AI 情报文章归档

ZHO 发布 GPT images 2.5 初见面测试，沿用经典设计系列提示词，并引用其一年前 GPT image 2 的生成效果作对比。引用推文显示，GPT 4o 当时已能产出"绝美海报设计"，此次 2.5 版本效果引发关注。

Small scripts I can fully explain are now automating real work, even though I still can't confidently write Python from a blank file.

Astra 派对上见。期待与你们中的一些人见面。

TPUv7 配备专用硬件加速单元 SparseCore，负责数据搬运并将各专家 token 聚为连续组，TensorCore 专注专家矩阵乘法。使用 SparseCore 重排 MoE 内核输入可提升 12% 吞吐量。结合其他优化及更低 TCO，TPU 推理性价比较 Blackwell Ultra 最高提升 50%（InferenceX 数据）。

由公安部刑事侦查局指导、上海市公安局自主研发的"国家反诈 AI"App 已于上周正式上线，依托 AI 大模型提供诈骗手法拆解与风险判断服务。用户可描述完整场景获取风险分析、类型识别和防范建议，并关联视频案例；此外还设反诈资讯板块和反诈辞典，提供普通版、长者版和国际版三个版本，目前已在各大应用商店上线，微信与支付宝小程序同步开放。

三星电子与法国 AI 初创企业 Mistral AI 签署战略合作协议，将结合前者半导体技术与制造数据、后者高效 AI 模型技术，共同开发用于半导体设计和制造的专有 AI 模型。该模型将本地部署，应用于数据分析、缺陷预测、工艺优化等环节。三星电子也是 Mistral AI 30 亿欧元 D 轮融资的领投方之一。

蚂蚁百灵发布并开源首个原生多模态大模型 Ling-3.0-flash-VL，基于 Ling-3.0-flash 的 MoE 架构，总参数 124B，单次推理激活 5.5B，原生支持图像、文本与视频输入，上下文窗口 256K Token。

有没有人做过一份关于AI的所有重要帖子的时间线？比如那些具有里程碑意义、文化影响力和反映公众舆论的帖子。 就像我应该能把这份时间线交给某个瑞典小镇上的朋友，他们就能理解从2015年至今的完整AI发展周期。

玉伯称 GPT-6 Astra 的思考程度选 Low 最佳：其 agentic 规划与工具调用能力已足够，且响应速度接近 GPT-6 Flash，还能减少类似 DeepSeek 的思考内耗。Low 档回答更"脱口而出"，体验更真实；他将 Low/Medium/High/Ultra 分别比作放松、一人公司、上班、大厂上班。

据 WSJ 报道，Anthropic 研究员 Jacob Coxon 认为自我改进模型到 2027 年可能变得不可控，正退出 AI 行业。他称到明年底一些最激进的失控情形可能已经发生，其担忧核心是递归自我改进，即 AI 接手足够多的 AI 研究以加速开发更强的后继模型。

过去两周越来越清楚的一点是：无论你的公司对网络安全环境有多担忧，都还不够担忧。 WeWorm 的演示展示了恶意行为者可以多么高效。Hugging Face 事件则表明，你甚至不需要恶意行为者。

人们对 Free Mode 感到惊叹。 周四我们将与社区成员聊聊他们在构建什么以及使用体验如何。 此外还有 Growth Skills：七个新的合作伙伴技能，来自 @useapolloio @Clay_GTM @ZoomInfo @Sideshift_app @RevenueCat @Stripe 和 @PostHog，帮助你找到客户并获得收入。 📆 周四，9 月 10 日，上午 9 点（太平洋时间）🎬 在 YouTube、LinkedIn 和 X 上直播 🎟️ RS…

Anthropic 高管称 Astra 是其迄今最强大且对齐最好的模型，并指约两个月前已在实际中解决 Claude 模型的提示注入问题。其引用推文显示 OpenAI 新模型在提示注入风险上与 Gemini Flash 和 Opus 4.8 大致相当。他呼吁行业投入更多精力训练模型抵抗提示注入，并称将持续评估其他实验室以推动安全对齐。

Meta 发布面向个人事务的 Muse AI 智能体，由 Muse Spark 1.3 模型驱动，可连接邮箱、日历、购物和支付服务，并在应用关闭后持续工作。

OpenAI 上线 GPT Image 2.5，主打更快生成、更高清、多轮编辑一致性和区域标注精修，并新增涂鸦绘图与 15 个图片模版功能。API 同步发布 GPT-Image-2.5 Flare（速度提升 50%）和 GPT-Image-2.5 Sunburst（更高精度）。

陶哲轩指出，优质开放问题正被以不可再生的方式开采，可能趋于稀缺；甚至有人研究某个问题的传闻，就会引发大量 AI 驱动的攻题行动，在原研究项目充分展开前将其压平。他认为激励可能转向不再与社区分享有前景的方向，这会逆转数百年的开放科学传统并对领域未来造成长期损害。Simon Willison 引述了这段话。

wow！GPT Image 2.5 也发布了！更快更逼真更强一致性！ 配合 GPT-6 的各种能力，这下真要进入新时代了？！

I keep hammering the point that any coding-agent score is model + harness, not model alone. Same...

The failure mode that matters in AI code review isn't a missed bug. It's output that reads like a...

Grok Build 现已支持全透明背景。 通过 /theme transparent 开启。

卡兹克发文讲解GPT-6 Astra的推理强度等级（Reasoning Effort）含义，指出各档位是同一模型的不同思考预算，Ultra则类似拉起多个智能体协作的专项工作组。

OpenAI 发布 ChatGPT Images 2.5，主打更快、更清晰、更智能的图像生成。更新包括更快的生成速度、更自然可辨识的图像保真度、多次编辑间细节保持一致，以及通过评论式修改只改动想要的部分。

BestBlogs 早报汇总 09-09 要闻：OpenAI 推出 ChatGPT Images 2.5，每周生成超 30 亿张图片，延迟最高降低 50%；面壁智能开源 MiniCPM5-2B，以 2B 参数登顶 AA 榜单全球 4B 以下第一。另有 OpenAI 解决 Navier-Stokes 千年难题、Google DeepMind 发布 AlphaGenome Atlas 等动态。

OpenAI 发布 ChatGPT Images 2.5，每周生成超 30 亿张图，延迟较 Images 2.0 最高降 50%，强化参考对象保持与局部编辑。Grok Bot 产品负责人复盘一个月打造可信 Agent 的委托体验。Claude 圆桌展示三家团队基于 Managed Agents 构建会议、销售与产品分析产品。

Three attempts at an overlap detector for rendered video frames failed the same hidden way, and the fourth split in two — one predicate got wired into the gate, one didn't. The split turned on whether each could be made to fire on a known-…

MetroLLM-Bench 是一个 955 例基准，覆盖 6 个真实地铁系统（37 至 414 站）和 11 类任务，用于测试语言模型能否充当售票机的策略层。

LLaDA-UI 是一个 16.7B 参数的 MoE 块级扩散视觉语言 GUI 智能体，通过通用多模态预训练对齐原生分辨率视觉编码器与 LLaDA2.0-mini-base 扩散语言骨干，再进行 GUI 智能体监督微调。在多个平台的 grounding 与导航基准上，它大幅超越 Qwen2.5-VL-7B，并在六项 GUI 基准中的四项上超过 Qwen3-VL-8B。

Together AI 发布深度解析文章，介绍开发者从闭源模型转向开源模型所需的 AI 编码栈，提出由 Model、Inference、Gateways、Harness、Tools 组成的 MIGHT 框架。

NCP-ArchPreview 是一个潜在空间语言模型，在标准 next-token prediction（NTP）之外引入 Next Concept Prediction（NCP），预测跨多个 token 的离散概念，并保留 token 级自回归生成。

研究者构建了 RESCUE 基准，用于评估 LLM 能否捕捉并利用多方场景中不断变化的人际关系来提供情感支持。该基准取自真实情侣与家庭访谈对话，包含 191 个样本、7，079 个标注对话轮和 1，064.8 分钟视频，定义了六项任务，覆盖关系理解与关系敏感支持两类核心能力。

研究者提出免训练框架，让具备推理能力的视觉语言模型在 Wikipedia 上迭代搜索并推理，以解决多语言多模态实体链接中的稀有实体失败问题。在覆盖 Hindi、Indonesian、Japanese、Tamil、Vietnamese 五语言的 MERLIN 基准上，最佳系统（8B-Think+Embed）整体超越 SOTA 6.9%，在最难稀有实体切片上提升达 23.3%。

OpenRouter 发布对 ByteDance Seedance 2.5 视频模型的评测，该模型自 2026 年 8 月 7 日上线其视频 API，生成 4 到 30 秒、480p 或 720p 的片段，支持图像、视频、音频引用和首尾帧控制，音频同趟生成不加价。

研究团队构建了 3.35B 规模的 Tiny Aya L2-Thinker，在覆盖数学、常识推理、指令遵循、开放式生成和文化推理的 6 个基准、60 种语言上实现超过 93% 的 L2 推理率，即模型能始终用用户提示词的语言进行推理。

Brain2Semantics2Text 通过中间语义嵌入空间重建文本，将句子级 MEG 脑磁响应映射到语义流形，再反演为自然语言，从而绕开词级对齐。该方法面向非侵入式语音解码中信噪比低、难以还原音素或单词的难题，利用皮层分布式、慢时间尺度的语义表征，在句子级结果上优于此前的非侵入式 Brain2Text 方法。

NASK 等机构提出基于参考的偏见审计方法，通过将句子编码为与固定锚点句的相似度得到相对表示，在共享空间中测量目标群体与正负属性的关联变化，即表示偏见漂移 ΔB。

NVIDIA 基于 Nemotron 3 Ultra 训练 SFT 与 RL 两个专精检查点，结合生成-验证-精炼的测试时推理流水线，在 IMO 2026 正式得分 30/42，超过 29 分的金牌线，全程不使用形式化证明器、外部工具或联网。

研究者推出 ReactHuman，首个面向类人反应式决策的物理基准，让被评测的 MLLM 充当仿真人形机器人的大脑应对突发家庭危险，覆盖 17 类事件、超 1000 个可逐位复现场景，真值来自 240 Hz 刚体仿真。评测 7 个代表性 MLLM 显示，模型约每 3 个危险就处理错 1 个，且这些失败不随模型规模缩小。

Factory 现已登陆 Claude Marketplace，企业客户可将 Anthropic 的采购承诺额度用于 Factory，工程团队无需再走单独的采购流程即可使用其自主软件开发能力。

研究者提出 Φ-Bench，用于系统评估 LLM 工程化 LLM 基础设施栈的能力，任务源自前沿研究中的优化问题并基于真实代码仓库，覆盖从局部 kernel 级函数补全到长周期实现与端到端系统优化。对前沿 LLM 的实验揭示了它们在工程化复杂 LLM 基础设施上的现有能力与局限。

论文提出 Program-Solve 接口，让模型不直接算术，而是生成 Python 代码交给受限本地执行器作为确定性求解器，在 MedCalc-Bench Verified（1，100 例、55 个计算器）上评测 Qwen2.5-7B 和 Qwen2.5-32B-AWQ。