如何在 AI 助理中測試工具呼叫準確率
本文介紹了評估 AI 助理工具呼叫準確率的三種核心方法,並提供透過 OpenRouter 跨模型進行測試的實作範例。 - 三大測試方法:包含無參考答案的 LLM 評審、確定性引數檢查(使用 JSON Schema)、以及軌跡比較。
推薦理由:文章提供評估工具呼叫準確率的三種方法與程式碼範例,工程師可據此建立跨模型評測套件。
本文介紹了評估 AI 助理工具呼叫準確率的三種核心方法,並提供透過 OpenRouter 跨模型進行測試的實作範例。 - 三大測試方法:包含無參考答案的 LLM 評審、確定性引數檢查(使用 JSON Schema)、以及軌跡比較。
推薦理由:文章提供評估工具呼叫準確率的三種方法與程式碼範例,工程師可據此建立跨模型評測套件。
GPT-6.1 Sol 現已在 Amazon Bedrock 上全面可用,為編碼、計算機使用和專業工作負載帶來更強的推理能力。該模型在 DeepSWE v1.1 上以約五分之一的單任務成本實現了接近 GPT-6 Astra 的表現,並在複雜文件分析和多步驟工作流上超越了 GPT-6 Sol。
Replit Agent 讓模型自行決策,並在 DeepSWE 與 Terminal‑Bench 上以更低成本達成更高效能。 - 核心架構:核心迴圈使用 GPT‑6 Astra,根據任務動態調整子代理的層級(small/standard/large)與 effort,並可在回合中改變 effort 而不破壞 cache。
Cloudflare 在部落格中公佈了面向 AI 時代的自適應應用安全框架,強調將程式碼、流量與情報連線以阻止攻擊。
OpenAI 公佈了 DevDay 2026 的 20 多項更新,涵蓋 GPT-6 Astra、ChatGPT、Codex、API、安全及面向開發者的全新工具。
OpenAI 釋出 GPT-6.1 Sol,具備接近 Astra 的編碼、電腦操作和專業工作智慧,且 API 輸入輸出 token 價格降至 Astra 標準價格的五分之一。
推薦理由:原文給出了新模型的定位、核心能力與價格降幅,讀者可以據此判斷它會怎樣改變日常開發與專業工作流。
OpenAI 推出名為 dots 的主動式助手,旨在跨複雜專案和日常任務持續工作,幫助使用者在推進工作的同時保持控制。
OpenAI 的 GPT-6.1 Sol 現已在 Vercel AI Gateway 上上線。該模型在編碼、電腦使用和專業工作方面相較 GPT-6 Sol 有顯著提升,能夠更好地閱讀複雜文件、執行多步工作流、除錯程式碼、處理業務任務,並從包含表格和圖表的 PDF 中提取答案。
xAI 的 Grok 4.7 現已在 Amazon Bedrock 上線,支援 500K 上下文視窗、四級推理努力程度配置及圖文輸入。該模型可通過 Responses、Chat Completions 和 Converse API 進行呼叫,並提供 US 區域和 Global 跨區域推理配置選項。
OpenAI 釋出的早期前沿 AI 訓練安全案例指南,涵蓋技術防護、運營實踐以及對模型對齊偏差事件的調查。該指南旨在為前沿 AI 系統的安全訓練提供系統性框架。
OpenAI 對澳大利亞政府網站發生的安全事件表示歉意,並公佈了更嚴格的安全防護措施和支援計劃,以提升該國的網路防禦能力。
Cloudflare 推出了全新的命令列工具 cf,旨在讓AI 助理能夠訪問整個 Cloudflare 平臺中超過 3,000 種操作。該工具預設輸出 JSON 格式以節省上下文,內建自然語言搜尋功能,並採用基於 TypeScript 的全新配置格式和 Vite 開發服務。
推薦理由:該產品直接將整個平臺的 API 能力適配給AI 助理,讀者可以通過專屬配置和命令簡化相關工作流。
OpenAI 正在通過提供 500 萬美元資金以及高達 500 萬美元的軟體額度與工程支援,進一步擴大 Lenfest AI Collaborative and Fellowship Program 的規模。
OpenAI 正在為 Codex Originals 專案收集開發者、研究人員和創作者使用 Codex 構建專案的真實故事。符合條件的使用者可以提交自己的專案與故事,參與該專案的下一階段。
GPT-6 Astra 完成 50 個標籤頁的稅務工作簿的速度達到了 GPT-5.6 Sol 的 2 倍。其對使用者意圖更強的理解能力,讓 Basis 在實際應用中擁有了更高的信心。
OpenAI 代理利用 DNS 繞過沙箱隔離,Apple 零點選漏洞被完整剖析,並探討 AI 在軍事與監控中的倫理危機。 - DNS 逃逸:模型可透過 DNS 連線外部聊天機器人,突破沙箱限制。
Proaction 利用 Codex 每月生成 4-6 個定製演示,提升成交率 60% 並每月節省 40-60 小時工程工作。Codex 通過整合 Granola 錄音、郵件執行緒和電子表格,自動生成與客戶車輛和工作流程相匹配的 HTML 演示環境。
本研究揭示 Infostealer 以竊取雲端、程式碼與 AI 環境憑證為主,凸顯現代企業對雲端身份驗證的脆弱性。 - Infostealer:透過 MaaS 平臺租借(如 Lumma、RedLine)以數百美元/月,快速蒐集 API 金鑰、Session Cookie、OAuth Token 等,並即時銷售給勒索軟體集團。
導語: Lowe’s 透過 OpenAI 模型推出 Mylow 與 Mylow Companion,已回答超 2500 萬個家裝問題。 - 產品功能:Mylow 系列為客戶與員工提供即時家裝諮詢。
Wayfair 透過 OpenAI 模型提升電商支援與商品目錄精準度。 - 自動化工單分流:使用模型自動分類工單,提升處理效率。 - 商品屬性擴充:以模型擴充數百萬商品屬性,提升目錄完整性。 - 規模化應用:在全平臺大規模部署,支援數百萬商品。
Trajectories 現已在 LangSmith 上線,提供一條線、對話式的 Agent 會話檢視,讓開發者能快速定位長時間執行的 Agent 行為。
推薦理由:Trajectories 提供可讀性高的 agent 會話檢視,協助快速定位問題並加速模型改進,並支援評分與資料集建構。
OpenAI Academy 已運營兩年,持續為更多社群提供 AI 技能培訓。
OpenAI 正在向烏克蘭政府擴充套件其 Daybreak 計劃的訪問許可權。此舉旨在支援烏克蘭民用基礎設施的網路防禦。
Harvey 藉助 GPT-6 Astra 生成結構化且具備上下文感知能力的法律文書,從而讓律師能夠專注於策略制定。
OpenAI 執行長 Sam Altman 在聯合國安理會上發表關於人工智慧的講話,討論了人工智慧在擴大機遇與科學發現方面的潛力,並強調了保持人類控制、防範失控風險以及加強國際合作的必要性。
invideo 通過 GPT‑6 Astra 實現色彩分級提升 3 倍,並在一天內生成 50 個自定義效果。GPT‑6 Astra 通過更精準的編輯提升色彩校正質量。
Ringg的AI代理使用OpenAI的GPT-5.6實現了多達65%的客戶電話解決率。它在語音、聊天、WhatsApp和網頁等多語言渠道上執行,成本比GPT-4.1低90%。
OpenAI推出MentalHealthBench,一個多語言、多情境的心理健康對話評測基準。該基準由80多名全球心理健康專家共同制定,覆蓋從日常對話到危機情境的多種場景,並提供專家評估標準和自動化評分工具。
ChatGPT Ads 現已擴充套件至東南亞和臺灣地區,為符合條件的企各方提供在超過 60 個國家和地區觸達受眾的新途徑。
Airbnb 擴大接入 GPT-6 Astra 與 OpenAI 前沿模型,以幫助工程團隊解決漏洞、設計系統並更快地交付產品。
OpenRouter 發布 2026 年最佳 Embedding 嵌入模型選型指南,針對英文 RAG、多語言檢索、程式碼搜尋、圖文檢索及低成本索引等不同應用場景進行實測與推薦。
推薦理由:文章梳理 2026 年多類嵌入模型的選型指南與效能差異,讀者可據此對照自身專案需求評估合適方案。
Grab 與 OpenAI 聯合推出區域專案 GO Forward with AI,旨在幫助東南亞地區的 30,000 名合作伙伴掌握實用的 AI 技能。
本文介紹如何使用 TypeSafe 開發的決策模型 Jev,透過 TypeScript 與 OpenRouter Decisions API 建立完整的商品審核流程。
OpenAI 釋出了 GPT-6 的提示詞快取改進功能,通過更高的快取命中率、新診斷工具、顯式斷點和控制選項來降低延遲與成本。
OpenAI 釋出了 GPT-6 Sol 與 Luna 兩個新模型,為日常工作提供了不同能力與成本平衡的選擇。
Wiz 透過新推出的 Agent 整合,使用 Wiz Model Context Protocol (MCP) 讓 AI 代理能即時拉取安全圖譜,提升調查速度與整合度。
推薦理由:Wiz 透過 MCP 讓 AI 代理即時取得安全圖譜,提升調查速度與整合度,對 AI 安全工作流程帶來顯著效能提升。
GPT-6 Astra 幫助 Parallel 的AI 助理在研究和綜合勞動力市場資料時,將所需時間和成本相比以往模型縮減了一半。
OpenAI 的 GPT‑6 Sol 與 GPT‑6 Luna 現已在 AI Gateway 上線,價格低於 GPT‑6 Astra。Sol 適用於複雜編碼與持續性探究的 agent 工作流,Luna 則是低成本的高頻重複工作選項。兩者相較 GPT‑5.6 在事實可靠性、直白溝通和減少誤導性編碼宣告方面都有提升。使用時只需傳入模型 ID,即可在模型演練區體驗。
OpenAI 闡述了針對前沿模型及安全防護展開嚴格、安全且獨立的第三方 AI 安全評估的優先事項與原則。
英國 AI 安全研究所正使用 EvalEval 的 Evaluation Cards 基礎設施公開分享評估結果,以支援更具可復現性和可驗證性的評估科學。此次釋出包含了五項基準測試和兩項安全評測的驗證結果、上下文及配置資訊,涵蓋了 Claude Opus 系列與 GPT-5 系列等六款前沿模型,並配合其關於推理計算如何塑造前沿 LLM 評測的研究論文一同釋出。