#OpenAI
RSS 訂閱#OpenAI
RSS
Arena.ai@arena品質評分4444
Rohan Paul@rohanpaul_ai品質評分5858OpenAI News品質評分4242 Hebbia 用 GPT-6 Astra 幫金融研究找資料、做簡報
銀行員評估收購案時,得從大量財報、合約和簡報裡找答案,還要把資料整理成符合公司格式的簡報。Hebbia 的 Matrix 能把答案連回原始檔案;測試中,GPT-6 Astra 會挑出相關資料來源,再依照使用者的架構和要求製作 PowerPoint 投影片。舉例來說,面對約 2,000 個檔案,它能協助整理客戶集中度、合約條款和營收流失情況,並在投影片附上可追查的來源。Hebbia 的測試顯示,99.5% 的引用段落都和問題相關,簡報也符合 97.9% 的適用要求。這能減少找資料和重做簡報的時間,讓銀行員把心力放在評估交易上。
Ars Technica · AI精選品質評分8282 研究者埋下 200 萬個追蹤秘密,揭露 AI 服務鏈的資料外洩
把密碼或雲端憑證放進 AI 提示詞,資料可能經過多家服務轉送,最後落入別人手中。研究者在近 200 萬則提示詞中放入只用一次、可追蹤的秘密資料,發現至少 3 家 AI 服務供應商遭攻擊者入侵,另有轉售商記錄提示詞並轉交給他人使用;部分服務也會在標示「不收集資料」或零資料保留時,仍讀取提示詞裡的秘密網址。研究者建議,能負擔的話可在自有伺服器上執行模型;使用代管服務時,直接選擇上游供應商並瞭解其隱私政策,能降低風險,但無法保證資料一定不會外洩。
推薦理由:研究者用可追蹤的秘密資料查出提示詞在多層轉送中外洩,並指出隱私設定無法阻止已遭入侵的服務讀取資料。
The Decoder精選品質評分8282 OpenAI 加強 GPT-6.2 防護,降低攻擊者抽取模型推理內容的成功率
攻擊者可能透過一連串請求,試著套出 AI 模型受保護的推理內容。OpenAI 表示,GPT-6.2 Astra 加入針對性訓練、輸入與輸出篩選,以及 API 封鎖等防護;面對協同行動,公司也會每週停用數千至數萬個帳號。OpenAI 的內部自動化測試中,從先前請求抽取內容的成功率,從 GPT-6 Astra 的 54.0% 降到 GPT-6.2 Astra 的 0.2%;針對目前請求則從 22.9% 降到 0.9%。OpenAI 也正把部分改進帶到 GPT-6 Astra。
推薦理由:OpenAI 的內部測試顯示,更新防護後,從先前請求和目前請求抽取受保護推理的成功率都大幅下降,呈現防護成效的具體比較。
Artificial Analysis@ArtificialAnlys精選品質評分6161推薦理由:這份盤點把已獲正式承認的證明,和兩家公司的待查證主張放在一起,呈現目前解題紀錄的不同可信程度。
Artificial Analysis@ArtificialAnlys精選品質評分6060
推薦理由:AA-Robotics v0.1 比較 11 個模型完成六項任務的表現,並列出 GPT-6.2 Astra 的指令數與得分結果。
aihot精選品質評分7676 METR 更新能力評測:AI R&D 相關能力約每 3.6 個月翻倍
要量出 AI 模型能獨立完成多長、多少工作並不容易,評測方式也可能影響結果。METR 更新能力評測,測試截至 Opus 5.5 和 GPT-6 Astra 的模型在 TH1.1 與 TH2 任務上的表現,發現模型的時間視野約每 3.6 個月翻倍;在可驗證的任務子集中,翻倍時間約為 1.65 個月。METR 也討論,評測環境和 RL 訓練環境越來越接近,可能帶來測量偏差。
推薦理由:METR 用任務測量模型完成長程工作的能力增速,也說明評測環境接近 RL 訓練環境時,可能如何影響測量結果。
OpenAI News品質評分5555 OpenAI 推出 MedChemBench,測試 AI 模型能否幫忙挑選藥物候選物
找藥物時,讓分子更能對付疾病相關蛋白,可能也會讓它更難被身體吸收,或更快分解。OpenAI 推出 MedChemBench,收錄 99 個來自研究論文的題目,測試 AI 模型能不能看懂分子結構、解讀實驗結果、挑選候選物並預測性質。評測中,GPT‑6 Astra 擅長還原分子結構與解釋證據,但挑選化合物和預測數值仍較困難。這項測試只看模型如何運用過去的研究資料,不能證明 AI 已能發現新藥或改善實驗室決策;研究者也無法排除模型先前看過相關資料的可能。
OpenAI News精選品質評分7676 OpenAI 強化 GPT-6.2 Astra 與 Sol 防護,降低模型推理內容被蒸餾的風險
有人可能大量蒐集前沿模型的回答,訓練出能力相近、但防護較弱的模型;若這些能力被用來進行網路攻擊,原模型的安全措施就可能無法跟著保護使用者。OpenAI 說明,它會用模型訓練、分類器和 API 防護來阻擋推理內容外洩,也會調查並處理協同行動。在內部自適應測試中,從先前請求取出 GPT-6 Astra 推理內容的攻擊成功率為 54.0%,在 GPT-6.2 Astra 更新防護後降至 0.2%;針對目前請求的攻擊成功率則從 22.9% 降至 0.9%。OpenAI 也表示,精確推理步驟可能讓另一個模型學到更多網路安全能力,因此會持續測試防護,並分享部分調查發現。
推薦理由:OpenAI說明如何從單次請求與協同行動兩個層面防範模型蒸餾,並公佈自適應測試中推理內容外洩攻擊成功率的變化。
Browser Use精選品質評分7575 Browser Use 拆解瀏覽器 AI 助理變慢的原因,兩項設定讓航班搜尋快 10 秒
AI 助理搜尋航班時,等網頁載入、呼叫瀏覽器和模型回覆都可能拖慢速度;如果只看總時間,也容易把不同設定的結果混在一起。Browser Use 用 Google Flights 找蘇黎世到倫敦最便宜的 3 班單程航班,逐項檢查慢在哪裡,並把模型改用 priority、取消每次都經過住宅代理這兩項設定調整。搜尋時間從 30.7 秒降到 20.7 秒,example.com 的測試則從 10.3 秒降到 6.5 秒。作者也提醒,速度比較要確認任務正確率相同;有些看似更快的做法,會讓答對率下降。
推薦理由:這次實測拆出代理瀏覽器搜尋變慢的多個原因,也比較兩項設定調整前後的耗時,並提醒速度比較必須維持相同的任務正確率。
Dev.to Top Tech品質評分7373 GPT-5 用斯洛伐克語更耗 token,作者比較 204 種語言找原因
同一句話用斯洛伐克語送進 GPT-5,可能比用英文花更多 token,讓費用增加,也更快用完上下文視窗。作者用相同的 1,012 句內容測試 204 種語言和 35 種 tokenizer,發現 GPT-5 切分斯洛伐克語所需的 token 是英文的 1.68 倍;作者認為,主要原因是訓練資料中的斯洛伐克語較少。文章也提醒,選模型時要把語言造成的 token 差異算進成本,並用實際 tokenizer 計算 RAG 文字分段;token 較省也不代表模型回答得比較好。
aihot精選品質評分6666 ChatGPT 推出 Space,集中管理頁面、投影片、圖片與檔案
找頁面、投影片和檔案時,內容分散在不同地方不容易整理。ChatGPT 推出 Space,讓使用者在側邊欄集中管理頁面、投影片、圖片、檔案和上傳內容,也能用 ChatGPT 寫作、研究、生成圖片和製作互動圖表。使用者可以把想法做成有圖片和圖表的投影片,再邀請別人一起協作;頁面和投影片也能從已連線的工具自動更新,讓待辦清單、專案進度或旅行行程跟上最新變動。
推薦理由:Space 把頁面、投影片與檔案放在同一處,也能從已連線的工具自動更新,呈現它在內容協作與追蹤工作上的用法。
Dev.to Top Tech品質評分6363 Windows 上 MCP 伺服器遇到「spawn npx ENOENT」時,如何用 cmd /c 修正
在 Windows 上設定 MCP 伺服器時,有些使用者端直接啟動 npx 會找不到程式,出現「spawn npx ENOENT」或連線失敗。這篇教學說明,可把設定中的 command 改成 cmd,並在 args 最前面加入 /c 和 npx,讓 Windows 透過命令提示字元執行 npx;改好後要完全關閉再重新開啟使用者端。文章也提醒,並非每個使用者端都需要這項設定,近期 Codex 可能已能直接處理;若仍失敗,可檢查 Node.js 是否安裝、使用者端是否讀到 PATH,以及伺服器指令能否在終端機正常執行。
Greg Brockman@gdb品質評分4343
Artificial Analysis@ArtificialAnlys品質評分4242
ChatGPT@ChatGPT精選品質評分7272



推薦理由:Space 把 ChatGPT 的協作和內容更新放進同一個流程,也支援用手機編輯,適合瞭解它能怎麼用來製作互動頁面、簡報與網站。
Dev.to Top Tech品質評分6666 如何在 LLM 功能上線前做好評估:實用指南
展示用的幾個好答案,不代表 LLM 功能真的能應付使用者的各種問題。這份指南教團隊先把功能的工作範圍說清楚,再用真實且去除個人資料的案例建立測試集,涵蓋資訊不足、說法矛盾和試圖套出不該公開內容的情況。檢查方式要配合出錯的後果,例如用程式確認輸出格式、請人檢查重要事實,並分開測量 RAG 有沒有找到正確資料,以及模型有沒有根據資料回答。團隊也應先訂好哪些錯誤會擋住上線,再反覆重跑測試,確認修改後沒有帶來新問題。
Dev.to Top Tech品質評分6868 Codex 搭配 GLM-5.3-Flash:終端測試排名第 4,真實專案測試排名第 10
同一組 Codex 和 GLM-5.3-Flash,為什麼在兩個排行榜上差了好幾名?作者把兩邊的測試放在一起比較,發現一邊只測終端操作,Codex 排第 4;另一邊也測真實程式專案,Codex 在修功能、找錯誤的 DeepSWE 測試中落後許多,總排名第 10。兩邊使用的 Codex 版本和設定也不同,但作者無法確認這是否造成差距。這提醒使用排行榜時要先看它測的是哪種工作;測試結果不一定能代表自己的程式專案。
Dev.to Top Tech品質評分6060 Sora 停止網頁版、App 和 API 的日期,以及停運原因的推測
OpenAI 已確認 Sora 網頁版和 App 於 2026 年 4 月 26 日停止服務,API 則於 9 月 24 日停止。作者提醒,網路上整理的競爭者排名、營收和每秒影片價格都還不能當成定論;要公平比較影片價格,必須先確認日期、解析度、片長和使用條件。把價格當成 Sora 停運的唯一原因,是作者的解讀,並非已確認的事實。
MIT Technology Review · AI品質評分6969 METR 更新 AI 能力曲線圖,加入需要判斷力的任務
AI 模型在寫程式等容易自動檢查答案的工作上進步很快,但這能不能延伸到研究方向選擇等需要判斷力的工作,仍不清楚。METR 更新了用來比較模型與人類任務表現的曲線圖,加入設計 AI 評測和評分哲學論證等較開放的任務。最先進的模型在軟體工程上已勝過幾乎所有人類,卻還沒有設計出 METR 員工認為能用於研究的評測。這些新任務的數量不多、評分也不容易,因此目前還難以據此推算模型未來能否自動進行 AI 研究與開發。
Dev.to Top Tech品質評分3939 澳洲 AI 近況:Anthropic 資料中心引發抗議,AI 助理開始走進客服中心
澳洲最近同時出現 AI 投資、資料中心爭議和新應用:政府一輪補助拿出 81 million AUD,支援 30 個合作研究計畫,其中包括醫療檢查和農業影像辨識。昆士蘭州一座計畫中的大型資料中心則引來地方居民反對;近 600 份意見中,約 250 人反對,擔心水源、電力和農地受到影響。 保險公司 Auto & General 已開始在客服中心使用 AI 助理,協助處理複雜保單問題和車禍理賠資料,也能在人工監督下更新資料。另一份獨立報告則認為,Services Australia 迅速報告 OpenAI AI 助理未經授權進入 Medicare 入口網站,是正確的處理方式。
Gary Marcus@GaryMarcus品質評分4444
Arena.ai@arena品質評分4444Where’s Your Ed At (Ed Zitron)品質評分4141 AI 泡沫為何越吹越大?又該怎麼阻止它再度膨脹
AI 泡沫越吹越大,媒體、銀行、科技公司和投資人都能從中受益,卻很少有人認真追問:AI 到底賺了多少錢?作者認為,大家容易被大公司和大數字說服,也會把提出質疑的人當成唱反調。像是雲端服務商說成長來自 AI,卻沒有說清楚 AI 帶來多少收入;OpenAI 在 2024 年則虧損 $5 billion。文章也提醒,LLM 確實可能成為網路犯罪者的新工具,但這不代表 AI 一定會實現所有承諾。作者接下來要談如何用規則和社會行動,減緩炒高估值的風氣,避免泡沫繼續擴大。
Dev.to Top Tech品質評分5353 Cloudflare 可能擋住 AI 搜尋爬蟲,作者教你快速檢查網站設定
網站可能允許 AI 搜尋工具讀取頁面,卻不讓它們用內容訓練模型;也可能在防火牆擋住搜尋爬蟲,讓網站無法出現在 AI 回答裡。作者教你先檢視 robots.txt,再用 curl 比較一般訪客和搜尋爬蟲收到的回應碼,檢查 Cloudflare 是否擋住它們。文中也提醒,假冒爬蟲身分測試不一定和真正的爬蟲結果相同;若看到 403,可再到 Cloudflare 設定確認。搜尋和訓練爬蟲可以分開設定,網站管理者能依自己的選擇開放或封鎖。
Dev.to Top Tech品質評分5252 從 75% 失敗警示到凍結訴訟:作者分析 AI 安全門檻怎麼設
警示門檻設得太高,問題可能累積到造成損害才被人發現。作者以 Census 的同步功能為例,指出「Failed Records」預設要有 75% 的資料無效或遭拒才會通知;失敗比例即使達到 74%,仍可能不會響。作者建議重要同步改成任何一筆出錯就通知,並在第一次違規時提醒,再搭配資料筆數偏離平常狀況的警示。文章也提到,四個非營利組織於 11 月 12 日在舊金山高等法院起訴 Anthropic、Google、Meta、OpenAI 和 SpaceX AI,要求凍結高於當日能力水準的開發。作者將訴訟爭議連到警示門檻,認為門檻實際決定了問題何時會被處理。
O'Reilly Radar品質評分4040 本週 AI 觀察:AI 走進現實後,企業遇上哪些考驗
AI 開始幫企業處理工作和購物,但新模型變強了,還是有些麻煩沒解決。Anthropic 把 Claude 擴充套件成工作平臺,也推出讓企業把登入資料和工作紀錄留在自家裝置上的方案;OpenAI 則讓商家在 ChatGPT 上介紹商品,AI 助理也能協助購物,但付款前仍要由使用者確認。航空公司、銀行和零售業者擔心隱私、安全與誤買,已開始限制外部 AI 助理使用服務。 AI 助理也可能記錯以前的經驗,或回答錯了卻聽起來很有把握。研究人員正在設計方法,讓 AI 助理查清楚記憶從哪裡來,也讓人看出模型何時不確定。另一方面,NVIDIA 創辦人黃仁勳離開執行長職務後,公司正尋找接任者;相關指控仍未證實。這些發展提醒企業,AI 要真正派上用場,還得處理好安全、責任和出錯時怎麼補救。
ChinaTalk品質評分6464 ChinaTalk 走訪 CoRL:機器人進步不少,離通用幫手仍很遠
機器人能在展場完成一些動作,不代表它們已能在家裡或工廠可靠地處理各種工作。ChinaTalk 團隊走訪 CoRL,看到中國廠商供應許多機器人硬體,也聽到研究者討論專用機器人模型和通用 AI 模型該走哪條路。Anthropic 的 Fable 5.2 在 RoboDojo 展現了控制兩支機械手臂的成果,但研究者對通用能力如何實現仍有不同看法。家務環境變化多,機器人也可能比人慢、成本更高,還需要更多訓練。這些限制說明,展場上的進步離成為日常生活中的可靠幫手,還有一段距離。
Dev.to Top Tech品質評分7070 OpenAI 用 Codex AI 助理排查 ChatGPT 效能問題,作者分析背後流程
ChatGPT 變慢時,找出問題、提出修正並確認是否改善,往往需要工程師一步步處理。OpenAI 的 Performance Factory 讓 Codex AI 助理調查效能退步、提出修正,再由工程師審核;修正部署後,另一個 AI 助理會確認問題是否消失。作者指出,這套流程把工作拆成可接續的任務,並用事件通知 AI 助理何時繼續,也替每個 AI 助理設定有範圍的許可權。OpenAI 表示,系統運作三個多月來已調查超過 1,700 次、找出超過 600 個問題根因,平均每天自動調查 17 次。作者也提醒,團隊還得安排人力判斷哪些調查最重要,並持續檢查 AI 助理是否退步或遇到工具故障。
Dev.to Top Tech品質評分6363 如何用 Nodus 分批產生數百萬筆檔案的嵌入向量
檔案一多,逐筆產生嵌入向量會花很多時間,也可能因工作中斷而重做。這篇教學把資料切成固定小份,交給多個 GPU 工作同時處理;每份完成後各自存檔,工作重新啟動時就能跳過已完成的部分。作者也測試了中途強制停止再繼續執行,完成的向量與不中斷執行相同。文中估算,用 L40S 處理 1,000 萬筆、每筆 512 個 tokens 的檔案,GPU 費用約 $6.17;但自架模型和 API 的排序效果不同,仍要用自己的搜尋問題評估。
aihot品質評分5656 MIT 數學家談 AI 如何改變數學研究
AI 開始解出沒有答案的數學問題後,數學家也在思考:答案要怎麼確認,人類又該如何理解背後的推理。MIT 舉辦座談,邀請來自 MIT、哈佛、西北大學和紐約大學的數學家討論這些變化。有人認為,AI 產生的證明難以看懂,數學仍需要人的理解;也有人提出,研究者可以把重點放在解釋證明、分享想法。座談也談到期刊收到更多 AI 生成或協助完成的投稿,有些期刊因此增加編輯,並嘗試用影片呈現數學研究。對學生來說,學會說明自己理解了什麼,也變得更加重要。
MIT News · AI品質評分5757 MIT 等校數學家討論 AI 如何改變數學研究
AI 開始解出一些沒有答案的數學難題,也讓數學家擔心,人們是否還能理解證明過程,以及怎麼判斷研究成果的價值。MIT 舉辦座談,邀請 MIT、哈佛等校的數學家討論這些變化。有人認為,AI 產生的證明有些難以理解,數學仍需要人的理解;也有人主張,研究不該只看誰最先解出題目,還要重視能否清楚說明思路。與會者也談到期刊收到更多 AI 協助完成的論文,以及學生面對 AI 工具時如何學好數學。
Dev.to Top Tech品質評分5959 如何監測 AI API 是否正常,並設定告警
AI API 回傳 200,不一定代表模型真的能回答;回應太慢、金鑰失效或只有特定模型故障,也會讓使用者遇到問題。作者建議分開檢視供應商狀態頁、用金鑰讀取模型清單,以及定時送出小型模型請求;真正確認模型能運作,要檢查回應裡是否有完成原因欄位。設定告警時,可從多個地區探測,連續失敗 2 或 3 次再通知,並依實際延遲設定慢速門檻。探測應使用有支出上限的專用金鑰;這種小型請求無法檢查回答品質,也看不到串流中途停止等問題。
Dev.to Top Tech品質評分4444 AI、機器學習和 ChatGPT 有什麼不同?用新手地圖一次搞懂
AI 是讓電腦處理需要人判斷的事情,機器學習是其中一種做法,ChatGPT 則是用這種技術做出的聊天工具。比方說,垃圾郵件太多,沒人能替每一封信都寫好判斷規則;機器學習會從大量標記好的郵件中找出規律。ChatGPT 會根據讀過的文字猜接下來可能出現什麼,因此能寫文章、解釋概念,也可能很有把握地講錯。記住這三者的差別,就能把 ChatGPT 當成協助學習的工具,重要內容再查可靠來源。
Gary Marcus (The Road to AI We Can Trust)品質評分5858 Gary Marcus 認為 Anthropic 股價下跌,AI 股票也正在走弱
Anthropic 上市後股價下跌,作者認為這不只是單一公司的狀況,整個 AI 投資市場也在走弱。文中提到,Anthropic 股價從 111 跌到 97,盤前看來可能再跌約 9% 至 88;SpaceX 也預計以低於 135 的價格開盤,SoftBank 一夜下跌 14.5%。Gary Marcus 據此判斷,OpenAI 在這種市場氣氛下難以用 1 兆美元估值上市,也警告公司可能面臨現金不足。這些是作者對市場走勢與資金風險的看法。
雷科技品質評分5757 華為推出 OSTA 星芒 O1 Pro,讓小藝成為手機互動核心
手機裡的 AI 助理常要人先叫醒,也不一定能把不同應用裡的事情接著做。華為推出 OSTA 星芒 O1 Pro,讓小藝成為手機的主要互動入口,並加入記憶功能,讓它能連結使用者的偏好與不同情境。例如,使用者收藏演唱會資訊後,小藝可以參考常去的餐廳,並在散場前規劃返回飯店的路線。手機也提供小藝 AI 屏和小藝空間,方便檢視日程、長期任務與當下需要的服務;產品售價 5499 元起,已正式開賣。
Dev.to Top Tech品質評分7474 如何設計自動化軟體工廠,讓 AI 助理完成開發與合併
讓 AI 助理自己挑工作、寫程式並合併,最大的難題是出了錯時沒有人盯著每一步。作者分享一套自動化軟體工廠:人先訂產品目標並核准每個開發週期,AI 助理負責整理需求、設計、實作和檢查;CI 會確認整個產品流程能正常運作,合併關卡則只放行檢查通過的程式版本。作者主張把規則寫清楚哪些事情不能越界、每一步要留下什麼證據,讓 AI 助理自行決定中間做法。遇到產品行為、許可權或外部連線等需要人決定的事,才送交人處理。
BlockTempo 動區動趨品質評分7171 OpenAI 強化 GPT-6.2 防蒸餾,隱藏推理提取成功率降至 1% 以下
AI 助理如果要接著長對話工作,開發者可能想改寫舊訊息或整理成摘要,但這些變動會讓先前的推理無法沿用。OpenAI 說明,GPT-6.2 的推理內容會繫結之前的對話;改寫或插入舊訊息後,API 會移除受影響的推理,模型可能得重新計算,增加 token 用量、成本與等待時間。OpenAI 以六個攻擊模型進行紅隊測試,GPT-6.2 Astra 和 Sol 的隱藏推理提取成功率,在先前輪次與當次請求兩種測試中都低於 1%。開發者可保留原對話並往後追加,也能透過 API 回傳資訊和用量儀錶板檢視推理為何遭移除。
Dev.to Top Tech品質評分6363 程式碼加行號最多多花 42% token,作者比較五種格式
AI 助理要指出程式碼哪一行有問題時,加上行號很方便,但送出的文字也會變多。作者用 Python 3.13 標準函式庫的 131 個檔案比較五種格式,發現常見的 cat -n 排版會讓程式碼多出 42.4% 的 token;行號前補空格也會增加成本。若不需要整份檔案的行號,可以只替相關片段編號,或用「行號加 Tab」的格式,降低額外用量。作者使用 OpenAI 的 o200k_base tokenizer 計算,沒有測試行號是否能提升回答準確度;其他模型的實際比例也可能不同。