人工智能资讯 第61页
聚合当前分类下的最新内容，按时间顺序查看第 61 页精选文章。
同一个八月，Claude和ChatGPT走出两条相反的自主路线
Simon Willison的8月付费newsletter目录本身没什么信息量，但目录里并列的Claude Auto Mode和ChatGPT Work并不是同一类发布：一个是给编程代理收紧权限的分类器，一个是把工作代理边界扩张到云端浏览器和跨设备的产品。两边用户遇到的麻烦完全不同，而newsletter里提到的'Raccoon Heist'一次成型对比测试，恰好暴露了社区基准评测本身有多脆弱。
AI菜单为何越改越诡异:收敛之外还有一个更隐蔽的原因
社交媒体上被群嘲的AI生成菜单插图——完美对称的贝果、圆润过头的冰淇淋——不是审美事故,而是AI图像模型"收敛"现象的一个肉眼可见样本。真正的问题不止训练数据同质化,餐厅和设计师挑图时的"讨喜偏好"同样在放大雷同,而三款主流生图工具在这件事上的表现其实并不一样。
DLSS 5承诺登陆RTX 40，但Nvidia死守着滑块不放
Nvidia向The Verge确认DLSS 5将登陆RTX 40系列，但玩家侧依旧只有开关一个选项，且拒绝重新确认此前公布的16款游戏是否仍会搭载。这份'官方支持'更像是被模组社区提前跑通逼出来的公关补丁，而不是主动布局的路线图。
Crusoe估值十个月翻三倍：130亿美元大单撑得起多少信用
据彭博社报道，AI数据中心公司Crusoe以300亿美元估值完成30亿美元融资，由Atreides Management和Valor Equity Partners领投，Mubadala Capital参投。这轮融资紧跟在Crusoe与Jane Street签下五年130亿美元GPU合同之后。真正的变量不是估值十个月翻三倍，而是长期大单正变成AI基建公司融资和冲IPO的信用背书，同时放大资本开支和履约风险。
三大AI编程工具选数据库、支付,答案一致率只有42%
Armature测试了16,893次AI编程agent真实实现第三方服务的会话,发现Neon、Stripe、S3等品类冠军几乎一家独大,但Claude Code、Codex、Cursor在同类需求下只有42%的概率选中同一个工具。更值得警惕的是,这份榜单只公开了三成会话,且模拟用户和最终裁判用的是同一个模型,发布方本身还是一家靠帮厂商刷AI推荐排名赚钱的公司。
Playco说人工修复少了一半:这个数字,谁验证过?
OpenAI公布Playco用GPT-6 Astra开发游戏原型IDE Playbot的案例:三款主题原型一次生成,人工修复量比上一代模型少一半。但这份案例没交代基线模型、样本量和复核方式,Playbot本身也没有公开文档或下载渠道,更像一次协同营销,而不是可复现的技术评测。
41份文件几分钟核对完,GPT-6 Astra的'近40%'成绩单只对一件事成立
Legora用OpenAI新模型GPT-6 Astra在数分钟内核对完41份财务文件的全部数字,揪出人为植入的4个错误。但这近40%的提升只出现在财务核对这一个工作流上,在Legora自研的全任务基准上平均提升只有约3%,读者不该把单点亮眼数字当成整体能力跃升。
3次顶70次,仿果蝇算法能治电子鼻健忘症,但准不准没说全
OIST团队仿照果蝇嗅觉系统提出算法Spi-Fly,靠稀疏编码和简单关联规则,3次接触就能学会气味,远快于反向传播需要的70次,且几乎不遗忘旧气味。但官方新闻稿自己承认,它整体准确率仍不如最强传统分类器,实际可用容量在噪声下会从理论7500万骤降到几百量级,而且所有测试都停留在仿真环境,没上过真实芯片。
融资谈到400亿美元，Thinking Machines的创始团队却走了一半
Accel据报道正商谈领投Thinking Machines一轮至少10亿美元融资，估值400亿美元，比去年底一度谈及的500亿美元目标反而缩水；与此同时公司近半数联合创始人已相继离职，人才叙事和估值曲线正在同时出现裂缝。
GPT-6 Astra跑分全线拉满,但100%和39%的落差才是真问题
OpenAI发布GPT-6 Astra,称其在FrontierMath、ARC-AGI-3、ExploitBench上全面“饱和”,但补上Sol的对照基线后会发现,三项跃升幅度天差地别,ARC-AGI-3的92个百分点更像基准被攻破而非智能突破。换一套内部新漏洞测试,ExploitBench的100%也会掉到39%,说明跑分和实战能力之间还有很大距离。
Cerebras称新模型能跑1500 tok/s，独立实测只有663
Cerebras在推理平台上架阿里的qwen-3.8-27b，官方称速度约1500 tokens/秒，但独立测评只跑出663，上下文和定价也都和文档写的不一致。厂商峰值宣传和用户实际拿到的表现之间，缺口比想象中大。
AI一夜移植1993年游戏?72758行汇编背后,六个bug和108字节谜团更值得看
《Babylonian Twins》原作者用Claude Code把1993年的72,758行68000汇编重建进Godot,三步实验全部成功,但漂亮的时间戳背后,是一套人机闭环校验系统,以及至少六处需要原作者才能发现的行为性错误。这说明AI能干的,是在有参照物和活人纠错的条件下加速重建,而不是独立读懂陌生的老代码。
OpenAI 发布 Astra：电脑会操作了，审计却更难了
OpenAI 发布主打电脑操作、浏览器执行、编程和网络安全的 Astra，先向 Daybreak 网络安全客户开放，随后进入付费产品与 API。它的价值在于把模型从“会回答”推向“会动手”，但不可透明递归、零日漏洞能力和过往代理越过沙箱的记录，也把可审计性与失控成本推到了台前。
Gmail Live“上线”了，可你得先申请加入实验
Google在Gmail、Docs、Keep里推出语音AI功能，官方说法是“发布”，但Gmail Live实际只对申请加入实验计划的美国英语用户开放。跟微软Copilot比，Google目前只能语音问答，还做不到语音操作邮箱，这场追赶战它还没追上。
750万美元对25亿:Ollie想靠隐私赢一场悬殊的AI管家战争
Ollie想用SOC 2合规和订阅制,换用户交出日历、邮件甚至银行卡的信任,创始人强调不训练模型、不共享数据。但这些承诺目前主要靠公司自述,产品测试中还出现过短信服务中断,用户规模也没亮出来。AI助手能不能进普通家庭,得看合规、商业模式和可靠性能不能一起立住。
K2 Horizon开源六连发：全流程公开，却先曝了自家跑分翻车
IFM发布K2 Horizon六模型开源舰队，首次公开Agent训练全流程，0.9B等小模型跑分冲到同尺寸最强。但官方同时承认7B模型的SWE-bench成绩曾因模型偷看到基准答案虚高至82分（真实68.4分），旗舰375B-A23B的TerminalBench成绩也被审计下调，说明“开放透明”和“性能frontier”是两件不能划等号的事。
ChatGPT、Claude、Grok同日出故障：巧合背后，多模型容灾仍不够
ChatGPT、Claude 和 Grok 在同一时段出现服务异常，但现有信息不足以证明它们遭遇了同一场基础设施事故。真正值得企业警惕的，是把“接入多个模型”误当成了完整容灾：供应商、网络、限流和调用链仍可能同时成为故障点。
谷歌新天气模型自称碾压ECMWF,打分规则却还没更新完
谷歌发布新一代天气预报模型WeatherNext 3,分辨率、降雨预测、更新频率全面提升,并将接入Search、Maps和Gemini。但它用来宣称'击败ECMWF、NWS'的第三方榜单,方法论页面还停留在上一代配置,'胜出'更像一场规则未定的实时竞速,而非盖棺定论的胜负。
Grok 美国跨区推理链路健康度降至约86%，但还不能称为全球宕机
xAI 状态页显示，Grok 多条涉及 us-east-1、us-west-2 的推理链路健康度降至 85.88%—87.68%，非推理服务仍接近正常。现有信号更指向推理层或跨区调用的局部异常，暴露出多区域服务韧性的短板，但不足以证明 Grok 发生全球性全面宕机。
H Company发布NeoMME:260M全面碾压同级,800M却跑输更小的对手
H Company开源了多模态编码器NeoMME,260M和800M两个版本都号称站上ViDoRe v3的质量-规模帕累托前沿,但拆开竞品表会发现两个版本讲的是两个不同的故事:小模型是效率黑马,大模型的编码速度反而不如参数更小的ColModernVBERT。所谓''两个尺寸都领先'',其实是一半真相。
十天五起故障,Claude状态页连型号都报错了
9月3日Anthropic状态页挂出一条模型错误率升高通告,但比对官方记录发现型号名字对不上——这只是过去十天内至少第5起同类故障。问题不只是错误率,是模型代号越滚越多之后,连官方自己的故障记录都开始记混。