OpenAI 推出 Sora 2 和 Sora 应用,以安全为核心
OpenAI 推出新型视频模型 Sora 2 及其社交创作平台 Sora 应用,强调安全为首要考量,采用具体保护措施。
OpenAI 推出新型视频模型 Sora 2 及其社交创作平台 Sora 应用,强调安全为首要考量,采用具体保护措施。
OpenAI 利用内部 AI 销售助手对潜在客户进行资格审核,个性化响应,并协助销售团队转化客户兴趣。
OpenAI 推出“OpenAI on OpenAI”系列,分享如何利用自身技术提升工作效率和知识规模,助力其他组织实现类似目标。
OpenAI 构建了一套快速提取合同数据系统,缩短了处理时间,使团队更易获取所需细节。
OpenAI 开发了一款内部 AI 销售助手,用于自动化账户研究、会议准备、产品知识和客户跟进,提升销售效率和客户满意度。
OpenAI 推出研究助手,可帮助团队快速分析数百万支持工单,提升洞察力,并实现公司内好奇心规模的扩展。
OpenAI 利用 AI 技术提升支持服务效率,缩短响应时间,提高服务质量,并实现快速扩展以满足高速增长需求。
OpenAI 推出 ChatGPT 家长控制功能,旨在帮助家庭指导 ChatGPT 在家中的使用;同时新增家长资源页面,提供相关指导和支持。
Hugging Face 博客介绍了 VibeGame,一款基于 three.js、rapier 和 bitecs 的高层声明式游戏引擎,专为 AI 辅助游戏开发设计。VibeGame 结合了 Roblox 的高抽象层次和 Web 的开放性,旨在解决现有平台在抽象层次和上下文管理方面的不足。
Qwen3-8B 模型通过 OpenVINO.GenAI 实现了约 1.3 倍的加速,采用深度剪枝草稿模型后,速度提升至约 1.4 倍。该模型支持工具调用、多步推理和长上下文处理,适用于复杂智能体工作流程。
NVIDIA 发布了 Nemotron-Personas-Japan 数据集,包含 600 万个日本人口统计、地理分布和文化特性相关的虚拟人物,旨在帮助开发者构建更符合日本文化和社会的 AI 系统。
推荐理由:NVIDIA 发布了 Nemotron-Personas-Japan 数据集,为日本 AI 开发提供高质量、多样化的训练数据,有助于构建更符合日本文化和社会的 AI 系统。
Hugging Face 发布 Swift Transformers 1.0 版本,旨在帮助 Apple 开发者将本地 LLM 集成到应用中。该版本提供 Tokenizers、Hub、模型和生成等功能,支持 Swift 开发者使用 Core ML 和 MLX。版本 1.0 增强了 Tokenizers 和 Hub 模块,并支持 Swift 6,同时引入了 API 变更。
OpenAI 推出 ChatGPT 新功能,包括支持共享项目、智能连接器以及合规性和安全更新,旨在提升团队工作效率。
OpenAI 推出 ChatGPT Pulse 预览版,专为专业用户设计,通过主动研究提供基于聊天、反馈和日历等连接应用的个性化更新,提升用户体验。
Scaleway 成为 Hugging Face Hub 的支持推理提供商,增强 Hub 模型页面的服务器端推理广度和能力。用户可通过 Scaleway 访问 gpt-oss、Qwen3、DeepSeek R1 和 Gemma 3 等流行模型,并享受起价每百万 token 0.20 欧元的付费模式。Scaleway 提供的推理基础设施适用于交互式应用和智能体工作流程,响应时间低于 200 毫秒。
Hugging Face Hub 现已支持 Public AI 作为推理提供商,用户可直接在模型页面使用各种模型,Public AI Inference Utility 是一个非营利、开源项目,旨在支持公共人工智能模型构建者,如瑞士人工智能倡议和新加坡人工智能。
Hugging Face发布LeRobotDataset:v3.0,解决大规模数据集存储限制,支持单文件多场景存储,并引入流式访问功能,提升机器人学习效率。LeRobotDataset:v3.0是LeRobot库的一部分,支持多种机器人平台和模态数据,包括传感器、摄像头和远程操作状态。
OpenAI 对 Codex 进行了升级,使其速度更快、更可靠,并支持通过终端、IDE、网页或手机进行实时协作和独立任务处理。
Hugging Face 推出 Gradio 库,简化可见水印添加,支持图像、视频和文本内容,增强 AI 内容透明度。水印可指定为文件名,支持 QR 码等,自动为文本生成添加归属信息。
SandboxAQ 发布了 Structurally Augmented IC50 Repository (SAIR) 数据集,该数据集包含超过 500 万个 AI 生成的蛋白质-配体 3D 结构,并配以实验测量的 IC₅₀ 标签,有助于加速药物研发进程。
推荐理由:SAIR 数据集的发布为药物研发提供了新的数据资源,有助于加速新药研发进程。
OpenAI 与专家合作,为 ChatGPT 引入家长控制功能,强化青少年保护,并将敏感对话路由至推理模型,提升用户体验。
Blue J 利用 OpenAI 模型,实现业务扩展至三个国家和超过 3000 家企业,得益于对特定领域的深入研究和模型选择。
NVIDIA 发布了 600 万个多语言推理数据集,包含五种目标语言:法语、西班牙语、德语、意大利语和日语。数据集用于训练和改进开源模型,并支持边缘部署。
推荐理由:NVIDIA 发布了 600 万个多语言推理数据集,读者可以了解数据集的构建方式和模型的应用场景。
Hugging Face 推出 Kernels 项目,旨在帮助开发者构建和扩展生产级 CUDA 内核。该项目提供了一套完整的工具和指南,包括如何从零开始构建现代 CUDA 内核,以及如何解决生产部署中的挑战。开发者可以利用 PyTorch 的现代 C++ API 和 kernel-builder 库,轻松开发、构建和部署自定义 CUDA 内核。
Hugging Face 推出的 Model Context Protocol (MCP) 允许智能模型与外部工具和数据源通信,实现通过自然语言请求自动化平台切换和交叉引用,提高研究发现的效率。MCP 集成了 Python 研究追踪工具,通过自然语言请求实现自动化研究,同时提供快速设置和详细文档,方便用户使用。
Hugging Face 发布了开源训练管道 Kimina-Prover-RL,用于 Lean 4 中的形式化定理证明,包括两个模型 AI-MO/Kimina-Prover-RL-1.7B 和 AI-MO/Kimina-Prover-RL-0.6B,均达到新的开源模型性能水平。
推荐理由:Kimina-Prover-RL 是一个开源的训练管道,旨在训练大型语言模型解决 Lean 4 中的形式化证明目标,读者可以了解其结构和应用场景。
Arm 发布了 Neural Super Sampling (NSS),一款面向图形和游戏开发者的下一代AI增强放大解决方案。该模型通过重建高质量输出帧,从低分辨率时间输入中实现高分辨率渲染,特别适用于移动游戏、XR和其他功耗受限的图形应用。
Hugging Face 开发了 FilBench 评估套件,用于评估 LLM 在菲律宾语言(Tagalog、Filipino 和 Cebuano)中的理解和生成能力,包括文化知识、经典 NLP、阅读理解和生成等任务。
OpenAI 的 o3、o3-Pro、GPT-4.1 和 GPT-5 模型协同,Basis 的 AI 会计代理可帮助企业节省高达 30% 的时间,并扩大咨询和增长能力。
TextQuests是一个基于25款经典互动小说游戏的基准测试,用于评估LLM在文本视频游戏中的表现。该测试要求代理在长时间和不断增长的历史中推理和执行多步计划,并从经验中学习。评估结果显示,LLM在长上下文推理和动态思维方面存在挑战,例如幻觉和重复动作。
Hugging Face 的 Accelerate 与 Axolotl 集成了 ND-Parallel,提供了一种快速便捷的方式在训练脚本中使用任何组合的并行策略。通过 ParallelismConfig 类或 Axolotl 配置文件,用户可以轻松配置不同并行策略的程度和组合方式,以优化大规模模型训练的效率。
Amgen 开始使用 GPT-5 模型,以提升其研发效率;GPT-5 在 Amgen 的应用中展现出强大的文本处理能力。
OpenAI 发布了两个开源的推理模型 gpt-oss-120b 和 gpt-oss-20b,可供用户使用。
推荐理由:OpenAI 发布了两个开源的推理模型 gpt-oss-120b 和 gpt-oss-20b,读者可以了解这些模型的能力和适用场景。
NVIDIA 的 AI-Q 模型在 DeepResearch Bench 的评测中取得了优异成绩,该模型基于 Llama Nemotron,展示了开源 AI 生态在真实场景中的强大能力。
推荐理由:AI-Q 模型在 DeepResearch Bench 的评测中取得了优异成绩,展示了开源 AI 生态在真实场景中的强大能力。
Hugging Face 发布了 3LM,这是一个针对阿拉伯语 LLM 在 STEM 和代码生成领域的基准,旨在评估模型在特定技术领域的表现。
推荐理由:3LM 作为首个针对阿拉伯语 LLM 在 STEM 和代码生成领域的基准,为评估阿拉伯语模型在特定技术领域的表现提供了新的工具。
Figma 推出 Figma Make 工具,通过 AI 支持团队进行原型设计、协作和构建,重塑设计师、开发者和非技术创作者的工作流程。
Hugging Face Hub上的Gradio与Model Context Protocol (MCP)集成,使LLM可直接连接数千个AI模型和Spaces,实现从回答文本问题到解决实际问题的转变。
Hugging Face 推出 Trackio,一款开源、免费的实验跟踪 Python 库,提供本地仪表板和与 Hugging Face Spaces 的无缝集成,便于分享和协作。Trackio 可作为 wandb 的替代品,支持与 wandb 兼容的语法,并支持可视化实验结果。
Hugging Face CLI 已正式更名为 hf,旨在提供更清晰、更一致的命令结构。新 CLI 引入预测性语法,提高易用性和可发现性。hf 命令包括身份验证、缓存管理、文件下载和上传等。此外,hf jobs 命令允许用户在 Hugging Face 基础设施上运行脚本或 Docker 镜像。
Hugging Face Hub 引入 Xet 存储层和 Apache Arrow 的 Parquet Content-Defined Chunking (CDC) 功能,通过内容定义的块分割,实现 Parquet 文件的高效去重,降低数据传输和存储成本。CDC 功能现已集成于 PyArrow 和 Pandas,用户可通过设置 use_content_defined_chunking 参数启用。