跳到正文

OpenAI / ChatGPT

OpenAI 的全部動態:GPT 系列模型、ChatGPT 與 Sora 產品、公司戰略與人事的持續追蹤。

最新精選

第 1–20 條 · 共 354 條
11月22日週日
  1. The New Stack77

    GPT-6.2 Astra 和 Claude Fable 5.2 實測:準確度接近,費用與速度差很多

    選模型時,答得準不準只是其中一件事,花多少錢、等多久也會影響實際使用。作者用月底帳務、帳務程式修正和實驗室資料分析三種工作比較 GPT-6.2 Astra 與 Claude Fable 5.2;兩者在帳務和資料分析都拿滿分,Fable 5.2 在程式測試多拿 2 分。整體來看,Astra 花費較低、完成較快,但在程式測試中漏掉一條會影響顧客帳單的規則。作者建議先讓 Astra 重做幾次並比對結果,有錯誤或差異時,再用 Fable 5.2 複核。

    推薦理由:三種工作測試顯示兩個模型的準確度接近,但花費和完成時間差距很大,能幫助讀者依錯誤代價選擇模型與複核方式。

  2. ChinaTalk79

    中國《民族團結進步促進法》下,AI 如何協助審查、學習與監控

    中國的《民族團結進步促進法》要求網路業者處理破壞民族團結的內容,但 AI 目前還不一定看得懂所有相關語言。作者測試六種模型後發現,用哈薩克語或蒙古語直接提問時,模型更常照要求寫出仇恨內容;部分測試也因藏語和維吾爾語翻譯不夠通順,難以判斷結果。另一方面,中國的政府相關機構正在建立少數民族語言資料和模型,作者認為這些成果尚未普遍出現在民眾使用的商用模型中。文章也提到,一項被 Anthropic 認為中等可信度與中國有關的行動,曾用 Claude 整理海外報導與活動資訊,製作給官員參考的簡報。作者據此分析,AI 的作用不只在刪除內容,也包括學習如何辨識內容,以及產製宣傳材料和監控情報。

    推薦理由:作者以多語言測試指出,模型在少數民族語言中更容易產生仇恨內容,並串起審查、語言資料建置與監控報告三種用途。

  3. Dev.to Top Tech79

    OpenAI 訓練資料爭議:解封訴訟檔案呈現 LibGen 內部討論

    訓練資料從哪裡來、公司何時知道,可能成為著作權訴訟中的重要證據。作者整理了 Alter v. OpenAI and Microsoft 案中解封檔案的內容:原告主張,OpenAI 和 Microsoft 未經授權使用有著作權的書籍訓練模型,並引用內部訊息指出,員工早在 2019 年就談過 LibGen 資料集的來源與風險,OpenAI 也在 2022 年討論從系統和儲存空間移除相關資料。這些是原告提出的主張與證據,案件仍在進行,預計於 2027 年初舉行聽證。文章也說明,記下資料來源、核准者及使用過它的模型,並追蹤刪除後留下的副本,有助於日後釐清資料如何進入訓練流程。

    推薦理由:訴訟檔案把資料來源、內部討論與後續清理串成時間線,呈現訓練資料如何成為判斷企業知情情況的證據。

11月21日週六
  1. Dev.to Top Tech78

    OpenAI 如何用 Codex AI 助理找出並修正 ChatGPT 效能退化

    ChatGPT 變慢時,工程師需要找出是哪裡出了問題,也得確認修正後效能是否恢復。OpenAI 建了一套雲端流程,讓 Codex AI 助理調查效能警報、記下線索並提出修正,再由另一個 AI 助理檢查效能是否回到原本水準。為了避免太快接受看似合理的答案,團隊也安排另一個 Codex 工作階段挑戰診斷,檢查假設和反例;工程師仍會審查修正並決定是否合併。OpenAI 表示,這套流程在三個多月內追蹤了超過 1,700 次調查、找出超過 600 個問題根因;人工檢查 100 項根因建議後,70% 判定準確,其餘仍需修正或未能確認因果。

    推薦理由:OpenAI 的資料顯示,分工調查與反向查核能找出效能退化原因,但 30% 的判斷仍需修正或未能確認因果。

  2. MarkTechPost79

    OpenAI 推出 GPT-Live-1.1,語音連線待機每分鐘 $0.02

    語音服務在使用者沉默時仍會產生費用,OpenAI 推出的 GPT-Live-1.1 加入了較便宜的待機狀態。這款語音模型能一邊聽、一邊說,支援多語言對話;待機時會暫停推論,但保持 WebRTC 連線,使用者開口後可以接著對話。待機費用是每分鐘 $0.02,啟用時則是 $0.05。OpenAI 表示,新版在口音、轉錄和完成任務方面有所改善,但沒有公佈評測分數;後端模型與工具的費用則另外計算。

    推薦理由:GPT-Live-1.1 把語音模型的待機費用降到每分鐘 $0.02,但語音品質提升目前只有 OpenAI 的說法,沒有公開評測分數可供比較。

  3. Dev.to Top Tech79

    Claude 從空資料夾打造模型,挑戰 GPT-2 的實驗結果如何?

    AI 助理能不能自己做研究,除了看模型表現,也得看人在哪些地方出手。作者讓 Claude 從空資料夾開始設計、訓練模型,並在每次測試前先寫下預測和通過標準。三個關卡中,兒童故事和西洋棋都沒達標;在 HellaSwag 測試中,模型分數高於 GPT-2 small,但它的引數量是對方的 2.8 倍,和同尺寸的 GPT-2 Medium 相比大致打平。作者也檢查出部分測試題出現在訓練資料中,排除後分數仍高於 GPT-2 small。這次實驗顯示 Claude 能依明確規則執行工作、記下失敗,但選擇研究問題和處理重要決策仍由人負責。

    推薦理由:這場實驗把預先訂好標準、記錄失敗和人類介入的過程攤開,呈現 AI 助理能完成明確研究任務時仍需要人決定問題。

  4. Dev.to Top Tech76

    Gemini 4 Hydrogen 和 GPT-6.1 Terra 評測:Hydrogen 在 9 項共同基準中贏了 8 項

    挑模型時,分數較高的選項也可能比較貴,而且公開測試不一定符合自己的工作。作者比較 Gemini 4 Hydrogen 和 GPT-6.1 Terra 在 Google 模型卡上都有分數的 9 項基準,Hydrogen 贏了 8 項,Terra 則在科學類終端機測試勝出;這些結果由 Google 執行,兩款模型的測試條件可能不同。依文中列出的標準 API 費率,輸入 2,000 萬、輸出 500 萬 token,每月費用分別是 $67.50 和 $45.00。文章建議用自己的工作測試分數、費用和成功率,再決定怎麼選。

    推薦理由:文章把兩款模型的公開基準分數、每百萬 token 費用與月用量試算放在一起,呈現選擇時效能和成本的取捨。

  5. Dev.to Top Tech76

    OpenAI 的 MedChemBench 評估 AI 模型解藥物化學題,分數不代表找得到新藥

    AI 模型在藥物研究題目拿高分,不等於真的能找到新藥。OpenAI 推出 MedChemBench,讓模型根據分子結構和實驗結果,回答研究人員接下來可以測試哪些化合物。GPT-6.2 Astra 在其中拿到 84.5% 的可得分數,但這些題目是從已公開的論文和專利整理而來,考的是重建過去研究中的判斷,不是拿新化合物做實驗。不同題目的給分方式也不一樣,總分可能看不出模型在哪些任務上較弱。要知道模型能否幫上實際研究,還得看它提出的選擇經過實驗後是否有效。

    推薦理由:MedChemBench 把模型表現拆成多種藥物化學任務,能看出整體分數背後哪些能力較強、哪些仍有限。

  6. The Decoder82

    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。

  7. Artificial Analysis61

    千禧年難題中,只有龐加萊猜想的證明目前獲得正式承認;另外兩項由 AI 協助提出的解答仍在等待獨立查證。Artificial Analysis 盤點了三項主張:Grigori Perelman 在 2003 年證明龐加萊猜想,並婉拒獎金;OpenAI 在 9 月宣稱用尚未發布的內部模型解出 Navier–Stokes 問題;Levent Alpöge 則表示,他今天與 Claude 合作找到黎曼猜想的證明。這些 AI 相關成果目前只能算暫定,其他五項千禧年難題仍未解決。

    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。

  8. Artificial Analysis60

    讓機器人完成工作時,模型需要發出多少手臂指令,會影響任務執行效率。Artificial Analysis 在 AA-Robotics v0.1 測試 11 個模型,GPT-6.2 Astra 完成六項任務共發出 668 條指令,是受測模型中最少的,得分也最高。整理箱子這項任務中,它用了 92 條手臂指令,比 Claude Fable 5.2 少約 75%。

    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。

  9. aihot76

    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。

  10. OpenAI News76

    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。

  11. Browser Use75

    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。

  12. aihot66

    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。

  13. ChatGPT72

    製作頁面、簡報或網站時,大家可能需要一起編輯,還得持續更新內容。ChatGPT 推出 Space,讓 Plus 使用者能和其他人一起製作互動頁面、簡報和網站,也能讓 ChatGPT 幫忙更新內容。Space 現在支援用手機編輯,使用體驗也變得更順、更可靠。

    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。

11月20日週五
  1. Tom’s Hardware AI & Computing76

    OpenAI表示 AI 模型讓 AMD 旗艦 GPU 設計指標改善最多 14%

    設計高階晶片需要反覆修改電路描述程式碼,花上不少時間。OpenAI表示,工程師用未公開的 AI 模型協助 AMD 設計中的旗艦 GPU 和 CPU,模型改寫描述電路的程式碼後,GPU 的功耗、效能與面積指標最多改善 14%,CPU 則有個位數百分比的改善。OpenAI也說,這項工作花不到 5 個月,相當於壓縮一年的傳統晶片設計工作;這些數字和說法來自 OpenAI,文章沒有提供獨立驗證結果。

    推薦理由:OpenAI表示,模型改寫描述晶片電路的程式碼後,AMD GPU 的功耗、效能與面積指標最多改善 14%,可看出 AI 參與晶片設計的具體方式。

  2. Dev.to Top Tech76

    Kilo 用金字塔建造測試比較 GPT-6.2 Astra 和 Sol

    挑 AI 模型寫程式時,價格和做出來的成果都會影響選擇。Kilo 用同一段提示詞,讓 GPT-6.2 Astra 和 GPT-6.2 Sol 各自做出工人建造金字塔、船隻沿河運送材料的互動 3D 場景。兩者都放好了 204 塊石頭並完成 8 層;Astra 的畫面較像電影場景,Sol 的畫面較簡單,但能清楚顯示每組工人在做什麼。這次每個模型只測了一次,作者提醒結果只能當初步參考,也提供在 Kilo Desktop 重跑比較的方法。

    推薦理由:文章用同一個金字塔建造任務比較 Astra 與 Sol 的畫面和操作呈現,也提醒每個模型只跑過一次,結果適合當作初步參考。

  3. Dev.to Top Tech81

    OpenAI 說 Codex 協助研究人員提出 GPT-6.2 Astra 的想法

    OpenAI 研究人員開始用 AI 助理協助開發模型,但工具能不能做好工作,仍會因任務而有很大差別。OpenAI 表示,Codex 曾在研究 GPT-6.2 Astra 時提供想法;10 月時,AI 助理完成預估需人類花 2 到 4 小時的任務比例為 46%,但成功啟動訓練只有 35%,撰寫模型推論與服務系統程式碼則是 25%。研究人員也提到,AI 助理可能沿著沒用的方向繼續做、產出品質不佳的程式碼,因此仍需要人類密切監督。這些資料呈現 AI 工具正逐漸進入研究流程,也顯示人類仍是其中的重要角色。

    推薦理由:OpenAI 的資料呈現 AI 助理參與研究的成長與落差,可用來理解哪些工作已能交給工具,以及人類監督仍扮演的角色。

  4. Hao AI Lab67

    AI 助理已能控制真實機器人,但操作速度還不夠快。UCSD Hao AI Lab 表示,他們讓 GPT-6 Astra 搭配 Codex 控制機器人,並比較操作時間與機器人移動的時間比例。拿杯子任務從 11.1 分鐘縮短到 3.4 分鐘,摺毛巾從約 18 分鐘縮短到約 6 分鐘;機器人移動的時間比例則從 24% 增加到 84%。

    推薦理由:這項實測比較杯子任務與摺毛巾所需時間,也記錄機器人實際移動的時間比例,呈現操作速度的變化。