标签
一位研究人员评论了 RLM 论文的简洁与优雅，将其与具有影响力的 ReAct 论文相提并论，并对其解决通用问题的直观思路表示赞赏。
本文介绍了 GenericAgent，这是一种旨在最大化上下文信息密度的自我演进式大语言模型智能体系统。它通过分层记忆、可复用的标准操作流程（SOP）以及高效压缩技术，解决了长周期任务的局限性，在与领先智能体的对比中，以更少的 Token 消耗实现了更优的性能表现。
OpenAI Academy 推出 ChatGPT 用于研究，具备 Search 和 Deep Research 功能，帮助用户通过来源整合、引文生成和结构化报告制作，从问题走向有证据支持的见解。
Lyra 2.0 是 NVIDIA 的框架，用于从单张图像生成持久、可探索的 3D 世界，结合了长程视频合成与显式三维重建，并通过新颖的训练技术解决了空间遗忘和时间漂移问题。
Google DeepMind 发布了新的研究成果和工具包，用于基于对超过 10,000 名参与者的研究，实证测量 AI 进行有害操纵的潜在能力。
OpenAI开发了学习成果测量套件，这是一个与塔尔图大学和斯坦福大学SCALE倡议合作创建的框架，通过纵向研究测量人工智能如何随时间影响学生学习。该套件解决了当前研究方法仅狭隘关注考试成绩的不足，并将作为公共资源向全球学校和大学发布。
OpenAI 发布了 GABRIEL，这是一个开源工具包，利用 GPT 将非结构化的定性数据（文本、图像）转换为定量测量，供社会科学家和经济学家使用。该工具通过自动化重复的标注任务，使研究人员能够更高效地分析大规模的定性数据集，同时保留人类数据的丰富性。
LTX-2 是一款高效的联合音视频基础模型。文本内容混合了论文引用和关于国家面临生存威胁的视频脚本，但主要的分类目标是该 AI 模型论文。
OpenAI发布了一篇研究论文，记录了GPT-5在数学、物理、生物学等多个领域加速科学发现的早期实验成果，包括该模型帮助识别疾病机制、解决开放性问题以及与领先大学和国家实验室合作改进优化算法的案例。
OpenAI 和 MIT Media Lab 研究人员进行了两项并行研究，分析了与 ChatGPT 的情感互动如何影响用户幸福感。该研究结合了对 4000 万次对话的分析和对 1000 名参与者的随机对照试验，以了解其对孤独感、社交互动和有问题的 AI 使用的影响。
# 评估 ChatGPT 的公平性 来源：[https://openai.com/index/evaluating-fairness-in-chatgpt/](https://openai.com/index/evaluating-fairness-in-chatgpt/) 创建我们的模型需要的不仅仅是数据——我们还精心设计训练流程来减少有害输出并改进实用性。研究表明语言模型仍然可能从训练数据中吸收并重复社会偏见，如性别或种族刻板印象。在这项研究中，我们探索了美国用户名称的微妙线索如何影响
本文介绍了一种相互推理技术，通过自我反馈和奖励函数迭代优化候选解决方案，从而增强小型语言模型（LLMs）的问题求解能力。
OpenAI 的研究通过最佳 N 采样（best-of-n sampling）对古德哈特定律进行了形式化分析，提供了高效的估计器，用于衡量代理目标与实际目标的匹配程度，并通过 KL 散度量化优化努力。
OpenAI 研究表明，通过在针对特定行为价值观的小型精选数据集（<100 个示例）上进行微调，可以显著改进语言模型的行为，且效果随着模型规模增大而提高。该方法为用户提供了工具，以便根据特定应用调整模型以符合《宪章》的价值观。
OpenAI 宣布担任研究副总裁近五年的 Dario Amodei 离职，将启动一个专注于 AI 研究的新项目。同时，公司提升 Mira Murati 为研究、产品和合作关系高级副总裁，以加强安全集成的关注。
OpenAI宣布完成其2018年秋季Fellows计划，并对研究员们的研究贡献表示赞赏。该组织还开源了部分教学课程，包括《Spinning up in Deep RL》，这是一份用于学习强化学习的教育资源。
OpenAI宣布其首个2018夏季Fellows项目圆满结束，六位机器学习学徒通过为期6个月的项目成长为核心贡献者。公告重点介绍了他们的研究项目、多位Fellows正式加入OpenAI全职工作，以及开源了入门课程，包括《Spinning up in Deep RL》教程。
# 研究请求 2.0 来源：[https://openai.com/index/requests-for-research-2/](https://openai.com/index/requests-for-research-2/) OpenAI 我们发布了一批七个未解决的问题，这些问题在 OpenAI 的研究过程中出现。如果你不确定从何处开始，这里有一些已解决的入门问题。⭐ 训练一个 LSTM 来解决 `XOR` 问题：即，给定一个比特序列，确定其奇偶性。[LSTM\(opens in a new window\)](http://colah.github.io/posts
OpenAI 举办了首届自组织机器学习会议（SOCML），吸引了 150 多名 AI 从业者参加，重点关注点对点学习和偶然互动，而非传统的主题演讲形式。该活动成功促进了跨学科对话，并在机器人学、神经科学和 AI 多样性等领域产生了新的研究思路。