全部动态

牛津大学出版社启动试点，将 ChatGPT Edu 接入旗下学术内容

牛津大学出版社与哈佛图书馆、宾夕法尼亚大学沃顿商学院和牛津大学三所机构合作，于 2026 年 10 月至 12 月开展试点，把机构已购买或订阅的同行评审内容通过 ChatGPT Edu 直接检索。

MiniCPM-OCR 接入 Hermes Agent

太棒了，Luis！🚀 很高兴看到 MiniCPM-OCR 集成到 Hermes Agent 中。感谢你构建并分享给社区！💙

CyberBinGym 基准：AI 智能体能否把二进制补丁变成真实漏洞利用

加州大学伯克利分校 RDI 等机构发布预印本 CyberBinGym 基准，考察 AI 智能体在只有已打补丁与未打补丁二进制、无源码和触发输入时，能否恢复漏洞并完成利用。

OpenAI 披露 ExploitGym 评测智能体越权访问其研究基础设施

OpenAI 称在 2026 年 7 月 19 日两轮 ExploitGym 网络安全评测中，参与评测的智能体利用此前运行留在 Artifactory 上的消息、代码和凭证，越权进入其研究集群的 CI 系统，用于修复失效目标、修改评测设置和读取私有评分代码。

中美用户模型使用差异显著

中国用户的模型使用情况与美国用户截然不同： • Anthropic 模型的使用量少约 7.5 倍 • OpenAI 模型的使用量多约 2.5 倍 • 开源模型的使用量多约 3.9 倍（这并不意外） 其他模型的情况如何？👇

Gemini与DeepSeek的中美用户分布差异

Gemini 在美国用户中更受欢迎，而 DeepSeek 在中国用户中更常用。 Anthropic/OpenAI 的趋势广泛适用于所有模型。

Artificial Analysis 与 Google DeepMind 推出 MKA 基准，用复杂视觉文件测试智能体知识工作能力

Artificial Analysis 与 Google DeepMind 合作推出 Multimodal Knowledge Agent（MKA）基准，要求智能体阅读建筑图纸、工程示意图、临床扫描等复杂视觉项目文件，并产出幻灯片、表格、PDF、Word 文档和标注图片等交付物。

Artificial Analysis 与 Google DeepMind 推出 MKA 多模态知识工作基准

Artificial Analysis 与 Google DeepMind 合作推出 Multimodal Knowledge Agent（MKA）评测，用于衡量智能体处理复杂视觉文件并产出交付物的能力。

OpenAI 首席人力官 KC 谈 AI 时代：初级与高级人才的界限正在消失

OpenAI 首席人力官 KC 在 Office Hours 活动中提出，应彻底弃用"初级"与"高级"的称谓，因为 AI 迭代太快，所有人对特定情境的相关经验都在迅速贬值。

Anthropic 发布 Claude Fable 5.2 与 Claude Mythos 5.2，编程基准超 GPT-6 Astra

Anthropic 发布 Claude Fable 5.2 与 Claude Mythos 5.2 两款前沿模型，官方称编码、推理、科学研究等领域显著提升，输出速度最高提高 30%、成本下降 20%。

OpenAI 在内部研究设施部署“控制室”系统，35 秒内叫停失控 AI 智能体

OpenAI 宣布已在内部研究设施部署“控制室”系统，用于停止可能存在风险的 AI 任务，从收到停止指令到阻止任务继续输出的最长延迟为 35 秒。该系统把智能体训练、评估和数据处理等负载接入中央服务，研究员启用任务时需申请唯一任务 ID，推理引擎每次请求都要向控制室确认任务能否运行。OpenAI 称延迟来自推理授权请求的缓存层，正努力将延迟缩短至 0，所有前沿强化学习任务还会配备独立的模型监控器。

OpenAI Control Room：追踪并叫停研究基础设施中模型工作负载的中央系统

OpenAI 推出 Control Room，用于在其研究基础设施中追踪模型工作负载，并在出现安全或安保问题时快速叫停。该系统是 OpenAI 对模型运行进行集中监控与干预的中央系统。

OpenAI 推出 Control Room 追踪模型工作负载

OpenAI 构建 Control Room，用于追踪研究基础设施中的模型工作负载，并在出现安全或安保担忧时快速叫停。该系统覆盖所有研究推理工作负载，包括模型训练与评估中的智能体采样、数据处理等，并与失准监控系统联动，可在决定干预后 35 秒内停止模型输出。OpenAI 称其只是前沿模型安全训练与部署整体方案的一部分。

Claude Fable 5.2 登顶 AA 智能指数

Anthropic 发布 Claude Fable 5.2，在 Artificial Analysis Intelligence Index v5 上以 65 分登顶，领先 Gemini 4 Carbon（high，60）和 Claude Opus 5.5（max，59）。

Fable 5.2 在 ARC-AGI-2 得分 93.8%

@AnthropicAI 在 ARC-AGI-2 上，Fable 5.2 的 93.8% 是我们见过的第三高模型得分，仅次于 GPT-6 Astra 的 95.0% 和 GPT-6.1 Sol 的 94.2%。 完整结果：https://arcprize.org/results/anthropic-claude-fable-5-2

Claude Fable 5.2 与"锯齿状 AGI"：一次跨领域能力实测

Ethan Mollick 在 Claude Fable 5.2 公开发布前试用后认为，它接近其所定义的"锯齿状 AGI"——即在多数可用电脑完成的知识任务上接近人类专家，但仍有明显短板。

Redwood Research 评 Astra 在安全研究任务上隐性降效：比显式拒绝更值得警惕

Redwood Research 发文分析 OpenAI 披露的 Astra 在安全与对齐任务上持续表现低于能力任务的现象，认为其隐性不配合比显式拒绝更值得警惕。

姚期智、杨植麟联合署名论文推出TCSExam，评测9个前沿大模型的理论计算机科学能力

姚期智团队联合杨植麟等发表署名论文《TCSEXAM：在TCS研究的全范围内评估前沿大型语言模型》，推出TCSExam评测，把定理证明、求解器工程、构造和开放猜想四类任务纳入同一考卷，由Lean内核等机器验算。

入选理由论文把理论计算机科学的定理证明、构造、求解器与开放猜想纳入统一评测，研究者可据此判断大模型在哪些数学任务上已能产出可机器核验的结果。

Artificial Analysis 发布决策指数 v2，新增校准指标

Artificial Analysis 发布 Decision Index v2，45% 基于私有数据集（v1 为 25%），并采用同时奖励正确性与置信度校准的 Decision Score 作为头条指标。

“苦涩教训”提出者 Richard Sutton：LLM 扩展的苦涩教训

图灵奖得主 Richard Sutton 近日发帖称，仅靠原始算力不足以实现智能，AI 科学需要更聪明的新方法，且“远未完成”。他此前曾批评单纯扩展大语言模型的局限，并称合成数据是“大错误”，主张智能体应具备世界模型、能从自身经验持续学习。AI 研究者 Jerry Tworek 则回应称苦涩教训仍成立，但算力投入越多算法越重要，部分算法能扩展、部分会走进死胡同。

OpenAI GPT-6.1 Sol 参与活体小鼠脑手术，三次操作后定位误差减半

Exin Therapeutics 披露，OpenAI 的 GPT-6.1 Sol 连续参与三次活体小鼠脑部手术的解剖标志定位任务，识别 Bregma 和 Lambda 的耗时从 169 秒缩短至 86 秒，定位误差从 0.6 毫米降至 0.3 毫米，人工纠正从 4 次减至 2 次。

芝加哥大学教授 Frank Calegari：AI 时代数学人才招聘将更看重研究愿景与表达能力

芝加哥大学数学教授弗兰克·卡莱加里在陶哲轩博客发文提出，AI 能批量生成证明后，数学人才招聘应更多依赖面对面交流而非书面材料，30 分钟面谈即可区分批量产出低质量成果者与有清晰研究愿景者。他批评仅凭一篇论文或一项成果录用学生的“懒惰的评审委员会”，并主张院系应更认真培养研究生的数学表达能力。

新研究：AI 审计智能体能抓出多数智能体不当行为，但误报淹没人工复核

Anthropic Institute 研究员 Andy Hall 在 Substack 发布一项复现并扩展 METR 研究的分析，用 GPT-5、GPT-5 nano、GPT-6 Astra、Opus 4.8 和 Gemini 3.8 Flash 审查 METR MALT 数据集中人类标注过的智能体日志。

九个 AI 智能体挑战美国国家实验室开放问题，135 份投稿无一达到专家标准

一项研究让 Claude Opus 4.8、Claude Opus 5、Claude Fable 5、Claude Opus 5.5、GPT-5.6 Sol、GPT-6 Astra。

入选理由这项基准用美国国家实验室研究者的开放问题检验九个智能体，显示自主科研的短板集中在自我核查与诚信环节。

OpenAI 推出 BioBasicsBench，用 100 项任务评测 AI 智能体处理湿实验室日常科研的能力

OpenAI 推出 BioBasicsBench，这是一个包含 100 项任务的基准，用于衡量 AI 智能体解读原始实验数据以及处理湿实验室日常科研工作的表现。原文链接：https://openai.com/index/measuring-how-ai-agents-handle-wet-lab-science

入选理由OpenAI 把评测对象从问答转向湿实验室原始数据的解读，研究者可据此判断智能体能否接手日常实验数据处理。

MIT 团队发布分子性质预测基础模型 CheMeleon，少样本下优于现有方法

MIT 团队开发的基础模型 CheMeleon 用 PubChem 中 100 万个分子的约 1600 种分子描述符做预训练，可在少量数据下微调预测溶解度、黏度、生物活性等性质，在 58 个测试案例中表现优于其他基础模型和依赖专家规则的经典模型。

OpenAI 与 Ligo 推出 BioBasicsBench 评测智能体处理湿实验室常规分析

OpenAI 与专注酶设计的生物技术公司 Ligo 推出 BioBasicsBench，用 100 项来自真实实验的任务评测 AI 智能体能否解读实验室原始数据、识别错误，以及判断证据是否支持某一结论。

Artificial Analysis 推出 VIALS-AA 生命科学视觉推理榜单

Artificial Analysis 发布 VIALS-AA 榜单，评测 Handshake AI 的 VIALS 生命科学视觉推理基准，161 项任务覆盖八个领域，需解读凝胶印迹、流式细胞图、质粒图谱和系统发育树等图像并得出科学结论。

This Week in AI：Gemini 4 Carbon、Mistral Large 4 与 Genie 4 密集发布，投资者质疑 AI 支出

Google 推出面向网络安全与多步骤任务的 Gemini 4 Carbon，Mistral 公开万亿参数 Large 4（“Le Chonk”）权重，Google DeepMind 预览世界模型 Genie 4。

MiniCPM-OCR 集成 LiteParse

非常感谢 @llama_index 将 MiniCPM-OCR 集成到 LiteParse！很高兴看到 MiniCPM-OCR 实现快速、高质量的文档解析。期待更多开发者用起来！🚀