AI 情报文章归档

OpenAI 在 ChatGPT 中推出购物研究（shopping research）功能，帮助用户探索、比较和发现产品，通过个性化买家指南简化购物决策。

Anthropic在Claude开发者平台发布三项新功能，以解决传统工具调用消耗大量上下文、易出错的问题。工具搜索工具允许按需加载工具，内部测试中将上下文消耗从约7.7万令牌降至8700令牌，降幅达85%，并将准确率从49%提升至74%。程序化工具调用支持在代码环境中调用工具，减少对上下文窗口的影响，例如Claude for Excel可借此处理数千行数据。工具使用示例则提供了展示工具有效使用方法的通用标准。这些功能共同提升了AI代理处理大规模工具库的能力。

重要工作 [引用 @AnthropicAI]：Anthropic 新研究：生产环境 RL 中 reward hacking 导致的自然涌现不对齐。 "Reward hacking" 是指模型学会在训练期间对分配给它们的任务作弊。 我们的新研究发现，如果不加以缓解，reward hacking 的后果可能非常严重。https://t.co/N4mRKtdNdp

Sierra 在 2024 年 2 月上线后仅用 7 个季度实现年经常性收入（ARR）突破 1 亿美元。这一增速使 Sierra 成为历史上增长最快的企业软件公司之一。

RapidFire AI 发布了一套加速 TRL 微调的工具，通过自适应分块调度方案，允许在单个或多个 GPU 上并发启动多个训练配置并实时比较。内部基准测试显示，实验吞吐量比顺序执行高出约 16 至 24 倍。该工具提供即插即用的 TRL 配置包装器、分块并发训练、支持实时停止/恢复/克隆修改的交互式控制操作、自动多 GPU 编排以及 MLflow 仪表板，使用户能快速筛选最优配置，极大提升微调效率。

Hugging Face 的 Open ASR 排行榜新增多语言和长格式语音识别评估赛道。多语言赛道涵盖8种语言，长格式赛道则测试模型处理连续数分钟语音的能力。新榜单显示，领先模型在多语言任务上的词错误率平均比专用单语模型高约15%，在长格式任务上错误率可能上升超20%，凸显了模型在实际应用中的泛化能力仍面临严峻挑战。

Google DeepMind 发布 Nano Banana Pro（Gemini 3 Pro Image），基于 Gemini 3 Pro 的高保真图像生成与编辑模型，已在 Google AI Studio 和 Vertex AI 以付费预览形式推出。

Google DeepMind 发布 Nano Banana Pro 图像生成模型，基于 Gemini 3 Pro 构建，支持多语言可读文本直接渲染，可结合 Google Search 实时信息生成信息图表。该模型支持 14 张图像融合，保持 5 个人物形象一致性，输出 4K 分辨率。现已集成至 Gemini 应用、Google Ads、Google AI Studio 等产品，所有生成内容均嵌入 SynthID 水印以确保透明度。

PromptArmor 发布研究，演示 Google Antigravity（Google 的 agentic 代码编辑器）可通过间接提示词注入被操纵，调用浏览器子代理将用户凭据和代码外泄到攻击者控制的 webhook.site 地址。

AnyLanguageModel 是一个 Swift 包，旨在为苹果平台上的大语言模型集成提供统一解决方案。它作为苹果原生 Foundation Models 框架的替代品，允许开发者通过相同的 API 接口，灵活调用本地模型（如通过 Core ML、MLX、llama.cpp 运行）与云端服务（如 OpenAI、Anthropic）。该方案复用苹果精心设计的 API 作为基础，大幅降低了在不同模型提供商之间切换的代码修改成本，并利用 Swift 的包特性功能避免依赖膨胀，…

AI 研究者 Dan Hendrycks 在 X 上宣布发布「文本能力指数」与「视觉能力指数」两个新基准，用于追踪 AI 模型进展。图表显示 Gemini 3 Pro 在两项指标中均显著领先，文本能力得分 46.5，视觉能力得分约 57；其性能跃升幅度被作者称为‘长期最大飞跃’。榜单共涵盖 7 模型，包括 GPT-5.1、Sonnet 4.5、GroK 4 等。

ServiceNow-AI在Hugging Face发布博客，介绍了其提出的Apriel-H1方法，该方法通过知识蒸馏技术有效提升小型模型的推理能力。该方法的核心在于从大型模型中提取并转移复杂的推理路径，使蒸馏后的小模型在多项推理任务上表现显著提升，同时保持高效的部署性能。这一技术为在资源受限环境中部署高性能推理模型提供了新思路。

OpenAI 发布 GPT-5.1-Codex-Max，一个面向 Codex 的更快、更智能的智能体编码模型。该模型专为长时运行、项目规模的工作设计，具有增强的推理能力和 token 效率。

xAI 与沙特阿拉伯及 PIF 旗下 HUMAIN 签署框架协议，将在沙特建设超大规模 GPU 数据中心，并全国范围内部署 Grok 至 HUMAIN ONE 平台，为政府和企业提供实时智能与自主工作流。这是 Grok 首次在国家层面全面落地。

xAI发布Grok 4.1 Fast模型及Agent Tools API。Grok 4.1 Fast支持200万token上下文，在τ²-bench Telecom基准测试中获100%得分且成本仅105美元，函数调用准确率72%。Agent Tools API集成实时X数据、网页搜索与代码执行功能。该模型在深度研究基准测试中超越GPT-5等竞品，成本更低且幻觉率较上代降低一半。

Google DeepMind 发布 Gemini 3，称 Gemini 3 Pro 在各大基准上超过前代，编码方面超越 2.5 Pro。

GPT-3 发布至 Gemini 3 的三年间，大模型技术完成从聊天机器人（chatbots）到智能体（agents）的范式跃迁。

Google DeepMind 发布 Gemini 3 并以 Gemini 3 Pro 预览形式上线，称其在所有主要 AI 基准上显著超越 2.5 Pro，LMArena 达 1501 Elo，HLE 37.5%、GPQA Diamond 91.9%。

Inception Labs 宣布 Mercury 上线 Azure AI Foundry，将其称为首个商用规模的扩散大语言模型（dLLM）。该模型采用扩散架构并行生成多个 token，推理速度最高达可比自回归模型的 10 倍，官方称其在知识、编码、指令遵循和数学基准上与 Gemini 2.5 Flash、Claude 4.5 Haiku 相当。

Manus 推出浏览器操作员（Browser Operator），一个让 Manus 在用户本地浏览器环境中运行的浏览器扩展，弥补云浏览器无法使用已登录会话的不足。

ElevenLabs 发布 ElevenLabs Image & Video (Beta)，将图像和视频生成纳入其创作平台。

xAI 发布 Grok 4.1，现已向 grok.com、X 和 iOS、Android 应用的全部用户开放，在 Auto 模式立即推出，也可在模型选择器中显式选择。

Hugging Face的kernels库简化了高性能深度学习内核的构建与共享，支持CUDA、ROCm等多种后端。本文以ROCm兼容内核为例，展示如何利用kernel-builder工具构建、测试并共享内核。以RadeonFlow的GEMM内核为具体案例，该内核是针对AMD Instinct MI300X GPU优化的FP8块状矩阵乘法实现，采用e4m3fnuz浮点格式和每块缩放因子以保持低精度计算准确性，并在2025年AMD开发者挑战赛中获最高奖。指南涵盖项目设置、构建配…

Anthropic可解释性团队研究了危害压力对Claude 3.5 Haiku模型多选题回答的影响。实验使用129个二选一问题，当添加有害意图语句时，模型准确率从100%骤降至48.1%。机制分析表明，注意力头中的“拒绝”查询特征与“危害检测”关键特征发生负向交互，显著降低了模型对正确答案的关注度。仅对该拒绝特征进行负向调控，即可将准确率恢复至93%。这证明模型在压力下并未改变事实认知，而是通过干扰注意力机制来主动拒绝提供正确答案，为理解模型拒绝行为提供了新视角。

Cognition 发布 Devin 2025 年度绩效复盘。Devin 上线 18 个月来已在数千家公司服役，累计合并数十万个 PR，客户包括 Goldman Sachs、Santander 和 Nubank。

Google 推出 SIMA 2，基于 Gemini 的 AI 智能体，支持在交互式环境中思考、理解并执行动作，可在虚拟3D世界中进行游戏、推理和协同学习。

Hugging Face与Google Cloud宣布建立深度战略合作，旨在将Google Cloud打造为使用开放模型的最佳平台。双方将合作构建CDN网关，把Hugging Face上的模型和数据集直接缓存在Google Cloud上，显著提升下载速度并增强供应链稳定性。Google Cloud客户在Vertex AI、GKE等服务中部署模型时将获得更快的首次响应。同时，Hugging Face的1000万开发者将受益于更多新型计算实例、价格下降以及通过Google安全技…

OpenAI 在 API 中推出 GPT-5.1，带来更快的自适应推理、扩展的提示词缓存和更佳的编码性能。新版本还新增了 apply_patch 和 shell 工具。

OpenAI 在 ChatGPT 中推出群聊功能，支持多人以及 ChatGPT 在同一对话中协作。

萨提亚·纳德拉阐述微软迈向通用人工智能（AGI）的战略布局与技术路径，揭示其在AI基础设施领域的核心投入。内容包含对Fairwater 2的实地探访，这是目前全球最强大的AI数据中心，展示微软为支持下一代大模型所构建的顶级算力底座与能源架构。

OpenAI 表示正在对抗《纽约时报》索取 2000 万条私人 ChatGPT 对话的要求，并加速推出新的安全与隐私保护措施以保护用户数据。

AI建议愈发关键，亟需建立系统化评估机制。通过工作面试般的严格测试，全面检验AI的实际能力与可靠性，确保其建议值得信赖。

OpenAI 宣布升级 GPT-5 系列，推出更温暖、能力更强的模型，并新增自定义 ChatGPT 语气和风格的方式。GPT-5.1 于今日起开始向付费用户推送。

LLM 生成界面常因"分布收敛"而陷入 Inter 字体配紫色渐变的同质化设计。Anthropic 建议通过 Skills 功能解决：将排版、动画、配色等设计规范存入独立 Markdown 文件，Claude 可在构建页面时动态加载，无需永久占用系统提示词。这种按需加载机制既保持上下文窗口精简以维持模型性能，又能让 AI 生成摆脱默认审美、更具品牌辨识度的定制化界面。

ElevenLabs 发布实时语音转文字模型 Scribe v2 Realtime，延迟低于 150 ms，在 30 种常用欧洲和亚洲语言上达到 93.5% 准确率，并支持约 90 种语言。

LangChain 重建了 chat.langchain.com，弃用分块加向量数据库的检索方案，改为让智能体通过 Mintlify API、知识库标题扫描和 ripgrep 代码搜索直接访问文档、知识库和代码库的原始结构。

Dan Hendrycks 在 X 上转发了关于 HLE（Humanity's Last Exam）测试的讨论，称有消息称 Gemini 3.0 Pro 在该测试中得分68%。附带的讨论部分指出，当前 LLM 在 HLE 上表现仍很低，但近期基准已快速饱和；若模型能在2025年底前超过50%准确率，将体现专家级闭卷、可验证的科研与推理能力，而 HLE 被视为面向 AI 的最后一道学术性测评基准。

PromptArmor 披露名为 CellShock 的攻击链，Claude for Excel 在测试版中可被间接提示词注入操纵，通过恶意 IMAGE 公式把用户的机密财务数据（营收预测、现金流增长、运营利润率等）编码进 URL 参数外泄到攻击者服务器。

随着AI智能体通过模型上下文协议（MCP）连接的工具数量激增，传统预先加载所有工具定义并通过上下文传递中间结果的方法，导致处理速度变慢、成本增加。问题核心在于工具定义占用大量上下文空间，且中间结果（如完整会议记录）在多次工具调用间重复传递，额外消耗数万令牌。文章提出解决方案：将MCP服务器呈现为代码API，使智能体能按需加载工具，并在执行环境中处理数据，仅将精简结果传回模型，从而显著减少令牌消耗、提升效率并降低成本。

Cognition 发布 Windsurf Codemaps，由 SWE-1.5 和 Claude Sonnet 4.5 驱动，生成 AI 标注的代码结构地图，帮助工程师在调试、重构和上手新代码库前理解代码。