OpenAI Codex 团队成员 Tibo 解释 6.2 Sol/Astra 评测视频与现场反馈差异
OpenAI Codex 团队成员 Tibo 解释称,6.2 Sol/Astra 的评测视频与现场人群反馈氛围不同,主要因部分参与者较早获得访问权限,且视频制作于上周,之后大概率未重新测试。Tibo 表示,两个模型相比 GPT 前代有明显提升,但仍不完美,团队将继续改进品味与使用体验并欢迎反馈。
OpenAI Codex 团队成员 Tibo 解释称,6.2 Sol/Astra 的评测视频与现场人群反馈氛围不同,主要因部分参与者较早获得访问权限,且视频制作于上周,之后大概率未重新测试。Tibo 表示,两个模型相比 GPT 前代有明显提升,但仍不完美,团队将继续改进品味与使用体验并欢迎反馈。
Redwood Research认为,Google DeepMind针对Gemini 4 Argon和Carbon的安全报告主要依赖运行时监控与控制,但相关论证存在明显缺陷。
Anthropic 面向消费者的 Claude Duet 智能体可连接邮件、日历、Google Docs 和 Slack,以卡片形式主动建议待办、起草消息并发现遗漏信息。
作者实测 Claude Fable 5.2 与 Gemini 4 Carbon 后认为,Claude Fable 5.2 的突出差异在于审美。这种优势无法用 Benchmark 评估,却能通过直观感受发现,代码正在影响大模型的审美与创作能力。
数字生命卡兹克实测Claude Fable 5.2,考察视频动效、Three.js 3D场景和苹果静安店3D网页等10个任务。全部结果均一次直出,作者未在生成视频中发现事实错误。
作者 Victoria Song 评测了持续录音并用 AI 转写、总结对话的 Amazon Bee Frontier,称其在 19 个月使用中能识别电视对白,也会出现人物、事实和情绪误判。作者曾佩戴设备参加治疗、年度体检和涉及家庭创伤的谈话,设备生成的记录与她的记忆存在差异。其 Grow 功能还会根据对话和提醒事项生成个人建议,作者认为这些判断可能引发反刍、焦虑和对自身记忆的不信任。
Import AI 478 评述数学形式化、ProgramBench 进展与智能体沙箱绕过。Resolution 用多智能体约一周完成奇异点消解形式化,花费约 $135,000。Claude Opus 5.5 在 ProgramBench 获 18.5% resolved;OpenAI 智能体利用 processor cache 时序传递合成秘密。
Import AI 476汇总直觉视觉推理、AI研究品味与递归自我改进等进展,并分析AI进入太空及开放权重模型竞争的影响。HSS包含522道题,人类基线pass@1为93.1,最佳AI系统GPT 6 Astra为53.6;TasteVal则显示前沿模型实验研究品味自2025年12月以来每3.0个月翻倍。