OpenAI 探索前沿 AI 训练的安全论证
OpenAI 提出前沿 AI 训练安全论证的早期指南，涵盖技术防护措施、运营实践和不对齐事件调查。指南聚焦训练阶段的安全论证，仍处于早期阶段。
#OpenAI
#OpenAI
今日 0 条OpenAI NewsAI 评分3131
OpenAI NewsAI 评分3131 MentalHealthBench：评估 AI 心理健康对话的新基准
MentalHealthBench 是一项融入专家意见的评测基准，用于评估 AI 在贴近真实情境的心理健康对话中的回应。评估重点是回应是否有帮助且安全。
OpenAI NewsAI 评分2424 OpenAI 研究：职场人士如何开拓新的工作方式
OpenAI 最新经济研究揭示了职场人士如何利用 AI 开展传统职责之外的工作，探索新的工作方式。研究还考察了哪些新活动成为他们工作中反复开展的事项。
OpenAI NewsAI 评分5757 OpenAI 分享 AI 生成的 Navier–Stokes 千禧年难题解答
OpenAI 分享了一份由 AI 生成的 Navier–Stokes 千禧年难题解答。材料包括解答文稿及使用 Lean 编写的形式化证明。
Hugging Face BlogAI 评分4747 Quantization-Aware Healing：让压缩后的 4-bit 模型超越其全精度版本
Quantization-Aware Healing（QAH）使压缩至 60B 的 GPT-OSS 120B 模型在量化为 MXFP4 后，在 9 项基准中的 7 项超越同架构的 bfloat16 恢复版本。QAH 直接从压缩前的原始模型蒸馏，而非从恢复后的检查点蒸馏，避免受后者精度上限约束。
Hugging Face BlogAI 评分5050 ALTK-Evolve 研究：AI 智能体究竟需要多少记忆？
ALTK-Evolve 在 AppWorld 上对 8 个模型的评估发现，智能体记忆的合适用量因模型而异，并非注入越多越好。
Google Research精选AI 评分7171 Google Research 研究：回忆而非知识编码是大语言模型参数化事实性的瓶颈
Google Research 研究发现，在 WikiProfile 测试中，前沿大语言模型的事实性瓶颈更多来自已编码知识无法被可靠回忆，而非知识缺失。该基准包含 2,150 条维基百科事实，每条配有 10 项任务；Gemini-3-Pro 和 GPT-5 已编码 95–98% 的事实，却无法直接回忆其中 26–34% 的事实，启用思考后仍有 11–12% 的事实回答失败。
推荐理由：将事实未被编码与已编码却无法回忆分开诊断，为判断事实性改进应侧重扩充知识还是提升已有知识利用率提供了依据。
Hugging Face BlogAI 评分4848 ALTK-Evolve 与 ACE 对比：用更少的 token 学习智能体经验
ALTK-Evolve 在内部 AppWorld 对比测试中，以更少的推理 token 达到或超过 ACE 的任务表现。使用 DeepSeek-V3.2 时，TGC 从 80.4 升至 89.3，每任务 token 从 634K 降至 263K。两者均从智能体历史轨迹积累经验，但前者按模型能力调整经验注入量，ACE 每步注入完整经验手册。
Google ResearchAI 评分4646 Google Research 评测 LLM 回答超导研究问题的能力
Google Research 与康奈尔大学评测了 6 个 LLM 系统回答高温超导研究问题的能力，NotebookLM 与定制 RAG 系统总体表现领先。专家围绕 67 道问题进行盲评，两个领先系统均依赖经过质量控制的资料库。所有受测系统仍有改进空间，NotebookLM 的证据支持得分最高，但回答最不简洁。