「OpenAI MLE - Bench」共找到 2050 篇相关文章
Anthropic求锤得锤！Mythos 2被曝雪藏，Mythos 3正秘密研发
SemiAnalysis内部播客爆料，Anthropic新模型Mythos 2训练完成却被雪藏，正用其生成数据研发Mythos 3。Anthropic曾呼吁监管，如今自食其果。此外，OpenAI的Astra也因安全问题暂停部分活动。
Codex龙虾化！推出手机远程控制，与Claude Code竞争白热化
OpenAI的Codex可手机远程控制，与Claude Code竞争白热化。它跨设备无缝同步，支撑体验的是安全中继层技术。个人开发者体验提升，企业级环境诉求也得到回应，还推出针对性扩展工具。
我也入选了 Codex for Open Source
作者以SGLang Core Developer身份申请OpenAI的Codex for Open Source计划，本不抱希望，却收到入选通知，可免费使用6个月Codex Pro计划，认为积极参与开源是对的，Codex会加快开源框架迭代。
17000 tokens的GPT-5系统提示词被意外泄露，以及八点总结~
OpenAI GPT - 5的system prompt被曝光在github，约17803 Tokens、78960 Characters。文章对提示词做八点分析总结，如互动风格、写作要求、工具使用等，还给出工具部分重点。
北大校友Lilian Weng出镜，爆出120亿估值首个交互模型！
北大校友Lilian Weng出镜介绍Thinking Machines的交互模型，此模型200毫秒神同步，能感知协作。该公司此前获20亿美元种子轮融资，估值达120亿美元。模型打破传统交互局限，或改变人机互动方式。
GPT-5都救不了的AI幻觉，原来问题不在模型，在“考卷”
OpenAI研究指出AI产生幻觉的根本原因是评估和激励机制有问题。现有训练和评估流程奖励‘猜测’，导致模型易产生幻觉。研究还给出解决方案，要更新‘考试规则’，让模型适当表达不确定。
LLM长文本内卷，谁是真英雄？告别跑分玄学，我们需要一把“公道秤”
OpenNLG Group做了统一长上下文评估框架LOOM - Scope，兼容主流benchmark、model和长上下文加速方法。该框架围绕BENCHMARK、DEPLOYMENT和EVALUATOR三大核心模块，还提出LOOM - Bench应对评估成本制约。
ChatGPT默认模型大升级，GPT-5.5 Instant正式上线：新增记忆来源功能
OpenAI宣布ChatGPT默认模型升级为GPT-5.5 Instant，面向所有用户开放。升级核心是准确性，在高风险领域幻觉内容减少，能力全面提升，回复更简洁。还提升了个性化能力，引入记忆来源功能。
ChatGPT长了手脚，AI不再是副驾，直接抢过方向盘
OpenAI昨夜发布ChatGPT智能体，它整合网站交互、信息整合、对话交互三项能力，能智能选最优路径完成任务。在多项评估中表现领先，还有多重安全措施。今日向部分用户开放。
从记忆到自进化：Agent 走向 RSI 的关键一步
本文结合OpenAI、Anthropic的最新AI研发动向，指出RSI是Agent自进化的核心方向，记忆是RSI的关键基础，介绍了MemoraX的记忆驱动RSI体系与多场景实践成果。