理由：它把定性与图像材料转成定量数据这一常见难点做成了开源工具，社会科学研究者可直接拿去规模化处理材料。

18:00OpenAI News精选评分 61

新预印本把单负号振幅扩展到引力子，GPT-5.2 Pro 参与推导与验证

Extending single-minus amplitudes to gravitons

一份新预印本把单负号振幅扩展到引力子，GPT-5.2 Pro 帮助推导并验证了量子引力中非零的引力子树级振幅。

论文#openai

推荐理由：它记录一份把单负号振幅扩展到引力子的新预印本，材料说明模型如何参与推导与验证，研究向读者能看到一次具体应用。

08:00OpenAI News精选评分 60

OpenAI 与 Paradigm 推出 EVMbench，考察 AI 代理对智能合约漏洞的检测、修补与利用

Introducing EVMbench

OpenAI 与 Paradigm 推出 EVMbench，这是一个评估 AI 代理检测、修补与利用高严重级智能合约漏洞能力的基准。

论文#openai

推荐理由：它把智能体的能力放到高严重级智能合约漏洞这一具体靶上，做合约安全的人可用它衡量检测、修补与利用三类能力。

18:00OpenAI News精选评分 60

太平洋西北国家实验室与 OpenAI 推出 DraftNEPABench，评估 AI 编码代理加速联邦审批

Pacific Northwest National Laboratory and OpenAI partner to accelerate federal permitting

OpenAI 与太平洋西北国家实验室（PNNL）推出新基准 DraftNEPABench，用来评估 AI 编码代理能否加快美国联邦审批，其结果有可能把 NEPA 起草时间最多减少约 15%，从而让基础设施审查现代化。

论文#openai

推荐理由：它把编码代理放到联邦审批起草这一具体任务上，材料给出可能节省约 15% 时间的量级，为评估代理的实际价值提供了一个参照。

第 2 / 3 页 · 共 47 条