Google 开源 SpeciesNet 野生动物识别模型,可分类近 2500 个物种
Google 发布的开源模型 SpeciesNet 可对相机陷阱图像中的动物进行物种分类,覆盖 2,498 个类别,训练数据来自超过 65 million 张标注图像。
Google 发布的开源模型 SpeciesNet 可对相机陷阱图像中的动物进行物种分类,覆盖 2,498 个类别,训练数据来自超过 65 million 张标注图像。
OpenAI 推出 Codex Security,一款 AI 应用安全智能体,现已进入研究预览阶段。它通过分析项目上下文来检测、验证并修补复杂漏洞,以更高置信度降低误报噪音。
Descript 借助 OpenAI 推理模型实现了大规模内容库的自动本地化配音,在翻译过程中不丢失时间轴与语义。该方案让 Descript 得以对大量视频内容进行多语言配音扩展。
Balyasny Asset Management 通过严格的模型评估、全平台使用 OpenAI 和智能体工作流,重塑投资研究流程。
NXP 在 Hugging Face 博客发布在 i.MX 95 SoC 上部署 VLA 模型的实践指南,覆盖数据录制、ACT 与 SmolVLA 微调以及端侧优化。
OpenAI 发布 GPT-5.4,称其为面向专业工作、能力与效率兼备的前沿模型,具备 SOTA 级编码、计算机使用、工具搜索能力,并支持 1M token 上下文窗口。
OpenAI 推出 CoT-Control,发现推理模型难以控制自己的思维链,这反而强化了可监控性作为 AI 安全保障的价值。
OpenAI 发布 GPT-5.4 Thinking 的系统卡(System Card),正文内容抓取失败,目前仅有标题可用。
OpenAI 发布面向学校和大学的新工具、认证与测量资源,帮助教育机构弥合 AI 能力差距、扩大机会。
OpenAI 推出 Adoption 新闻频道,提供实用洞察与框架,帮助企业把 AI 进展转化为业务优势。
Hugging Face 官方博客介绍 Modular Diffusers,它用可复用的块(如文本编码、图像编码、去噪、解码)组合构建扩散流水线,作为现有 DiffusionPipeline 的灵活替代,API 保持一致。
推荐理由:原文给出可复用块的组合方式与自定义块写法,读者可据此判断如何改造现有扩散工作流。
OpenAI 推出 ChatGPT for Excel 和新的金融应用集成,由 GPT-5.4 驱动,用于加速受监管环境下的建模、研究与分析。
德甲俱乐部 VfL Wolfsburg 通过在全俱乐部范围内推广 ChatGPT,聚焦人而非试点项目,实现效率、创造力与知识的规模化提升,同时不丢失自身的足球特色。
OpenAI 提出五大 AI 价值模型,展示企业领导者如何从员工 AI 熟练度起步、逐步推进到流程重塑,以构建持久的业务优势。
Google Research 在论文《Bayesian teaching enables probabilistic reasoning in large language models》中,通过监督微调让 LLM 模仿贝叶斯助手的预测来学习概率推理。
一篇新预印本将单负振幅(single-minus amplitudes)推广到引力子,GPT-5.2 Pro 协助推导并验证了量子引力中非零的引力子树图振幅。
Axios COO Allison Murphy 阐述了公司如何用 AI 支持本地记者、简化新闻编辑室工作流程,并规模化交付高影响力的本地新闻报道。
OpenAI 推出 Learning Outcomes Measurement Suite,用于在多样化的教育环境中长期评估 AI 对学生学习成效的影响。该套件面向不同教育场景,追踪 AI 使用与学习成果之间的关系。
Photoroom 在 PRX 系列第三篇中把此前验证有效的扩散模型技巧组合起来,用 32 张 H200、约 $1500 总算力预算完成 24 小时文生图模型训练,并开源代码到 https://github.com/Photoroom/PRX 。
推荐理由:原文把像素空间训练、token 路由、感知损失等技巧的组合方式和超参写全,可直接复现其 24 小时训练配方。
Google DeepMind 发布 Gemini 3.1 Flash-Lite,称其为 Gemini 3 系列中最快、最具成本效益的模型,定价 $0.25/1M 输入 tokens 和 $1.50/1M 输出 tokens,即日起通过 Gemini API 在 Google AI Studio 面向开发者、在 Vertex AI 面向企业开放预览。
OpenAI 发布了 GPT-5.3 Instant 的 System Card,正文抓取失败,仅标题可用,暂无更多细节。
OpenAI 官方发布其与 Department of War(美国国防部战争部)的合同详情,说明了安全红线、法律保护措施,以及 AI 系统将在涉密环境中如何部署。
OpenAI 宣布获得 1100 亿美元新投资,投前估值达 7300 亿美元。其中 SoftBank 出资 300 亿美元、NVIDIA 出资 300 亿美元、Amazon 出资 500 亿美元。
推荐理由:原文给出了本轮融资的估值与主要出资方结构,读者可据此判断 OpenAI 的资金规模和产业资本绑定程度。
OpenAI 与 Amazon 宣布达成战略合作,将 OpenAI 的 Frontier 平台引入 AWS,扩展 AI 基础设施、定制模型和企业级 AI 智能体。
OpenAI 与 Microsoft 发布联合声明,表示双方将继续在研究、工程和产品开发上紧密合作,延续多年深度协作与共同成功的基础。
Amazon Bedrock 推出面向 Agents 的 Stateful Runtime 环境,为由 OpenAI 模型驱动的多步 AI 工作流提供持久化编排、记忆和安全执行能力。该环境让 Agent 在多步骤任务中保持状态,支持跨步骤的上下文延续与安全隔离执行。
OpenAI 公布心理健康安全工作进展,涵盖家长控制、可信联系人、改进的痛苦检测以及近期诉讼进展。
Google DeepMind 发布最新图像生成模型 Nano Banana 2(Gemini 3.1 Flash Image),将 Nano Banana Pro 的世界知识、质量与推理能力带到 Flash 速度,支持最多 5 个角色的主体一致性、14 个物体的保真度、512px 到 4K 的分辨率控制,以及基于网页搜索的实时信息 grounding。
推荐理由:原文列出了从 Pro 下放的能力和各产品线的落地入口,读者可据此判断它会怎样改变现有图像工作流。
OpenAI 与 Pacific Northwest National Laboratory 推出 DraftNEPABench,评估 AI 编码智能体加速联邦许可审批的能力,显示可将 NEPA 起草时间最多缩短 15%,推动基础设施审查现代化。
OpenAI 与 Figma 推出新的 Codex 集成,打通代码与设计,让团队可在代码实现与 Figma 画布之间来回切换,更快迭代并交付产品。
Hugging Face 官方博客介绍 Mixture of Experts (MoE) 的原理及其在 transformers 库中的工程支持。文章以 gpt-oss-20b 为例说明总参数与激活参数的区别(21B 总参数、每 token 激活约 3.6B),并给出 M3 Ultra 上约 115 tok/s 的实测速度。
推荐理由:文章把 MoE 原理与 transformers 库的加载、后端、并行改造串起来,读者可据此理解工程落地路径。
OpenAI 发布 2026 年 2 月威胁报告,分析恶意行为者如何将 AI 模型与网站、社交平台结合滥用,以及这对检测与防御意味着什么。
OpenAI 任命 Arvind KC 为首席人力官(Chief People Officer),负责帮助公司扩张规模、强化企业文化,并引领 AI 时代工作方式的演进。
OpenAI 宣布不再评测 SWE-bench Verified,称该基准日益受到数据污染,无法准确衡量前沿编码能力进展。其分析发现该基准存在测试用例缺陷与训练数据泄漏问题。OpenAI 建议改用 SWE-bench Pro。
OpenAI 宣布推出 Frontier Alliance Partners,帮助企业以安全、可扩展的 AI 智能体部署从 AI 试点走向生产环境。
OpenAI 公开了其 AI 模型针对 First Proof 数学挑战提交的证明尝试,在专家级问题上测试研究级推理能力。
Hugging Face 官方博客介绍如何用 Unsloth 和 Hugging Face Jobs 通过 Claude Code、Codex 等 coding agent 快速微调 LLM(以 LiquidAI/LFM2.5-1.2B-Instruct 为例),Unsloth 相比标准方法约 2 倍提速、约 60% 省显存。
Hugging Face 宣布 GGML(llama.cpp 的创建者)及其团队加入 HF,以在 Local AI 快速发展期间为项目提供长期可持续资源。合并后 Georgi Gerganov 和团队仍 100% 投入维护 llama.cpp,在技术方向和社区上保持完全自治,项目继续 100% 开源并由社区驱动。
推荐理由:说明了合并后 llama.cpp 保持自治与开源的原因,以及 transformers 与本地推理栈打通的技术方向。
Google DeepMind 发布 Gemini 3.1 Pro,作为 Gemini 3 系列的核心推理升级,面向消费者和开发者产品同步推出。在 ARC-AGI-2 上 3.1 Pro 取得 77.1% 的验证分数,超过 3 Pro 推理表现的两倍。
推荐理由:原文给出了 ARC-AGI-2 上的具体分数和与 3 Pro 的对比,读者可据此衡量其推理能力提升幅度。
OpenAI 向 The Alignment Project 承诺投入 750 万美元,资助独立的 AI 对齐研究。该笔资金旨在加强全球应对 AGI 安全与安保风险的努力。