Virgin Atlantic 如何用 Codex 加速交付
Virgin Atlantic 借助 Codex 在固定的假日出行截止日期前交付了改版后的移动应用,单元测试覆盖率接近 100%,P1 缺陷为零。Codex 在该项目中承担了测试编写与代码交付的支撑工作,帮助团队在紧张排期内完成上线。
Virgin Atlantic 借助 Codex 在固定的假日出行截止日期前交付了改版后的移动应用,单元测试覆盖率接近 100%,P1 缺陷为零。Codex 在该项目中承担了测试编写与代码交付的支撑工作,帮助团队在紧张排期内完成上线。
Ramp 工程师使用 Codex 搭配 GPT-5.5 进行代码审查,把获得实质性反馈的时间从数小时缩短到几分钟,并更快地推进改进上线。
Google DeepMind 介绍剑桥大学 Clare Bryant 教授使用 Co-Scientist 寻找病原体跨物种传播引发重症的分子开关。Bryant 先后输入课题摘要与完整基金申请书,工具生成并排序假设,最终锁定她此前未关注的蛋白并细化到具体氨基酸,团队正构建含相应突变的细胞系验证。她表示原本需两到三年的实验工作如今有望在六个月内完成。
Google DeepMind 的 Co-Scientist 帮助爱丁堡大学生物工程师 Filippo Menolascina 团队缩小 MASH 联合疗法的搜索空间,并针对 resmetirom 只对少数合格患者起效的问题提出假设,将 NLRP3 inflammasome 指认为连接炎症与代谢的分子桥梁,该假设随后经实验验证,有望为靶向双联疗法铺路。
MIT 的 Ritu Raman 借助 Google DeepMind 的 Co-Scientist,将原本需数月梳理的 ALS 文献压缩为可快速验证的假设,并按可行性与风险回报排序研究方向。
OpenAI 介绍了 ChatGPT Work 的四类实用运营工作流,分别用于撰写倡议简报(initiative briefs)、战略更新(strategy updates)、决策包(decision packets)和进度汇报(progress reporting)。文章以教程形式给出具体操作方法,面向企业用户在日常运营场景中落地 ChatGPT Work。
Hugging Face 博客讲解如何通过分离 CPU 与 GPU 工作负载来提升 LLM 推理性能。同步批处理下 CPU 与 GPU 交替等待,8K tokens、batch size 32、8B 模型的测试中 GPU 空闲占 24.0%,总耗时 300.6 秒。
推荐理由:原文用可复现的 profile 数据展示了同步批处理的空闲浪费,并给出基于 CUDA streams 与 events 的具体改造路径。
OpenAI 介绍了如何为 Codex 在 Windows 上构建安全有效的沙箱,实现受控的文件访问和网络限制。该方案让 Codex 能在 Windows 环境中运行,同时通过沙箱机制约束其文件与网络权限,保障执行安全。
ChatGPT Work 提供一套面向财务场景的实操工作流,覆盖报告、差异分析、预测、月度复盘以及可直接用于决策的财务交付物。原文为教程类内容,未给出具体模型版本、参数或 benchmark 数据。
AutoScout24 Group 使用 Codex 和 ChatGPT 构建 AI 驱动的工作流,以加快开发周期、提升代码质量并扩大 AI 采用范围。
Parameter Golf 活动吸引 1,000+ 参与者、收到 2,000+ 提交,在严格约束下探索 AI 辅助机器学习研究、coding agent、量化与新型模型设计。活动揭示了 AI 辅助研究在受限条件下的实践经验。
Hugging Face 发布系列文章首篇,分析 AWS 基础设施与开源软件栈在基础模型预训练、后训练和推理全生命周期中的集成方式。AWS 提供 P5(H100/H200)、P6(B200/B300)等 EC2 实例,覆盖计算、网络、存储三层构建模块。文章面向 ML 工程师与研究者,为理解系统瓶颈和扩展特性提供技术基础。
OpenAI 阐述企业如何把 AI 从早期试验推进到持续产生复利式影响,路径涵盖信任、治理、工作流设计与规模化质量把控四个环节。文章属方法论与分析类内容,未给出具体模型版本、benchmark 分数或价格数据。
OpenAI 通过沙箱、审批机制、网络策略和智能体原生遥测,安全合规地运行 Codex 编码智能体。这套方案支持企业在内部安全落地编码智能体,兼顾安全与合规要求。
PipelineRL 通过修复 processed rollout logprobs、V1 运行时默认值、inflight 权重更新路径和 fp32 lm_head 四项问题,使 vLLM V1 在 GSPO 训练中的 clip rate、KL、entropy 和 reward 指标回归 vLLM V0 参考轨迹。
GPT-5 出现了被称为 goblin 的人格化怪异输出,文章梳理了这一现象的时间线、根本原因与修复方案。内容聚焦 GPT-5 行为中由人格驱动的怪癖,解释 goblin 类输出如何在 AI 模型中扩散。
Hugging Face 官方博客介绍了用 OpenAI 本周在 Hub 上开源的 Privacy Filter(1.5B 参数、50M 激活参数、Apache 2.0 许可。
OpenAI 分享了 ChatGPT Work 的实用工作流,涵盖日常重复任务、更新、研究、规划和团队运营等场景。
Hugging Face Blog 发布教程,讲解如何在 Manifest V3 约束下用 Transformers.js 在 Chrome 扩展中运行本地 AI。
Hugging Face 官方博客给出用 Sentence Transformers 训练和微调多模态 embedding 与 reranker 模型的完整教程。
推荐理由:以完整可跑的训练脚本和 NDCG@10 对比表说明领域微调收益,读者可直接迁移方法到自己的数据。
Hugging Face 发布了一个 Skill 和配套的非 agent 测试工具,帮助贡献者把模型从 transformers 移植到 mlx-lm,让新模型加入 transformers 后能很快在 MLX 上可用。
OpenAI 发布了一篇面向初学者的 AI 基础指南,讲解什么是 AI、AI 如何工作,以及 ChatGPT 等工具如何使用大语言模型(LLM)。
OpenAI 发布 ChatGPT 提示词基础指南,教用户如何写出清晰、有效的提示词,以从 ChatGPT 获得更好、更有用的回答。
ChatGPT 可用于头脑风暴、整理思路,并把粗略想法转化为结构化、可执行的计划。文章讲解了用 ChatGPT 发散创意、组织思考并落地为具体行动方案的方法。
ChatGPT 为营销团队提供一套实用 AI 工作流,帮助规划营销活动、创作内容、分析表现,并将洞察转化为行动。
ChatGPT 支持通过清晰的提示词创建和打磨图像,用户可在几分钟内迭代设计并生成高质量视觉内容。
OpenAI 介绍了在 ChatGPT 中处理文件的实用方法,涵盖从文件中查找信息、整理、转换,以及在工作流中使用文档等场景。
OpenAI 教你如何创建和使用 ChatGPT skills,以构建可复用的工作流、自动化重复任务,并确保输出一致且高质量。
ChatGPT 帮助管理者准备对话、撰写清晰反馈、保持条理并提升团队效能。文章介绍了管理者使用 ChatGPT 的具体场景,包括会前准备、反馈写作与日常组织管理。
OpenAI 发布指南,讲解如何在使用 ChatGPT 等工具时负责任且安全地运用 AI,涵盖安全性、准确性与透明度方面的最佳实践。
OpenAI 发布教程,讲解如何用 ChatGPT 探索数据集、生成洞察、创建可视化图表,并把分析结果转化为可执行的决策。
OpenAI 发布 ChatGPT 写作指南,介绍如何用 ChatGPT 起草、修改和润色内容,让文本具备清晰的结构、语气和意图。
ChatGPT 提供面向销售团队的实用工作流,覆盖客户调研、会议准备、外联触达、销售管道复盘与销售执行等环节。
ChatGPT 支持通过 custom instructions 和 memory 两项功能实现个性化,让回答更相关、更一致、更贴合用户需求。custom instructions 用于设定长期偏好,memory 则让模型记住跨对话的上下文信息。
OpenAI 发布面向财务团队的 ChatGPT 工作流指南,覆盖财务分析、报告、规划与决策沟通等场景。指南提供可直接落地的实操方法,帮助财务团队用 ChatGPT 提升日常工作效率。
ChatGPT 结合 search 和 deep research 功能,可帮助用户查找最新信息、分析来源并生成结构化洞察。该功能面向研究场景,支持从检索到结论的完整流程。
ChatGPT for research 教你用 ChatGPT 收集资料来源、分析信息,并产出结构化、带引用支撑的研究洞见。
OpenAI 介绍了如何在 ChatGPT 中使用 Projects 来整理聊天、文件和指令,管理进行中的工作,并提升协作效率。
Mistral AI 发布 CLI 工具 Spaces,用三条命令即可从零跑起带热重载、数据库和 Dockerfile 的多服务项目。
Hugging Face 给出两条迁移路径,让因 Anthropic 限制 Claude 模型访问而受影响的 OpenClaw、Pi、Open Code 智能体改用开源模型继续运行:通过 Hugging Face Inference Providers 托管调用(推荐 GLM-5),或用 llama.cpp 在本地跑 Qwen3.5-35B-A3B(32GB RAM 可用)。