搜索“搜索”

匹配字段摘要

匹配字段摘要

们无法在此全部容纳。 请相信我，我非常认真地对待如何公正呈现 2026 年，而且这并不容易（例如，我们还没能确定一位 Muse Code 演讲者）。在 X 上查看帖子 ↗ 2026/10/28-2026/10/29 的 AI 新闻。我们检查了 12 个 subreddit、544 个 Twitter 账号，没有更多 Discord。AINews 的网站可让你搜索所有过往期刊。提醒一下，AINews 现在是 Latent Space 的一个栏目。你可以选择加入/退出不同频率的邮件！ AI Twitter 回顾 发布：Mistral 发布了其旗舰模型的更新开放权重，面向智能体编码和网络安全，并可通过 Mistral Forge 进行定制（公告、权重/博客）。 规格：据 Artificial Analysis（AA）称，总参数 1.05T、激活参数 52B，100 万上下文，支持文本+图像输入。Vals 补充称最大输出为 256K（Vals）。 定价与许可：每 100 万输入/输出 token 收费 $0.70/$2.10（缓存 $0.07），比 Preview 低约 50%。MEOW 许可

匹配字段正文

们在投入极大的研发资源，去把模型可能规避安全规则的各种路径逐一排查并修复。 在各类不良倾向中，近期业内讨论较多的是“迎合与谄媚”。在我看来，这种顺着用户偏见说话的倾向，比模型偶尔出现事实性错误要隐蔽得多，也更难根除。 我们在早期曾提出过模型行为准则的核心三要素，也就是要求模型做到诚实、无害、有帮助。诚实指的是知道就据实回答，不知道就坦承自己缺乏信息，或者调用搜索工具去查证；无害指的是严禁输出攻击性或诱导他人自残、违法的危险内容；有帮助指的是高效解答核心疑问，不东拉西扯。 但这三点在工程测试中相对容易被捕捉：模型事实说错了，人类一眼就能核实纠错；模型给出了有害的指令，安全策略拦截起来也相对明确；模型不中用，用户体验会立刻下降。 然而“迎合人类”则微妙得多。模型会有意无意地迎合用户的预设立场。比如你在现实中和朋友吵了一架，跑来向AI倒苦水询问“到底是他有问题还是我有问题”，AI究竟是在客观梳理逻辑，还是在为了让你心情舒畅而无原则地吹捧你“你做得完全正确，错的全在对方”？ 在消除这种过度讨好倾向上，Anthropic之所以有希望把迎合率做到全行业最低，关键在于我们的商业模式选择：部分竞品正在

匹配字段正文

76%，后续修改继续增加4.45个百分点，整个任务合计消耗6.21%，在五项测试中排名第二。 第三个任务是制作一个介绍世界美术史的网页。我们要求代表人物和画作足够丰富，用户点击人物头像或画作后，可以查看相关知识解答。 生成的网页名叫“ATHÈNE｜世界美术史·浪漫长廊”，以暖纸色、深棕色和柔和光影营造浪漫氛围，用户能筛选文化轨道、人物或画作，也能按章节漫游、搜索关键词，人物动效可唤醒。 第一版更接近一个精选画廊，只收录了13位人物和14件名作，数量偏少，中西艺术也混合在同一条线索里。点击“导览下一件”时，右侧文字解释和左侧画作存在不同步，画作大约比文字慢三秒才显示。 进一步优化后，网页内容扩充到30位人物和30件作品，以西方艺术、东亚艺术双轨呈现，并以时间轴清晰梳理脉络。点击任意人物头像、画作或时间轴节点，就能阅读相关背景介绍。手机端也能流畅浏览，细节兼顾美感、易用性。 美术史网页的模型条目合计消耗4.90%，Plugin条目消耗0.02%，总计4.92%。 接下来，我们重现了两位博主的测试。 第一个是机械键盘，我们要求它制作一个高精度模型，展示键帽、轴体、定位板、PCB、外壳等零件结

匹配字段正文

绩全面超预期，盘后一度上涨6%，虽然次日随科技股整体回调小幅收跌0.16%，但整体平稳；Meta营收利润双超预期，AI购物智能体Muse上线六周、北美用户破千万是最大亮点，盘后一度涨超6%，但次日受巨额法律罚单和现金流转负拖累，收跌约7%，成为四家中唯一业绩超预期仍遭抛售的。 Alphabet则是另一番景象。营收、每股收益、广告收入三项核心指标集体不及预期，搜索业务增速从一季度的19%一路放缓至12%，管理层解释，汇率是最大单一拖累，叠加世界杯广告支出在二季度集中释放，AI模式查询激增但变现率尚低；再加上连续为负的自由现金流和87亿美元的非现金股权投资亏损，股价次日重挫12.64%，创下上市以来最大单日跌幅，并拖累纳指当日下跌1.38%。亚马逊尽管AWS再超预期，但线上零售仅增长2%、四季度指引中值偏低，加上持续为负的自由现金流，盘后一度跌超7%。 财报披露前后相关公司股价表现（微软、Meta、Alphabet为各自财报次日美股收盘，亚马逊为盘后跌幅收窄后水平，英特尔为盘后一度跌幅，三星电子为披露当日收盘，SK海力士为披露次日表现）。数据来源：公开市场行情 涨跌之间的分野，指向同一个结

匹配字段正文

大型语言模型智能体现已能回答客服工单、查询数据库并规划行程。当它们出错时，通常仍会返回一个自信的答案和一个成功状态码。越来越多的研究解释了这类故障为何难以察觉，以及工程团队正在如何学会度量它们。 传统软件往往以显眼的方式失败。函数抛出异常，服务器返回错误码，监控仪表盘随即变红。AI 智能体的行为则不同。它是一个循环：语言模型读取提示词，决定调用搜索 API 或数据库之类的工具，读取结果，再决定下一步做什么。每一步都可能出错，而整条链路上的每个网络请求却依然成功。 考虑一个常见情形。某个天气工具发生故障，在一个原本正常的响应中返回了“服务不可用”这段文本。模型读到这段文本，礼貌地致歉，或者更糟——根据其训练数据写出一份看似合理的预报。用户收到了一段流畅的答案。服务器日志显示请求成功、延迟正常。常规监控体系中没有任何一处记录下出了问题。 模型提供商在自己的文档中也描述了同样的缺口。Google 的 Gemini API 指南指出，模型“不会自行执行函数”。它只提出函数名和参数，由开发者的应用来执行调用。因此，应用是系统中唯一能看到真实结果的部分。Anthropic 关于构建智能体的工程指南

匹配字段正文

一家模型公司的设想，但很多投资人在和我们交流里认为：这些数据公司最终都要面对这个抉择，而他们今天的动作比言语更诚实。谁不想成为一个研究公司，甚至是下一代范式的模型的诞生之处。 而中国的很多数据公司，创始人本就与过往模型老东家关系密切，很多模型厂商也第一时间成为投资人和股东。这些千丝万缕联系，也带来变量。 比如，UniPat 的李宽此前在通义做后训练，也是开源搜索智能体 WebSailor 的项目负责人之一。我们此前了解到，UniPat 与阿里的合作以强化学习后训练数据为主。阿里巴巴除了资金，还提供算力，一年的算力费用在数千万元人民币量级。相似的，英伟达向 Mercor 采购数据，也在谈入股。 “谁都明白，那样带来的机会更大，无论是估值，还是团队的退出，都不同。”一位早期就关注并下注了数据公司的投资人称。在他看来，很多今天投资数据公司的机构，期待的退出通道也是希望这些数据公司可以被模型公司收购，最终成为或进入模型团队。 Meta 和 Scale 的故事摆在前面，今天退出的阴影笼罩在此，数据公司成为它所服务的某个模型厂商的一部分，显然提供了又一个有想象力的退出方向。 内卷与洗牌 在我们和数

匹配字段正文

趣，如果只给观众看一份几句话的剧情梗概，就彻底失去了看剧的意义，也没法让人学会自己拍戏。 这种“失去乐趣”的失落感正在学界蔓延。曾效力于NFL巴尔的摩乌鸦队的麻省理工学院数学家约翰·厄舍尔，花十年时间研究高斯消元法难题。为了不被AI抢先，他花每月200美元订阅了GPT-5.6 Sol和Claude Fable 5，把自己的研究步骤喂给AI，最终得到了一个正确但极其丑陋的证明，再由人工打磨发表。成果虽然保住了，厄舍尔却直言毫无乐趣可言，因为数学最迷人的地方恰恰是在黑暗中摸索的挣扎，把所有答案直接写出来是最无聊的部分。 不过老一辈学者依然保留着一份乐观。曾为纳维-斯托克斯问题撰写官方描述的77岁普林斯顿大学教授查理·费弗曼认为，OpenAI的证明大概率是对的。他把做数学比作“可以悔棋的魔鬼象棋”，哪怕有一千个蠢主意，只要有一个绝妙想法就是好数学家。他认为过去有些只有5%成功率的想法，因为需要耗费一生去验证而被迫放弃，现在如果只需两天就能试出结果，数学家反而会变得更有勇气、更具想象力。（编辑/于雷） 更多一手新闻，欢迎下载凤凰新闻客户端订阅凤凰网科技。想看深度报道，请微信搜索“凤凰网科技”。

匹配字段正文