ARC-AGI-4提前预告:下一代要测AI能不能自己搞发明
相关推荐
Laminar把Agent查错成本压到GPT-6-sol的1/23
动察 Beating AI 快讯,AI Agent 可观测性平台 Laminar 发布专门检查 Agent 执行轨迹的模型 flow-1。它会读取模型调用、工具调用和返回结果,找出 Agent 在哪一步出错、为什么出错。 flow-1 运行在 Laminar 的 Signals agent 中。模型可以搜索整条 trace(Agent 的完整执行记录),再按需查看具体步骤。训练时,Laminar 先用合成调查数据做监督微调,再通过强化学习训练工具调用和复杂 trace 分析。 在 Laminar 自建的 523 条困难 trace 测试中,flow-1 的错误检测 F1 为 0.835,GPT-6-sol 为 0.816。sol 召回率更高,能找到更多真实错误;flow-1 精确率更高,误报更少。 对于不足 10 万 LLM tokens 的 trace,flow-1 平均每条分析约 0.0011 美元,GPT-6-sol 约 0.026 美元。按 Laminar 测算,1 美元分别能分析约 888 条和 38 条 trace,相差约 23 倍。flow-1 的成本也比 GPT-6-luna 低约 25%。 目前这些成绩都来自 Laminar 自建 benchmark,暂无第三方复测。flow-1 的训练数据主要来自合成工作流,其中约 48% 是软件工程任务。社区已经有人质疑,它面对真实生产环境里没有预先设计过的新型故障时能否保持同样表现。
DeepMind成立AGI研究院,首席AGI科学家称Astra还不算AGI
动察 Beating AI 快讯,Google DeepMind 宣布成立 DeepMind Institute,专门研究 AGI 会怎样影响科学、经济和社会。 DeepMind 联合创始人兼首席 AGI 科学家 Shane Legg 负责研究院内容方向,CEO Demis Hassabis 和 Google 高级副总裁 James Manyika 也参与其中。 Legg 也不认同最近「AGI 已经到来」的说法。OpenAI 总裁 Greg Brockman 和英伟达 CEO 黄仁勋此前都把 GPT-6 Astra 与 AGI 到来联系起来。Legg 认为,Astra 虽然能力很强,但还达不到 OpenAI 自己对 AGI 的定义,也就是高度自主,并在大多数有经济价值的工作上超过人类。 DeepMind Institute 首批发布三篇文章,讨论 AI 安全、经济政策和「新乌托邦主义」。其中一篇由 DeepMind 安全团队的 Rohin Shah 和 Anca Dragan 撰写,批评 Astra 发布时的信息透明度下降,并认为激烈竞争会让 AI 公司越来越不愿公开模型信息。 Anthropic 今年 3 月也成立了类似的 Anthropic Institute,把红队、社会影响和经济研究团队整合到一起。
OpenAI前脚宣布额度翻倍,后脚被曝12月ChatGPT和Codex将共用额度
动察 Beating AI 快讯,时常爆料 AI 产品更新的「光头哥」Tibor Blaho 发现,ChatGPT 网页版订阅结账页面藏着一条新提示:「从 12 月开始,ChatGPT 和 Codex 将共用套餐使用额度。」 昨天还有用户发现 ChatGPT 弹出了 Chat 和 Work 合并的提示,Tibo 随后澄清,团队确实计划今年将两者整合,但还没有正式上线。 现在看来,OpenAI 不只准备统一聊天和工作入口,连额度计算方式也可能一起调整。其实 Claude 一直是这么干的,没想到 ChatGPT 终于也跟进了。 不过 OpenAI 刚宣布 Pro 等套餐额度翻倍,就被扒出这条还没有公开说明的新规则,玩起朝三暮四的小把戏,看来是把用户当猴子耍。
Cloudflare 与 OpenAI 试点,ChatGPT 索引数亿新网页
火星财经消息,网络基础设施公司 Cloudflare 与 OpenAI 于 2026 年 7 月启动研究试点,检验 Cloudflare 网络信号能否帮助 ChatGPT 用户更高效地发现新内容。双方称早期结果为肯定,试点把此前未知的页面纳入 OpenAI 搜索索引,使 ChatGPT 有更多来源可引用。试点使用 Cloudflare 全网约 1% 的参与队列,使 OpenAI 发现并索引了数亿个新网页。OpenAI 独立评估并按相关性与有用性排序,ChatGPT Search 通过回链让用户查看原始内容与发布方。观察显示,自动化流量可能让不存在的页面显得值得关注,部分站点会把任意地址重定向到首页,也有地址指向重复内容。双方还在测试用于识别潜在有害页面的信号,例如合法站点上被植入的假登录页,并主张标记单页而非整域。相关信号还用于过滤不存在或会重定向的页面,并判断未变更页面是否值得再次访问。页面信号不构成访问许可,该研究使用的是用于搜索与发现的网页元数据,而不是把页面内容用于模型训练。站点所有者可通过 Cloudflare 的 AI Crawl Control 了解并管理 AI 系统如何访问其网站。下一阶段将改进页面选择,并测试更快、更可靠的变更信号。
FLock「这那模型」获 Qwen 官方支持,联合阿里云实现性能突破,决策测试超越 GPT-5.6、Claude Opus 5
Foresight News 消息,去中心化 AI 平台 FLock.io 旗下开源决策模型 THIS / THAT「这那模型」获得阿里巴巴 Qwen 官方认可与宣发支持。该模型基于 Qwen3.5 2B 构建,利用 Qwen Max 生成训练数据,并结合 FLock Research Team 在自然语言处理领域国际学术会议 ACL 2026 上发表的 GraphSynth 和 CircuitSynth 两项研究成果,在阿里云平台完成训练。此前,FLock 已与 Qwen、阿里云建立长期技术与生态合作关系,并曾联合 Qwen 在韩国高校举办 AI Hackathon,持续推动 AI 技术创新与开发者生态建设。 据团队公布的测试结果,THIS / THAT Model 1.2 在 1710 道复杂决策测试中成功率达到 87.8%,较 1.0 版本的 40.6% 大幅提升,并超过 GPT-5.6(81.6%)和 Claude Opus 5(83.4%)。模型仅有 18.8 亿参数,无需生成输出 Token,单次决策延迟约 31.4 毫秒,可在本地设备运行,适用于 AI Agent、企业 AI 及自动化工作流等场景。 FLock.io 表示,此次模型成果进一步展示了 FLock 在原创 AI 研究、数据合成及高性能专用模型训练方面的技术实力,也是 FLock 与 Qwen、阿里云长期技术及生态合作的又一重要成果。未来,双方将继续探索高效、隐私保护型 AI 模型在更多实际场景中的应用。
微软拿千问9B改出决策模型,自测比GPT-6 Sol快35倍
动察 Beating AI 快讯,微软发布 Microsoft-Decision-1,专门帮 AI 智能体做快速判断。它基于 Qwen3.5-9B 进行后训练,只对预设选项打分,并返回各项概率。比如,决定用户请求交给哪个模型,或判断智能体该继续、重试还是转交人工。 微软称,Decision-1 在 36 项评测、近 15 万道题中准确率排名第一。其速度比第二名 Quyet-1.0-Large 快 4.5 倍,比 GPT-6 Sol 快约 35 倍。 在内部试用中,Xbox 研究团队用它给超过 1 万条玩家反馈分类。微软称,判断质量接近 GPT-6 Sol,速度快 14 倍以上,成本仅为后者的约 1/200。Copilot 团队也用它给 AI 回答打分。 Decision-1 已在 Microsoft Foundry 和 OpenRouter 上线,Vercel AI Gateway 也已接入。每百万输入 token 收费 0.042 美元,输出免费。微软尚未宣布开放 Decision-1 的模型权重。