Gemma-3-12B 微调模型匹配 GPT-4o 放射报告实体提取
医学 AI 研究发现：用真实数据蒸馏微调的开源模型，能在单张消费级 GPU 上匹敌 GPT-4o 的放射报告提取能力。
全部动态
AI 相关资讯全量信息流 · 340 条
10月1日
SCB基准测试评估语音多轮推理能力
SCB团队用103个数学问题测试了语音系统多轮推理能力，LEGO表现优于GPT-4o Realtime。
消费级AI的经济学困境
前沿实验室为何对消费级AI却步？算力成本与付费意愿的矛盾揭示行业困境。
9月30日
OpenAI 开发者日资源汇总
OpenAI 把开发者日所有资源整理好了，视频文档代码都有，想了解最新更新不用到处找了。
9月29日
TAIP 引擎为 CI 流水线中的 LLM 安全审计提供持续保障
CI 里用 LLM 审代码不放心？这篇给出把审计证据版本化、策略一改就 1.1ms 内重算保障态势的工程方案，数据还挺扎实。
9月28日
用 Jev 单条是非题检测对齐失败：中位 AUROC 0.886
一篇省钱的对齐检测论文：问 Jev 一个是非题就能给回复打分，成本只有 LLM 裁判的约 1/60，还顺带找出三个基准的标注错误。
9月24日
OpenAI 发布 MentalHealthBench，GPT-6 Astra 得分 57.3
OpenAI 拉了 80 多位心理医生做了个心理健康对话基准，GPT-6 Astra 考了 57.3 分，GPT-4o 只有 32.1，想看模型心理对话靠谱程度可以关注这套评测。
LLM 能否生成阿拉伯古典 Maqama 文体？首个对照评估研究发布
有人认真测了五个大模型能不能写阿拉伯古典韵散体 Maqama，连 GPT-5.4-mini 都在榜上，提示词策略的影响挺有意思。
Ringg 基于 GPT-5.6 的语音客服 Agent 解决 65% 来电
客服公司 Ringg 把电话 Agent 换成 GPT-5.6，自动接了 65% 的来电，成本还比 GPT-4.1 便宜 90%，做客服自动化的可以看看。
9月23日
Milvus 团队用三个开源项目实测 Jev：便宜快速但上限明显
Zilliz 团队拿 Jev 跑了三个真实场景，省到七分之一的成本，性能掉多少都给你列出来了，做 RAG 的可以抄作业。
9月22日
LLM 解释器审计：GPT-4o 等三大后端为智能体错误行为流畅辩护
论文让 GPT-4o、Gemini 当智能体解释器，结果三家全把错误行为解释得头头是道。
9月19日
微软高管承认：AI是“人类历史上最大规模劳动力盗窃”
微软高管在诉讼中承认AI是“人类历史上最大规模劳动力盗窃”，这个说法很直接，能快速抓住注意力。
OpenRouter Labs 发布 Jev 微应用，含代码
OpenRouter Labs 新出的 Jev 微应用，基于 GPT-4，能生成和编辑图片，还附了代码，比之前他们出的那些工具更实用。
Anthropic 与 OpenAI 合作发布新模型
Anthropic 和 OpenAI 联手了，把 Claude 3.5 Sonnet 和 GPT-4o 组合起来，用户能选着用，比单独用哪个都强。
9月18日
Meta发布新模型，在多项基准测试中超越GPT-4
Meta搞了个新模型，叫Llama 3.2，在MMLU和HellaSwag这些测试里比GPT-4强，还分了免费和付费版，企业用户可以试试。
谷歌 Deepmind 提出可见思维链是 AI 安全优势，但透明度正在消失
谷歌 Deepmind 发表观点，说 AI 模型显示思考过程（比如 Chain-of-Thought）对安全有好处，但现在很多模型（比如 GPT-4）正在减少这种透明度。
OpenAI 发布 GPT-4.0 模型，在多领域超越人类专家
OpenAI 新发布的 GPT-4.0 模型，在专业领域测试中表现比人类专家还好，值得看看。
OpenAI 新增模型不当行为举报规则
OpenAI 新增了模型不当行为举报规则，你可以通过官方渠道提交具体案例，帮助提升模型安全性。
Claude 3.5 Sonnet 模型发布，性能超越 GPT-4
Claude 3.5 Sonnet 模型发布，性能超越 GPT-4，值得看看。
Anthropic 发布 Uplift 模型代码
Anthropic 新模型代码开源了，数学推理能力比 GPT-4 还强，对开发者很有用。
LangChain 与 Jev 合作推出新工具
LangChain 和 Jev 联手搞了个新工具，让你用一句话就能指挥各种 AI 模型干活，比直接用 Claude 或 GPT-4 更方便。
GPT模型存在性别歧视转化问题，安全训练后表面无歧视但内容实质未改善
朋友间推荐：看这篇论文，作者发现GPT模型在安全训练后，针对女性的歧视内容被转化而非减少，比如GPT-5会把乳腺癌和男性权利扯上关系，挺有意思的。
Claude Code大重构，内部3万Agent管理技术免费开放
Claude Code大改版，内部3万Agent管理技术免费给开发者用，能帮你更高效地写代码。
BioPhys-Bridge 基准数据集发布，用于评估跨学科生物物理研究中的科学推理能力
朋友发了这个新基准数据集，专门用来测试模型在生物物理领域的科学推理能力，比之前的基准更复杂，能看出不同模型在这个专业领域的真实水平。
Character AI 推出 C AI 图像模式，可生成图像并嵌入对话
Character AI 推出了 C AI 图像模式，能生成图像并嵌入对话，和之前只能生成文本的版本不同。
Gary Marcus批评OpenAI等未重视AI代理安全风险
Gary Marcus说，OpenAI等没听他的警告，现在AI代理的安全问题很严重，他早就预见了。
Gary Marcus 警告美国参议院：AI 代理可能带来难以预测的安全后果
Gary Marcus 告诉你，他早在 2023 年就警告过美国参议院，AI 代理（比如 AutoGPT）可能带来难以预测的安全问题，现在的情况和当时他说的完全一致。
OpenAI 推出 GPT-5.0 模型，在 GLUE 基准测试中取得新成绩
OpenAI 新发布的 GPT-5.0 模型，在 GLUE 基准测试中取得了新成绩，比 GPT-4 更强。
9月17日
Pruna AI 发布 P-Video 模型，在视频生成任务上超越 GPT-4o
Pruna AI 新出的 P-Video 模型，能生成 16 秒的视频，比 GPT-4o 好用。
研究提示词自然语言差异对LLM自动代码生成的影响
想了解LLM生成代码时，提示词语言差异的影响，以及翻译这种偏见的有效性，这篇论文有具体数据支撑。
Vercel 推出 AI SDK，支持多模型调用
Vercel 推出的这个 AI SDK 很方便，开发者不用再分别对接不同模型，直接用统一的接口就能调用 Claude 和 GPT-4 了。
Code Arena 发布 WebDev 比赛版块
Code Arena 新增 WebDev 比赛版块，开发者可以提交代码，用 GPT-4 评估性能，和他人比拼结果。
Claude 3.5 Sonnet 的完整对话记录发布
Anthropic 新发布的 Claude 3.5 Sonnet 模型，完整对话记录公开了，你可以去看看它和 GPT-4 的差距。
9月16日
OpenAI 创始人推出新类型 AI
OpenAI 创始人搞了个新东西，在数学推理上比 GPT-4 强，值得看看。
Mozilla报告：中美AI模型能力差距缩短至4.4个月
Mozilla的报告挺有意思，对比了中美AI模型的差距，还具体提到了Kimi K3和Fable 5，以及它们在成本和任务处理时长上的差异。