01
GPT-Live：实现连续语音交互
OpenAI 宣布推出 GPT-Live，这是一个旨在实现与 AI 进行自然、无需停顿转换的对话的连续语音交互系统。该系统经过六个月的研发，利用无转换的语音模型架构，消除了传统语音助手典型的生硬轮次转换结构。这种设计极大地降低了对话延迟，支持更流畅、实时的交流。研发工作重点在于优化语音建模和系统基础设施，使语音交互变得更加迅速且对日常应用更加直观。
AI Blog
3 stories02
ChatGPT Work 和 Codex 的新教育插件
OpenAI 为 ChatGPT Work 和 Codex 推出了新的教育类插件，旨在协助 K-12 教师、大学教育工作者和学生进行学术活动。这些针对性的集成旨在帮助用户在教育环境中学习、教学、进行研究并构建项目。通过利用这些专业工具，教育者可以增强课堂教学效果，同时学生也能获得为学术研究和开发量身定制的资源。
03
Circles 集成 OpenAI 技术以个性化电信体验
电信公司 Circles 集成了 OpenAI API 和 Codex，为全新的 AI 原生电信体验提供支持。生成式模型的应用使每用户平均收入 (ARPU) 提高了 22%，用户流失率降低了 9%。此外，将 Codex 整合到工程工作流中显著提高了软件开发效率。此次合作展示了生成式 AI 技术在电信领域的实际部署和可衡量的商业影响。
Hacker News
8 stories01
Mistral 的 Shieldstral：用于多模态内容审核的 3B 开放权重模型
Mistral AI 发布了 Shieldstral，这是一款专门为多模态审核任务设计的 3B 参数开放权重模型。该紧凑型安全分类器针对高吞吐量、低延迟部署进行了优化，可帮助开发者识别跨文本和图像模态的有害或不安全内容。Shieldstral 旨在为 AI 代理和协作应用提供经济高效的实时防护。基准测试显示，其性能可与大型专有审核解决方案媲美，并为开源社区提供了对内容管道的本地控制能力。
02
在单个 AMD MI300X 上运行 DeepSeek V4 Flash
开发者 Ryan Zhou 发布了一个技术项目，展示了如何在单个 AMD Instinct MI300X 加速器上对 DeepSeek V4 Flash 进行性能优化。该代码库提供了具体的部署脚本、环境设置文档和配置指南，以最大化推理速度。通过利用 AMD 的 ROCm 软件平台，该项目为希望在非 NVIDIA 企业硬件上部署大语言模型且不牺牲性能的开发者提供了一个实用蓝图。
03
苹果称可能有更多前员工将机密数据带往 OpenAI
苹果公司提出了企业安全顾虑，指控更多前员工在跳槽至 OpenAI 时可能转移了机密专有数据。此纠纷凸显了老牌科技公司与生成式 AI 初创公司在争夺专业人才和专有数据集方面的紧张竞争。这些指控强调了在行业变动期间保护商业机密的挑战，并可能促使整个 AI 领域对保密协议执行更严格的要求。
04
Warp Agent CLI 发布
Warp 推出了 Warp Agent CLI，这是一款基于终端的自主编码助手，旨在直接在命令行界面中执行复杂的开发流水线。该工具充当集成在终端环境中的 AI 代理，能够分析目录结构、生成上下文感知代码，并运行本地 Shell 命令来调试系统错误。此次发布将 LLM 能力直接引入终端，满足了对低阻力开发辅助工具的需求。
05
Show HN：在 4 GB 显存的笔记本 GPU 上微调 8B 模型
开发者 Makazhan Alpamys 推出了 Soup，这是一个开源框架，旨在仅使用 4 GB 显存的消费级硬件上微调 8B 参数的大语言模型。通过实现参数卸载、梯度检查点和量化等内存优化技术，该项目降低了在本地运行机器学习工作负载的门槛。该工具使个人开发者能够直接在个人设备上定制大语言模型，而无需依赖云实例。
06
Launch HN：EdotEnv (YC S26) – 通过量化交易强化学习环境培养 LLM 研究能力
创始人 Rui 和 Michael 推出了 YC S26 公司 EdotEnv，提供基于量化交易工作流的自改进强化学习环境，用于评估大语言模型。该平台通过动态、自我修正的金融市场来应对基准测试饱和问题，这些市场在难度上自然扩展。LLM 被分配量化任务并根据样本外数据进行评估，从而构建了一个旨在向 AI 系统教授高级研究能力的稳健框架。
07
为什么大语言模型在表格预测中表现不佳
一份研究报告分析了大语言模型 (LLM) 在应用于表格预测任务时的性能瓶颈。该研究概述了 LLM 与传统树模型算法相比表现较差的原因，指出捕捉复杂数值关系存在困难、序列化数据格式缺乏空间感知能力，以及标准化分词方法会破坏连续数值特征。这些发现为研究人员将基础模型适配到异构数据库提供了架构方面的洞察。
08
Homebench – 用于评估本地 LLM 的速度、内存和质量
开发者 david-g-3654 推出了 Homebench，这是一个旨在评估本地大语言模型的开源工具。该框架在标准化的本地测试环境中测量性能，包括令牌生成速度、VRAM/RAM 消耗和响应准确性。该工具帮助开发者和爱好者识别硬件约束与量化水平之间的最佳平衡，简化了本地部署模型的配置和选择过程。
01
Sakana AI 在 Modal 基础设施支持下部署 Namazu 模型
Sakana AI 推出了 Namazu，这是一款 1 万亿参数的大语言模型，专为实时网络搜索和自主代码执行而设计。该模型融合了日本文化细微差别和技术推理能力，部署在 Modal 的云计算平台上，以处理复杂的工作流和可扩展的无服务器任务。此次发布凸显了利用领域特定局部上下文向智能体应用转变的趋势。模型的架构针对主动工具使用和编码任务期间的高响应性和效率进行了优化。
02
MiniMax H3 视频生成模型现已发布，支持低显存运行
MiniMax 发布了其 H3 视频生成模型的优化更新，使生成式 AI 工具能够在低至 5GB 显存的硬件上本地运行。该更新在 @deepbeepmeep 的贡献下开发，降低了在消费级显卡上进行高质量视频合成的门槛。H3 模型还能够根据简单的文本提示生成 2K 分辨率的视频，并已与 Midjourney V8.2 等工具及 Higgsfield AI 等平台集成，用于先进的电影感、风格化和快速视频创作。
03
Adaption AI 推出用于自动模型训练的 AutoScientist API
Adaption AI 正式推出了 AutoScientist API，这是一个旨在自动配置和训练任务特定机器学习模型的新平台。该技术旨在以最少的代码简化模型构建流水线，早期基准测试显示其效率比人工配置提高了 35%。Sarah Hooker 还宣布与 AI 新加坡建立战略研究合作伙伴关系，利用这些自适应数据技术和自动科学家框架来加速自动化科学发现。
04
Pika Labs 引入月度会员模式，实现高性价比 API 访问
Pika Labs 转为采用订阅制定价模式，每月 10 美元即可访问生成式模型 API。订阅用户在高性能媒体工具上可获得大幅成本折扣，包括 Seedance 2.0 最高 87% 的折扣、MiniMax H3 50% 折扣以及 GPT Image 2 的 25% 折扣。此结构旨在为需要持续、大批量视频和图像生成的开发者团队及高阶用户，提供比 Fal 和 Runway 更具竞争力和负担得起的选择。
05
Unreal Fest 演讲探讨 MetaHuman 未来及无标记动作捕捉
Michael J. Black 宣布了他在 Unreal Fest 上的演讲，详细介绍了 MetaHuman 框架的五年路线图，并发布了用于虚幻引擎 5.8 的无标记动作捕捉插件。该集成通过直接在虚拟环境中生成高保真角色动画，为开发者提供了高效的流程，消除了传统硬件限制。演讲概述了改进数字角色生成和动画工作流的技术蓝图。
06
Kling AI 强调视频生成能力的细节精度增强
Kling AI 发布了一项技术更新，旨在完善其生成式视频平台内的细节精度和纹理精度。此次发布专注于减少分辨率伪影，并改善复杂场景重建过程中的微观视觉真实感。通过增强微观元素和纹理合成，此次更新旨在为内容创作者提供在严苛媒体生产环境下的高保真自动化视觉输出。
huggingface
8 stories01
DiffusionGemma 技术报告
谷歌研究人员推出了 DiffusionGemma，这是一款实验性的开放权重语言模型，使用离散扩散技术生成文本。通过并行迭代优化 256 个标记块，该模型避免了传统自回归模型的顺序解码瓶颈。该模型基于混合专家模型 Gemma 4（3.8B 活跃参数，总计 25.2B 参数）通过两阶段训练流水线微调而成，每次前向传递约生成 20 个标记。它在单个 NVIDIA H100 GPU 上每秒可实现约 1500 个输出标记，同时保留了思维模式、多模态输入支持和长上下文处理能力。
02
LongHorizon-Harness：推进现实世界任务的长时程智能体
研究人员提出了 LongHorizon-Harness，通过将执行建模为明确的任务状态管理问题，来提高大语言模型智能体执行长时程任务的能力。该框架利用“管理-执行-审计 (MEA)”循环在执行之外维护任务状态，并使用独立验证的环境事实进行更新。通过轻量级的 AgentAdapter，该框架支持可互换的后端模型。评估显示，LongHorizon-Harness 在 WeaveBench 上将 Qwen 3.7-Plus 的性能从 51.8% 提升至 80.7%，在 Terminal-Bench 2.1 上从 69.7% 提升至 77.2%，在 OSWorld 2.0 上从 2.8% 提升至 8.3%。Claude Opus 4.7 在 OSWorld 2.0 子集上的表现也从 20.0% 提升至 34.3%。
03
SKT：通过验证后的合成数据生成实现大规模技能使用训练
为了解决语言模型智能体在协调可重用程序工具方面面临的困难，研究人员开发了 SKT，一个经过验证的数据合成流水线。SKT 从大规模集合中生成基于技能的任务和可执行轨迹。利用 2000 个公共技能，该流水线构建了 4000 个任务包和 27164 条验证轨迹。基于这些配置，作者还建立了 SkillEval，一个留存评估基准。在生成的轨迹上进行有监督微调，持续提升了多个模型主干和智能体框架的技能使用性能，证明了验证后的合成数据生成的可扩展性。
04
SWE-Touch：基准测试用户介入时的编码智能体
为了评估软件工程智能体如何在协作工作空间中处理并发修改，研究人员引入了 SWE-Touch。该基准测试通过引入“反向编辑 (Counter-Edits)”——即由独立用户补丁生成器所做的、与任务完成冲突的合理编辑——来压力测试智能体的适应性。在 SWE-bench Verified 上评估的九个编码模型中，包含反向编辑后平均解决率下降了 7.7 个百分点。轨迹分析显示，失败与对工作空间感知不足有关，智能体经常未能重新检查代码库、验证编辑或检测冲突的外部更改。
05
删除是人类，添加是机器：衡量并缓解 LLM 代码编辑中的删除规避
一项新研究探讨了“删除规避”，这是一种大语言模型在编辑过程中避免删除冗余代码的系统性偏差。在 SWE-bench Verified 排行榜的五个领先模型中，针对开发者补丁的最高删除召回率仅为 71.7%。通过使用验证代码删除的测试对 34 个任务进行改造，四个前沿模型的成功率从 63.2% 下降到 41.9%。为了隔离这种行为，作者策划了 CanItDelete，一个包含 200 个纯删除任务的基准，较小的开放权重模型的成功率降至 18%。
06
Zero-Mem：用于 LLM 智能体的零令牌内存操作
为了降低智能体内存系统的高昂令牌和延迟成本，研究人员提出了 Zero-Mem，一个无需额外大语言模型生成步骤即可执行内存操作的框架。Zero-Mem 将交互轨迹存储在实体上下文图和时间层次结构中。对于每个查询，系统从两个结构中检索相关视图，并应用确定性校准来保持答案的准确性，仅在最终回答问题时调用 LLM。在长内存和长上下文基准测试中，与最快的基准相比，Zero-Mem 消除了中间 LLM 调用，并将内存操作时间减少了 57.6%。
07
ScrambleToolBench：即使有地图指向下一步，智能体依然穷举式搜索
为了评估自主智能体如何纯粹通过环境反馈学习工具使用，研究人员引入了 ScrambleToolBench，一个动态终端基准测试。通过省略语义工具描述并引入映射漂移和随机执行失败等障碍，该环境强制智能体通过试错发现来推理。评估的模型经常无法适应像映射漂移这样的突发变化，表现出信念惯性，或者诉诸昂贵的暴力搜索，而不是利用周期跟踪等演绎策略。增加推理计算仅加剧了穷举搜索，而没有解决根本的适应错误。
08
GradCuit：信用分配的梯度流赋能稳健且可解释的测试时潜在推理
研究人员开发了 GradCuit（电路梯度），这是一种在测试时优化潜在推理的框架，它在推理时优化连续状态，同时保持模型参数冻结。与标记级优化不同，GradCuit 将可优化潜在状态嵌入到 Transformer 层中，利用因果自注意力直接将整个延续的梯度映射回潜在状态。在五个指令微调模型主干和三个推理基准测试中，GradCuit 达到了 64.5% 的平均准确率，比思维链提示高出 6.6 个百分点。该方法在不同学习率下表现出比之前的测试时扩展基准更高的鲁棒性。