标签
一名《Wired》记者部署了一群AI智能体来管理一支梦幻英超联赛球队,结果发现它们的表现仍然不如人类;与此同时,新研究显示GPT-5等前沿模型在真实世界的预测任务中越来越出色,并在Prophet Arena等预测基准测试中表现突出。
作者讲述了自己构建基于Lean的自动定理证明系统的经历,并亲身体验了"苦涩的教训"——模型能力的提升(如GPT-5.6 Sol)远比大量工程优化更能推动进展。
微软AI首席执行官穆斯塔法·苏莱曼(Mustafa Suleyman)称,其MAI-DxO多智能体诊断系统在《新英格兰医学杂志》(NEJM)复杂病例中正确诊断率达83%,而全科医生仅为36%。该研究发表于《Science》,标志着向"医疗超级智能"迈出了一步。研究显示,大部分性能提升来自GPT-5和GPT-5.5等底层模型,编排层带来的增益相对较小,且主要体现在复杂病例上。
在 GPT-5.6 Sol 等 AI 模型的帮助下发现的两个 PHP 严重漏洞,导致互联网上大量网站宕机,波及 4chan、维基百科、DeviantArt、政府机构以及宝可梦相关服务。
OpenAI牵头一个联盟,率先披露了由GPT-5.6 Sol首次发现的关键PHP漏洞,同时分享了一款PHP版本检查工具和一套拟议的全球响应框架,并承诺投入10亿美元,为一线防御者提供补贴性的Daybreak访问权限。
一篇 every.to 的长文《How Codex Happened》,讲述 OpenAI 的编程代理 Codex 如何从 GPT-5 时期表现平平到逆袭成为公司核心产品的幕后故事,并对比了 Anthropic Claude Code 带来的全任务委派式工作流冲击。
Every 的长篇深度报道,讲述 OpenAI 的 Codex 如何从一个未找到产品市场契合的云端编码工具,转型为终端/编辑器内的 AI 软件工程师,并在 GPT-5 之后成为 OpenAI 复兴的核心产品。
XBOW 使用 GPT-5.6 Sol 耗时 6 天、约 4 万美元算力发现 Chrome 全链漏洞,获得 Google 25 万美元赏金,成为 2026 年 Google 首个全链奖励,影响约 10 亿用户。
Simon Willison 发布了 ttok 1.0,将默认分词器从 GPT-4 切换为 GPT-5/GPT-6 系列,依据是实验确认 GPT-6 与 GPT-5 家族使用相同的 tokenizer。
OpenAI 案例研究:介绍 Chatham Financial 如何利用 Codex 和 GPT-5.6 驱动内部工具、其 Chatham Onyx 平台以及 Process Zero 咨询服务——将交易验证时间从 30 分钟缩短至 4 分钟以内。这项工作涵盖员工通过 Chatham Vibes 自主开发的应用,以及面向客户的资本市场工作流程。
Sam Altman 表示,GPT 5.1 Sol 是 OpenAI 史上增长最快的模型,但在高负载下曾出现速度偏慢的问题,目前已推出性能优化。
论文提出 MetaPersona 框架与 MetaPersona-DB 数据集(涵盖 11,000+ 篇实证社会科学研究),通过检索任务相关证据、构建基于文献的 persona 依赖图,并从经验先验中采样生成合成人群,从而解决 LLM 社会模拟中的 persona 冷启动问题。作者在三个下游任务上验证了其有效性,并提供 MetaPersona-Studio 交互原型。
文章报道了OpenRSI的Marin-Scaling-Ladder实验的初步结果,其中AI代理自主提出、实现和评估新的优化器,跨越从550M到2.5B的模型规模,发现了PSPR和Codex (GPT-5.6)。
本研究评估了使用GPT-5对早期儿童课堂中师幼互动进行评分,与人类评分者进行比较,发现部分一致性,但在全面评估中存在局限性。
在 Dreamforce 2026 上,Sam Altman 比较了未来的 AI 模型,称 GPT 5.5 相当于普通数学教授,GPT 5.6 达到顶尖百分位,而一个内部模型超越了最优秀的人类数学家。
我们对GPT-5.6 Luna与GPT-6 Astra在50个真实PR上进行了基准测试,结果显示Astra发现92个漏洞,Luna发现69个,而Luna以仅3.6%的成本捕获了75%的漏洞。本次还包括详细的评估分解,以及即将与Fable 5.1的比较。
文章描述了麻省理工学院研究生 Beatriz Yankelevich 如何使用 GPT-5.6 Sol 配合 Codex 自动化量子计算实验,节省时间,并使更多精力集中在分析和设计上。
Anthropic分享了一个提示词,该提示词显著提升了使用Fable 5.1和GPT-5.6 Sol的写作能力,用户现在将其作为AI编辑和写作的规则。
一项名为 Simple Bench 的基准测试表明,QWEN 3.8 27b 模型具有几乎可与 GPT 5.0 Pro 相媲美的常识能力。
一位用户报告称,像Codex和GPT 5.6 Sol这样的前沿AI模型在本地AI设置中往往适得其反,添加不必要的限制并忽略规格要求,并寻求社区对此问题的经验分享。