大语言模型在连续多任务微调时，常因新任务覆盖旧知识而出现灾难性遗忘。最新研究 ReCoLoRA 提出一种频谱感知的递归整合框架，通过动态重分解权重空间，在不增加参数量的前提下有效保留历史任务能力，在四个 7-8B 级模型上取得了领先的持续学习效果。 ## 问题背景：LoRA 在持续学习中的困境 参数高效微调方法（如 LoRA）虽然能低成本适配单一任务，但在面对任务序列时，新任务的低秩更新会不断叠加在相同的冻结权重上，导致旧任务特征被覆盖。这种“遗忘”问题限制了 LLM 在多轮微调场景中的实用价值，例如对话系统的持续人格更新或企业级模型的分阶段领域适配。 ## ReCoLoRA 的核心创新：递归整合与频谱感知 ReCoLoRA（Recursive Consolidation of Low-Rank Adapters）从两个维度解决上述问题： 1. **频谱感知初始化**：对预训练权重进行随机 SVD 分解，利用肘部准则（elbow criterion）自动选择每层有效秩，优先适配主成分子空间，再开放残差容量。 2. **递归整合机制**：在每个新任务开始前，ReCoLoRA 重新分解当前的“有效权重”（而非原始权重），将其拆分为三个部分：冻结残差、缓慢更新的主成分、以及全新的适配器。这样，新任务从已经吸收了前序知识的模型状态出发，实现渐进式整合。 该方法的优势在于：无需记忆旧任务数据，也不增加推理时的参数量，仅通过改变权重分解方式实现知识保留。 ## 实验结果：全面超越基线 团队在六个连续 GLUE 任务序列上测试了四个 7-8B 级模型（如 LLaMA-2、Mistral 等），与 LoRA、PiSSA、AdaLoRA、DoRA 等方法进行对比。结果显示： - ReCoLoRA 在 **4 个主干模型中的 3 个上取得了最佳最终平均分**； - 训练参数更少，效率更高； - 作为上限的 oracle-routed 任务银行变体，在完全任务隔离条件下展现了理论最优性能。 此外，频谱感知的秩选择机制使模型能够自适应不同层的容量需求，避免了人工调参。 ## 行业价值与未来方向 持续微调是 LLM 落地的关键瓶颈之一。ReCoLoRA 提供了一种轻量级、无需数据回放的解决方案，尤其适合隐私敏感或数据存储受限的场景。未来工作可探索将该框架扩展到跨模态模型（如视觉-语言模型），或与动态架构结合实现更灵活的容量分配。 论文代码已开源（链接见原文），为社区提供了可直接复现的基线。
## 从生理学出发，重新定义睡眠基础模型 现有睡眠基础模型在处理多模态生理信号（如脑电图、心电图、呼吸等）时，往往采用拓扑无关的融合方式，忽视了中枢神经系统（CNS）与自主神经系统（ANS）之间固有的生理层级结构。近日，一项发表于 arXiv 的研究提出了 **Omni-Sleep**——一个利用 CNS/ANS 分区作为生理先验的睡眠基础模型，在表征学习中引入拓扑约束，从而更准确地捕捉睡眠过程中的脑-体动态。 ## 三大学习目标：层级对比与时间建模 Omni-Sleep 的核心在于三个精心设计的训练目标： - **系统内一致性**：在神经信号（如 EEG、EOG、EMG）和心肺信号（如 ECG、呼吸）内部，分别学习共享的子系统级表征，捕捉同一系统内不同通道的共性因素。 - **系统间同步性**：对齐 CNS 与 ANS 的表征轨迹，建模脑与身体之间的动态耦合关系。 - **潜空间掩码时间建模**：通过掩码预测任务，学习长时程的睡眠动态，提升对时间依赖关系的建模能力。 这种设计使得模型能够从超过 **10 万小时** 的多中心多模态多导睡眠图（PSG）数据中，学习到具有生理意义的结构化表征。 ## 性能全面超越现有基线 在睡眠分期和多疾病分类任务上，Omni-Sleep 均表现出色。与当前最强的基础模型基线相比，它在标签效率、跨数据集泛化能力以及对缺失模态的鲁棒性方面实现了显著提升。即使在某些模态缺失的情况下，Omni-Sleep 依然能保持较高的分类精度，这在实际临床场景中尤为重要——因为患者数据常因设备或记录条件限制而不完整。 ## 生理层级先验的价值 Omni-Sleep 的成功证明了将生理学知识融入模型设计的巨大潜力。传统方法将不同信号一视同仁，而 Omni-Sleep 通过显式利用 CNS/ANS 分区，让模型学会区分“大脑的内部状态”与“身体的自主调节”，从而更准确地表征睡眠的不同阶段和病理特征。 研究者已在 GitHub 上开源代码（论文中提供的链接），这将推动睡眠医学领域的基础模型研究，并为其他生物医学信号处理任务提供新思路。 ## 小结 Omni-Sleep 并非简单的“更大数据+更大模型”，而是从睡眠生理学本质出发，设计了匹配生物系统的表征学习框架。对于睡眠研究者而言，它可能意味着更精准的自动分期工具；对于 AI 从业者，则是一次将领域知识与自监督学习巧妙结合的示范。未来，这一思路有望扩展到其他依赖多模态生理信号的领域，如癫痫监测、重症监护等。
## 一句话总结 **块稀疏注意力**通过为每个查询选择 top-k 键块来降低长上下文语言模型的计算复杂度，但传统 top-k 截断在分数接近时可能遗漏关键信息。新提出的**不确定性门控路由器**能在这种“犹豫”时刻自动增加保留块数，在多个模型上显著提升召回率，且几乎不增加额外延迟。 ## 背景：长上下文的效率与精度之困 处理超长文本（如 128K token）时，标准 Transformer 的 O(N²) 注意力计算成本过高。块稀疏注意力（Block-sparse Attention）是一种主流加速方案：它将键划分为块，对每个查询只保留得分最高的 k 个块，从而将复杂度降至 O(Nk)。然而，这种“一刀切”的 top-k 选择存在固有缺陷——当第 k 块与第 k+1 块得分非常接近时，选择器仍会硬性截断，而那个被丢弃的块可能恰好包含关键证据，且后续层无法恢复。 ## 方法：给注意力加上“犹豫”机制 Thomas Rossi 提出的 **Uncertainty-gated selection**（不确定性门控选择）核心是一个 **价值信息路由器**，它衡量每个查询在 top-k 截断时的决策置信度。具体而言，计算第 k 块与第 k+1 块得分之差，差值越小说明决策越“犹豫”。对于这些低置信度查询，路由器将保留的块数加倍（即 2k），从而在不全局增加预算的前提下，为关键查询提供更多上下文。该路由器与现有块评分方法（如 Quest）正交，可直接叠加使用。 ## 实验结果：显著提升召回，逼近全注意力 在 **LongBench-v2 medium**（n=215 全子集）上，路由器加持的 Quest 达到 **配对召回率 0.75**，而传统 top-k 仅为 0.47，提升 28 个百分点（McNemar 检验 p<0.01）。在 **RULER NIAH multikey** 任务中，相同上下文长度下，路由器结果与全注意力（dense）仅差 2 个百分点。 该提升在 **Qwen2.5、Mistral-Nemo、Qwen3.6** 四种模型、三种架构上均得到复现。在 128K 上下文下，路由器使 Qwen2.5-7B-1M 和 Qwen3.6 分别保持全注意力精度的 **0.81 和 0.89**，而传统 top-k 在 Qwen2.5-7B-1M 上仅剩 0.09。 ## 效率：几乎无额外开销 融合选择与核的流水线在保持高精度的同时，运行时间为全注意力的 **0.62 倍（Qwen2.5）和 0.80 倍（Qwen3.6）**，证明了该方法的实用价值。 ## 总结 这项研究直击块稀疏注意力的“短视”痛点，通过轻量级的不确定性门控动态调整保留块数，在长上下文场景下实现了精度与效率的更好平衡。对于需要处理超长文档、代码库或多轮对话的 LLM 应用，该技术有望成为标准组件。
在精准肿瘤学中，跨机构部署基因组预测模型常因测序面板差异导致特征结构性缺失，现有方法或限制分析共有基因、或剔除不完整病例、或依赖测试时插补，均影响鲁棒性与多中心数据利用。近日，研究团队提出 **SHIFT（Survival prediction Handling Incomplete Features using Transformer）**，一种无需测试时插补即可直接从缺失基因组输入预测的生存模型。 ## 核心思路：缺失感知的Transformer架构 SHIFT 将每个基因组特征独立表示，通过**掩码自注意力机制**与**特征可用性掩码**，使模型仅基于观测到的输入进行预测。训练时引入**可变比率特征掩码**，模拟不同缺失模式，增强对异构缺失的鲁棒性。该方法无需像传统方案那样限制分析范围或丢弃数据，而是将缺失本身作为模型输入的一部分。 ## 实验验证：跨队列泛化能力突出 研究团队在**胶质母细胞瘤**与**肺鳞状细胞癌**数据集上评估 SHIFT，并进行跨多个队列的外部验证，包括极具挑战的**严重跨队列面板不匹配**场景。结果显示，SHIFT 在泛化性能上显著优于标准生存基线模型与基于插补的方法，且**单一模型即可适配不同特征集**。此外，在模型开发阶段纳入不完整队列的病例数据，能进一步提升外部数据上的表现，表明部分观测队列无需被排除在模型构建之外。 ## 行业意义：推动多中心精准医疗落地 当前多中心基因组数据整合面临两大障碍：**测序技术差异**导致的特征缺失，以及**数据隐私**限制下的模型迁移。SHIFT 提供了一种实用策略——通过缺失感知建模，在不依赖插补或数据对齐的情况下实现稳健预测。这为真实世界中医疗记录不完整、测序方案各异的场景提供了可行的技术路径，有望加速精准肿瘤学从单中心研究向多中心大规模应用的转化。 ## 小结 SHIFT 以 Transformer 架构为核心，巧妙地将特征缺失转化为可学习的信号，在保持预测性能的同时大幅提升了模型的适用性。未来，该方法可进一步扩展至其他组学数据（如转录组、蛋白质组），并与其他缺失处理机制（如生成式插补）结合，构建更通用的临床决策支持框架。
大语言模型正被广泛部署于检索增强生成、仓库级代码编写和智能体工作流等长上下文场景。在这些应用中，累积的推理与工具调用痕迹常常将输入长度推至预训练窗口的十倍以上，使得零样本上下文扩展成为开源权重模型的主要部署路径。然而，现有零样本方法大多预先固定单一重缩放因子——激进的因子会牺牲短上下文保真度，保守的因子则在长上下文处失效。 针对这一困境，来自MIT的研究团队提出了 **Jet-Long**，一种无需微调的零样本方法。其核心思想是**双焦位置编码**：将注意力计算拆分为一个局部RoPE忠实窗口和一个远程窗口。局部窗口严格保留原始旋转位置编码，确保短输入时模型行为与基座完全一致；远程窗口的重缩放因子则根据当前序列长度动态调整，在长输入时实现平滑外推。 通过**容斥注意力合并**与**即时RoPE校正旋转**，双焦结构在推理时几乎不引入额外开销。研究团队将其融合为单个CuTe内核，在H100 GPU上，长上下文预填充吞吐量达到FlashAttention 2的1.39倍，接近Hopper专属的FlashAttention 4；单批生成时，各长度下的开销均不超过4%。 实验在**Qwen3-1.7B/4B/8B**模型上展开，上下文长度达128K。在RULER评测中，Jet-Long在1.7B/4B/8B规模上分别领先最强基线**+4.79、+2.18、+2.03个百分点**；在HELMET-RAG基准上取得最佳总体准确率（该基准被HELMET识别为下游长上下文性能最有效的预测指标）；并在PG-19困惑度指标上达到最低值。 此外，Jet-Long可泛化至**混合注意力架构**（如Jet-Nemotron），无需重新训练即可进一步改善长上下文效果。其超参数鲁棒性强，易于部署，为长上下文LLM的实际应用提供了高效、可靠的解决方案。
在胸部X光（CXR）分类任务中，即使模型在排序指标上表现良好，仍可能将罕见阳性患者置于阈值之下，尤其是在特定亚组中。一篇发表于arXiv的新研究将这一部署前的公平性问题作为审计问题来探讨：当长尾多标签CXR模型从分数转换为决策时，谁被遗漏了？ 研究团队在**VinDr-CXR**和**MIMIC-CXR/CXR-LT**两个数据集上，使用一种“诊断阶梯”方法，分别考察了类别级长尾损失、亚组感知加权、群体鲁棒性和阈值选择的影响。在VinDr-CXR上，采用**组尾加权**结合**尾感知阈值**，将尾部假阴性率（FNR）从0.665降至0.269，性别最差组FNR从0.705降至0.157，年龄最差组FNR从0.822降至0.133，同时宏观平均精度（macro-mAP）从0.611提升至0.635。在MIMIC-CXR/CXR-LT上，相同的分数到阈值比较将尾部FNR从0.866降至0.741，并降低了性别、年龄、种族和保险类型的最差组FNR；然而，残余的漏诊率仍然较高。 通过配对Bootstrap对比验证了VinDr上阈值化FNR的降低效果，而GroupDRO参考运行表明，仅靠聚合群体鲁棒性并不能消除该场景下的罕见亚组漏诊。研究支持一个狭窄的审计主张：CXR中的罕见标签公平性**共同取决于发现类别、亚组和操作阈值**，而非仅依赖于标签频率或排序指标。 ### 关键发现 - **问题本质**：长尾分布下，模型对罕见阳性患者的漏诊存在亚组偏差，传统排序指标无法反映阈值后的公平性问题。 - **解决方案**：通过组尾加权和尾感知阈值调整，可显著降低最差亚组的假阴性率，但无法完全消除漏诊。 - **剩余挑战**：即使使用GroupDRO等鲁棒性方法，罕见亚组的漏诊仍难以根除，表明阈值选择和亚组特异性处理至关重要。 ### 行业意义 该研究为医疗AI部署前的公平性审计提供了方法论框架，强调了从“分数排序”到“实际决策”的转换过程中，必须考虑亚组差异和阈值效应。对于CXR分类系统，仅追求整体性能提升可能掩盖对特定人群（如老年、女性或少数种族）的诊断不足，需引入细粒度的公平性评估。
## 太省心了：不接电线、不交月费，还能 24 小时值守 如果你还在为院子里的安防摄像头频繁换电池而烦躁，或者被 Ring 的订阅费“教育”过，那今天这款 **TP-Link Tapo C465** 可能会让你眼前一亮。我最近在自家后院装了一台，连续用了几周，感受就一句话：**这才是安防摄像头该有的样子**。 ### 一、安装体验：几乎零门槛 Tapo C465 的包装里只有一个摄像头主体、一个支架和几颗螺丝。安装过程极其简单：把支架固定在屋檐或围栏上，摄像头卡上去，拧紧旋钮就行。最妙的是它自带一块 **太阳能板**，完全不需要拉电线。我把它装在了后院栅栏的立柱上，阳光充足的地方，两天下来电池就充满了。之后再也没有管过它。 ### 二、画质对比：吊打 Ring 同价位产品 我原来用的 Ring Stick Up Cam 花了 200 多美元，每月还要交 3 美元的订阅费才能查看历史录像。而 Tapo C465 的售价仅 130 美元左右，且 **完全无订阅费用**。 画质方面，Tapo C465 支持 **2K QHD 分辨率**，比 Ring 的 1080p 清晰不少。我在白天和夜晚都做了对比测试： - **白天**：Tapo 的画面色彩更真实，树叶纹理清晰可见，而 Ring 有些过曝。 - **夜晚**：Tapo 的 **星光级夜视** 在微弱光线下也能拍出彩色画面，Ring 则只能切换到黑白红外模式。 - **视野**：Tapo 的 **120 度广角** 比 Ring 的 110 度略宽，能覆盖更多院子区域。 ### 三、智能功能：AI 识别很精准 Tapo C465 内置了 **AI 人形/车辆/宠物检测**，可以通过 Tapo App 设置检测区域，避免因飘动的树叶或小动物触发误报。实际测试中，它对路人、快递车和邻居的猫都能准确区分，推送通知也很及时。 它还支持 **双向语音对讲**、**MicroSD 卡本地存储**（最大 512GB），以及免费的云端存储（7 天滚动，需要注册 TP-Link 账户）。本地存储意味着即使断网也能录像，隐私更有保障。 ### 四、一点小遗憾 当然，它也不是完美的。太阳能板的充电效率在连续阴天时会打折扣，如果连续一周没太阳，可能需要手动充电。另外，App 的界面设计相比 Ring 稍显朴素，但功能一应俱全。 ### 总结：性价比之王 对于想要 **低成本、免布线、画质好** 的户外安防用户来说，TP-Link Tapo C465 是一个非常值得考虑的选择。它用不到 Ring 一半的价格，提供了更好的画质和更自由的本地存储方案，而且彻底告别了月费。如果你正在挑选院子里的摄像头，不妨给它一个机会。
## 从Windows到Linux：一次跨越心理门槛的尝试 随着微软宣布Windows 10即将终止支持，越来越多用户开始寻找替代方案。Linux，这个曾被视为程序员专属的操作系统，正逐渐走进大众视野。2025年，Linux桌面市场份额突破5%，标志着其从极客工具向主流选择的转变。作为长期Windows用户，我决定在一台旧Dell Latitude 5400笔记本上安装Ubuntu，亲身体验这一转变。 ## 为什么选择Ubuntu？ Linux发行版众多，对新手而言选择困难。我最终选择了Ubuntu，主要基于它的**初学者友好**口碑。Ubuntu以直观的界面和活跃的社区著称，官方文档详尽，遇到问题时容易找到解决方案。此外，Canonical公司持续推动Ubuntu的易用性改进，例如计划中的Ubuntu 26.04版本，目标正是让Linux桌面走向主流。 ## 安装过程中的挑战 尽管做好了心理准备，安装过程仍比预期曲折。由于旧笔记本的硬件兼容性问题，系统多次卡在启动界面。我不得不进入BIOS调整安全启动设置，并尝试不同的安装参数。这让我意识到：**Linux的安装门槛依然存在**，尤其是对不熟悉底层配置的用户。经过反复调试，最终成功安装，但这个过程耗时近两小时。 ## 使用体验：简洁与自由 一旦系统正常运行，体验令人耳目一新。Ubuntu的界面干净、响应迅速，没有Windows 11中那些预装应用和广告。系统资源占用更低，旧笔记本运行流畅，仿佛重获新生。软件中心提供了大量免费应用，从办公套件到开发工具一应俱全。更重要的是，**Linux的定制性极高**，用户可以自由调整桌面环境、主题和工作流程。 ## 转变与反思 这次经历让我重新审视操作系统选择。Linux不再是高不可攀的技术壁垒，而是一个**实用且富有哲学**的选择。它教会我：技术应当服务于用户，而非反之。虽然维护成本稍高，但获得的控制权和隐私保护是Windows无法比拟的。对于愿意投入时间学习的用户，Linux绝对值得一试。 ## 小结 从Windows迁移到Linux是一次值得的冒险。尽管初期有陡峭的学习曲线，但最终获得的简洁、高效和自由让我深感满足。如果你正考虑摆脱Windows生态，不妨从Ubuntu开始——它可能改变你对操作系统的认知。
## 快讯：GPT-5.6 成 Copilot 365 首选模型 OpenAI 最新发布的高级模型系列——GPT-5.6，已被指定为微软 Copilot 365 的“首选模型”。这一消息由 OpenAI 官方确认，在近期关于两家公司可能“分手”的传闻甚嚣尘上的背景下，显得尤为关键。 ## 背景：合作关系的“定心丸” 微软与 OpenAI 的深度绑定曾是 AI 行业最受关注的合作之一。微软向 OpenAI 累计投资超 130 亿美元，并将 OpenAI 的模型深度整合进 Azure、Office 365 等核心产品。然而，随着 OpenAI 开始向企业客户直接销售服务，以及微软推出自研小模型 Phi 系列，外界开始猜测双方关系可能出现裂痕。此次 OpenAI 明确将 GPT-5.6 称为 Copilot 365 的“首选模型”，无疑是对这些猜测的有力回应。 ## GPT-5.6 能力亮点 尽管 OpenAI 尚未公开 GPT-5.6 的完整技术细节，但已知该模型在**推理能力、多轮对话连贯性**以及**指令遵循精准度**上有显著提升。对于 Copilot 365 的用户而言，这意味着在 Word 中生成文档、在 Excel 中分析数据、在 Teams 中总结会议纪要等场景将获得更流畅、更准确的体验。 ## 行业影响 这一声明也揭示了 AI 行业的一种新趋势：**超级模型提供商与应用平台之间的“共生”关系正在加深**。微软并未因自研模型而放弃外部最强模型，反而通过“首选”地位确保其生产力套件始终拥有最前沿的 AI 能力。反之，OpenAI 也通过微软庞大的用户基础（Copilot 365 已覆盖数亿 Office 用户）获得了稳定的商业变现场景。 ## 小结 GPT-5.6 成为 Copilot 365 的首选模型，不仅是一次产品升级，更是双方战略联盟的再确认。对于企业用户而言，这意味着他们可以继续依赖微软平台获得 OpenAI 的最新成果，而无需担心技术供应链的断裂。未来，随着 GPT-5.6 的全面部署，Copilot 365 的 AI 功能有望迎来质的飞跃。
微软在最新发布的2026年可持续发展报告中承认，其2025年碳排放量同比增加了25%，达到3400万公吨（未计入特定干预措施）。这一增长主要由数据中心基础设施的扩张以及去年2月停止购买“非额外、非捆绑的可再生能源证书”所驱动。 报告指出，尽管微软此前设定了2030年实现碳负排放的目标，但AI基础设施的快速发展正对能源、水资源、土地和材料产生巨大需求，而可持续解决方案的规模化速度远未能跟上这一步伐。“AI基础设施正在推动对能源、水、土地和材料的需求，但可持续解决方案的扩展速度不足以满足需求。”报告坦言。 这并非微软首次在气候目标上遭遇挫折。2024年的可持续发展报告已显示类似的碳排放上升趋势。此次增长也反映了整个科技行业的普遍困境——谷歌在其2026年可持续发展报告中同样报告了25%的供应链排放增长，亚马逊则报告了16%的增长。此外，亚马逊6月公布其数据中心在2025年消耗了25亿加仑水，并声称这低于微软的用水量。 微软曾承诺到2030年实现碳负排放，即从大气中清除的碳多于其排放量。然而，持续的数据中心扩张和AI算力需求正使这一目标面临严峻挑战。行业观察人士指出，在AI竞赛中，科技巨头们正面临环境承诺与业务增长之间的深刻矛盾。
OpenAI的二号人物、应用业务CEO Fidji Simo宣布辞去全职职务，转为兼职顾问。她的医疗休假因神经免疫疾病复发而延长，最终决定不再回归全职。这一变动发生在OpenAI可能启动IPO、并在企业市场追赶Anthropic的关键时期，给CEO Sam Altman留下了一个重要的领导空缺。 Simo于2024年加入OpenAI董事会，2025年5月正式加入公司，担任新设立的应用业务CEO，直接向Altman汇报，整合了商业和产品运营。当时，COO Brad Lightcap、CFO Sarah Friar和CPO Kevin Weil都向她汇报，而Altman则聚焦研究、算力与安全。Simo此前在Instacart担任CEO，带领公司完成2023年IPO，并在Meta工作超过十年，负责Facebook应用。 在Simo休假期间，公司已出现高层变动：CMO Kate Rouch因癌症康复离职，CPO Kevin Weil也已离开，COO Lightcap转任特殊项目。Simo的正式退出意味着Altman需要寻找一位新的二把手，而此时OpenAI正面临多重挑战：ChatGPT增长放缓、企业市场份额落后于Anthropic，公司正将重心转向编程工具。 Simo的离职对OpenAI的消费者业务战略是一个打击。她曾被视为IPO后承担更大责任的热门人选，如今这一空缺让Altman的接班计划变得更加紧迫。
OpenAI的AGI项目负责人Fidji Simo宣布因健康原因辞去全职职务，转任兼职顾问。她在X平台上表示，数月前因神经免疫疾病加重而休病假，但康复过程远比预期复杂，因此决定将重心完全放在健康上。 Simo于今年4月被任命为AGI首席，此前她担任应用CEO。就在她休病假前后，OpenAI管理层经历了一系列变动：COO Brad Lightcap离职专注“特殊项目”，CMO Kate Rouch也因健康原因退居窄范围职务。期间，总裁Greg Brockman接管产品线，包括超级应用项目；CSO Jason Kwon、CFO Sarah Friar和CRO Denise Dresser则负责商业运营。 5月中旬，公司再次重组，Brockman正式领导产品战略与规模化，整合核心产品、企业、消费及基础设施四大支柱。他在内部备忘录中指出，重组旨在集中资源打造统一智能体平台，将ChatGPT与Codex融合为全栈智能体体验。 Simo的离职标志着OpenAI高层持续动荡，同时也凸显AI行业高压力工作环境对健康的影响。她写道：“一边帮助构建未来，一边应对使人失能的疾病，这种体验令人困扰。”
OpenAI 负责通用人工智能（AGI）部署的首席执行官 **Fidji Simo** 宣布将辞去全职职务，转任兼职顾问。这一决定发生在她因慢性神经免疫疾病加重而休了数月病假之后。 Simo 周四在 X 平台上发文称：“三个月前，由于一种我忍受了七年的慢性病严重发作，我不得不休病假。在那段时间里，我逐渐意识到康复之路远比预期的漫长和复杂——我需要全身心投入其中。” Simo 于 2024 年 3 月加入 OpenAI 董事会，次年 CEO Sam Altman 聘请她负责产品和业务部门，以便自己能专注于研究和数据中心建设。在此之前，Simo 曾担任 Instacart 的 CEO 和 Meta 旗下 Facebook 应用负责人。 在加入 OpenAI 前不久，Simo 的健康状况出现严重反复。她于 2019 年被诊断出患有体位性心动过速综合征（POTS）。今年 4 月，她在给员工的备忘录中透露：“在这里工作期间，我一直推迟医疗检查和新的治疗方案，以便全身心投入工作，不缺席任何一天。现在很明显，我做得有些过头了，真的需要尝试新的干预措施来稳定健康状况。” Simo 病休的消息传出之际，OpenAI 正经历一场高管重组。前 COO **Brad Lightcap** 转而负责特殊项目，总裁兼联合创始人 **Greg Brockman** 接管了产品战略。在 Simo 淡出后的几个月里，公司进一步重组了产品团队，由 **Thibault Sottiaux** 负责 ChatGPT 等核心产品。 OpenAI 正致力于在计划中的 IPO（预计 2027 年）前聚焦少数核心产品，公司目标估值高达 **1 万亿美元**。作为聚焦战略的一部分，OpenAI 已合并了 ChatGPT、AI 浏览器和 AI 编程助手团队，以打造一款“超级应用”，同时关停了一些边缘项目。 Simo 的离职标志着 OpenAI 在商业化关键阶段失去了一位重要的产品操盘手。她的离开是否会打乱 AGI 部署路线图，仍有待观察。
OpenAI 近日正式推出了其新一代模型家族——**GPT-5.6**，该系列在多个维度实现了显著提升，尤其在网络安全领域表现突出。作为 GPT 系列的最新迭代，GPT-5.6 不仅延续了前代在语言理解和生成上的优势，更在安全防护、对抗性鲁棒性以及代码安全审查等方面进行了专项强化。 ## 安全升级：从被动防御到主动防护 GPT-5.6 最引人注目的改进在于其安全架构。据 OpenAI 透露，新模型在训练阶段引入了更严格的对抗训练机制，能够更有效地识别并抵御提示注入、越狱攻击等常见威胁。此外，模型在代码生成过程中内置了安全审查模块，可自动检测潜在的漏洞代码，并给出修复建议。这一特性对于依赖 AI 辅助编程的企业级用户尤为重要。 ## 性能全面提升，覆盖多领域 除了安全能力，GPT-5.6 在常规任务上同样实现了进步。根据官方基准测试，新模型在数学推理、多语言翻译、长文档理解等核心场景中均优于前代 GPT-4o。在 MMLU（大规模多任务语言理解）基准上，GPT-5.6 的得分提升了约 5 个百分点，而在 HumanEval 代码生成任务中，其通过率达到了 **92%**，接近人类专家的水平。 ## 行业影响与展望 此次发布标志着 OpenAI 在“负责任 AI”道路上的重要一步。随着 AI 模型在金融、医疗、政务等敏感领域的应用日益广泛，安全与可靠性已成为行业刚需。GPT-5.6 的网络安全强化，可能促使其他 AI 厂商跟进，将安全能力作为模型竞争力的核心指标。 值得注意的是，OpenAI 并未透露 GPT-5.6 的具体参数规模，但据推测其采用了更高效的架构，从而在提升性能的同时控制了推理成本。目前，GPT-5.6 已通过 API 向开发者开放，部分功能（如代码安全审查）需额外订阅。 ## 小结 GPT-5.6 的发布不仅是一次技术升级，更是 AI 安全治理的里程碑。它表明，在追求更强能力的同时，模型的安全性同样可以被系统性地提升。对于企业和开发者而言，这意味着更可靠的工具，也预示着 AI 应用落地将进入一个更注重信任与合规的新阶段。
AI 智能体能帮你融资吗？总部位于新泽西州泽西市的初创公司 **Lyzr** 刚刚给出了教科书式的答案——它让自己的 AI 智能体 **SivaClaw** 主导了 **1 亿美元** 的 B 轮融资，公司估值约 **5 亿美元**。这不仅是一次成功的融资，更是一次极致的产品演示：如果连融资这么复杂的工作都能交给 AI 智能体完成，企业客户还有什么理由不买单？ ## 智能体如何“跑完”融资全程 根据彭博社的报道，Lyzr 的融资过程与传统方式截然不同。SivaClaw 这个 AI 智能体系统承担了融资中的关键角色： - **与超过 130 家投资机构沟通**，回答各种尽职调查问题 - **自动撰写投资备忘录**，生成标准化的融资文件 - **追踪投资人行为**，比如记录他们在演示文稿中哪些页面停留时间最长，以此判断兴趣点 整个过程中，Lyzr 的创始人无需像传统创业者那样频繁飞往硅谷，在 Sand Hill Road 上穿梭于咖啡会议和熟人引荐之间。这种“远程融资”模式不仅节省了时间和精力，还向投资人传递了一个强有力的信号：我们的产品真的能干活。 ## 400 亿美元兴趣背后的资本热潮 更令人瞩目的是，Lyzr 透露，他们在没有创始人亲自出马的情况下，收到了来自硅谷、中东以及金融领域投资机构总计 **4 亿美元** 的投资意向。最终实际融资 1 亿美元，说明市场对 AI 智能体赛道的热情已经溢出了传统融资渠道。 这背后反映出一个更大的趋势：**当前 AI 领域的资本密度极高**。只要创业公司展现出明确的 traction（产品市场契合度），创始人几乎可以“足不出户”就完成九位数融资。Lyzr 的案例并非孤例，而是这一波 AI 投资热潮的缩影——当资本追逐优质标的时，融资流程本身也在被 AI 重塑。 ## 产品即销售：最干净的销售话术 对于 Lyzr 而言，这次融资本身就是一场完美的营销。当创始人向企业客户推销“让 AI 智能体替你工作”时，客户可能会质疑：这东西真的可靠吗？而 Lyzr 直接用自己的融资过程作为案例：我们把自己的融资交给了 AI 智能体，它谈下了 1 亿美元，你说它行不行？ 这种“吃自己的狗粮”的做法极具说服力。在 AI 企业服务领域，信任是最稀缺的资源。Lyzr 通过一场真实的商业活动证明了其产品的价值，比任何白皮书或 demo 都更有力量。 ## 小结：AI 智能体正在改变创投游戏规则 Lyzr 的故事揭示了一个更深层的变化：AI 智能体不仅能在客户场景中提升效率，还能重塑创业公司自身的运作方式。从融资、销售到内部管理，智能体正在渗透到企业运营的每一个环节。对于创始人来说，这意味着未来融资可能不再是一场“社交马拉松”，而更像是一场“系统优化挑战”——你的 AI 智能体足够聪明吗？ 当然，这种模式是否适用于所有行业和阶段仍有待观察。但至少在这个案例中，Lyzr 用 1 亿美元证明了一点：AI 智能体不仅能干活，还能帮公司“搞钱”。
OpenAI近日宣布关闭其AI浏览器Atlas，这款以ChatGPT为核心的产品上线不到一年即被放弃。然而，这并非OpenAI放弃AI浏览场景的信号——相反，它正在将Atlas中的关键代理浏览功能迁移至ChatGPT桌面应用和一款全新的Chrome扩展中。 ## 从“侧任务”到核心整合 Atlas的关闭并非意外。今年早些时候，OpenAI应用部门CEO Fidji Simo明确要求团队削减“侧任务”，此前公司已因此关停了AI视频生成工具Sora。这一决策反映出OpenAI对产品战略的重新聚焦：与其打造一个独立浏览器，不如将AI浏览能力嵌入用户现有的工作流中。 ## 浏览器之争：从独立产品到功能组件 过去一年，AI行业掀起了一场“浏览器战争”：Perplexity推出了Comet，The Browser Company发布了Dia，谷歌和微软也分别为Chrome和Edge添加了AI功能。然而，经过数月实验，OpenAI似乎得出了一个关键结论：**浏览器本身不是目的地，而是一个功能载体**。因此，它决定将Atlas的代理能力移植到用户已经习惯的平台上。 ## 两大新动作：Chrome扩展与桌面应用升级 OpenAI的最新举措包括： - **ChatGPT Chrome扩展**：该扩展能够访问当前浏览页面的上下文，允许用户直接提问、总结内容或启动更复杂的任务。这直接对标谷歌的Gemini侧边栏功能。 - **ChatGPT桌面应用增强**：新版桌面应用内置了更强大的浏览器，用户无需离开ChatGPT即可浏览网页、登录账户、下载文件并与页面交互。此外，一个独立的云浏览器运行在OpenAI服务器上，作为AI代理代表用户执行任务的场所。 ## 打造连续工作空间 这两项更新共同将ChatGPT转变为一个**跨Chrome、桌面应用和AI代理的连续工作空间**。用户可以在浏览器中快速获取摘要，在桌面应用中执行深度浏览任务，并委托云端代理完成复杂操作——所有这一切都在ChatGPT的生态内无缝衔接。 ## 行业影响与未来展望 OpenAI的战略转向标志着AI浏览器赛道的分化：当其他初创公司仍在争夺浏览器市场份额时，OpenAI选择了一条更务实的路径——**将AI浏览能力嵌入现有生态**。这一做法不仅降低了用户迁移成本，也避免了与Chrome等成熟浏览器的正面竞争。对于开发者而言，这意味着未来AI代理的交互界面可能不再是独立的浏览器，而是无处不在的插件与桌面助手。 随着Chrome扩展和桌面应用的逐步上线，OpenAI正在重新定义“AI浏览器”的含义：它不再是一个单独的窗口，而是一种随时待命的能力。
Anthropic是否该信任埃隆·马斯克来托管其模型？在X平台用户暗示马斯克可能某天突然将这家AI实验室从SpaceX服务器上踢出以削弱竞争对手后，马斯克回以高度赞扬，并承诺“这不符合我的风格”。 马斯克在周四的帖子中写道：“我显然看错了Anthropic。”他指的是自己2025年9月曾断言“Anthropic从未有过胜算”。然而当时Anthropic已被报道在企业AI市场中占据最大份额。如今，马斯克的态度彻底转变：截至2026年7月，Anthropic已成为SpaceX最大客户之一。 回顾一下：Anthropic在5月签署协议，购买300兆瓦计算能力——即xAI位于田纳西州孟菲斯的Colossus 1数据中心全部产出（xAI于2月与SpaceX合并）。Anthropic同意每月支付12.5亿美元，合同持续至2029年5月，为SpaceX的xAI部门带来约400亿美元收入。此外，谷歌也签署了租用SpaceX基础设施的协议，每月9.2亿美元，持续至2029年6月。 马斯克坚称Anthropic的决策并无风险，并表达了对竞争对手的钦佩：“他们显然是当前AI领域的领导者。没有公司发布过像Mythos/Fable这样好的模型，他们无疑很快就会准备好Mythos 2。我绝不会以严重伤害他们的方式切断服务，即使作为竞争对手。这不是我的风格。” 作为证据，他列举了特斯拉2014年的决定——不主动对善意使用其技术的公司提起专利诉讼，以及开放超级充电站网络和充电接口设计。他还指出SpaceX发射竞争性卫星系统时不提价或使用不公平条款。“即使是我最大的敌人也可以在这个平台上攻击我。” 当然，马斯克并非完全不屑于针对竞争对手的策略，尤其是那些与他有历史纠葛的对手——例如他起诉过OpenAI。不过，Anthropic不必完全依赖马斯克的“风格”保证：如果马斯克突然关闭Anthropic的基础设施，必然会产生合同后果，更不用说这对SpaceX的xAI部门带来的巨大利益。
三年前，红杉资本合伙人 David Cahn 率先算了一笔账：以英伟达 500 亿美元的 GPU 年收入为起点，加上数据中心运营成本和运营商利润，得出需要 2000 亿美元收入才能收回前期投资。如今，经过三年超大规模扩张，Cahn 给出了 2026 年 AI 基础设施支出的新数字：**1.5 万亿美元**。他计算，整个 AI 行业需要赚取 **3 万亿美元** 才能证明所有芯片和数据中心支出的合理性——而且这很可能还是低估，因为内存成本上升以及专用芯片的使用会推高数字。 在收入端，Anthropic 据报道已达到 600 亿美元年化收入，OpenAI 在 2025 年赚了 130 亿美元（2025 年 11 月称其年化收入达 200 亿美元），且今年可能更多。但差距依然巨大。 资产管理巨头 Apollo 的首席经济学家 Torsten Slok 关注着这个缺口。他最近指出，超大规模企业——谷歌、Meta、微软、亚马逊——都预测 2028 年自由现金流将大幅加速，即期望从购买的芯片中获得回报。但如果未能实现呢？Slok 注意到一个风险：更多组织转向更便宜的开放权重模型（通常来自中国），而非前沿实验室的模型，整体 token 价格正在下降。OpenAI 最新模型在编码任务上 token 效率提升 54%。这对用户是好事，但对构建 token 工厂的公司可能不利——如果用户没有大幅增加整体 token 使用量。 Slok 担心，如果超大规模企业未能实现现金流目标，市场反应可能严重——因太多押注集中在少数几家巨头身上。
OpenAI 近日对其代码生成工具 Codex 进行了重大升级，并重新发布。新版 Codex 不再仅仅是一个代码补全助手，而是被定位为一个能够**独立执行复杂工作流程**的智能体工具。据官方介绍，它能够“根据需要运行数小时”，自主完成从代码编写、调试到部署的完整任务链。 这一升级标志着 AI 辅助编程从“被动响应”向“主动执行”的关键转变。与早期版本依赖开发者逐行提示不同，新版 Codex 能够理解项目级目标，自主规划步骤，并在遇到问题时尝试修复。开发者只需给出高层次需求，Codex 即可像一位远程团队成员一样，持续工作直至交付成果。 OpenAI 强调，Codex 的设计目标是与人类协作，而非取代开发者。工具会定期汇报进展，并在关键决策点请求确认，确保用户始终掌控全局。这种“人机协同”模式有望大幅提升软件工程师的生产力，尤其适合处理重复性高、耗时长的任务，如批量重构、单元测试编写或跨模块接口调试。 从行业背景看，此次升级正值 AI 编程工具竞争白热化之际。GitHub Copilot 已集成 GPT-4 模型，Amazon CodeWhisperer 则主打企业级安全合规。OpenAI 选择以“长时自主执行”作为差异化卖点，直击开发者“反复切换上下文、等待编译”的痛点。不过，自主运行数小时也意味着更高的计算资源消耗和潜在的安全风险，如何确保代码质量和防止错误传播，将是实际应用中必须面对的挑战。 目前，新版 Codex 已通过 API 向部分开发者开放测试。OpenAI 表示，未来将逐步推出更多协作功能，包括多智能体协同和实时对话式调试。对于追求效率的团队而言，这或许意味着“写代码”这件事正在从手艺活变成管理活。
OpenAI 正在关闭其名为 **Atlas** 的 ChatGPT 浏览器——这款去年 10 月才推出的、能代表用户自动执行任务的浏览器，如今距离诞生还不到一年。作为今日宣布的“ChatGPT Work”系列更新的一部分，OpenAI 官方确认将“逐步淘汰”Atlas，并计划于 **8 月 9 日** 正式停止服务。 ### 从“超级应用”到产品整合 Atlas 的关闭并非孤立事件。今年 3 月，《华尔街日报》曾报道 OpenAI 计划将 ChatGPT 应用、Codex 和 Atlas 整合为一款桌面 **“超级应用”**——而今天发布的 **ChatGPT Work** 正是这一努力的成果。OpenAI 显然在集中资源，试图在生产力功能上追赶 Anthropic，并减少所谓“支线任务”的分散精力。 OpenAI 的 James Sun 在关于 ChatGPT Work 的帖子中解释称：“所有这些能力都建立在我们从 Atlas 用户身上学到的东西之上，你们教会了我们智能体如何帮助改善浏览和开放式网页工作，我们正将这些经验应用到新产品中。” ### 产品线持续收缩 除了 Atlas，OpenAI 近期还关闭了视频生成应用 **Sora**，并暂停了 ChatGPT“成人模式”的计划。这一系列动作表明，OpenAI 正重新聚焦核心产品线，将资源向商业化更明确的方向倾斜。 ### 用户何去何从 对于已经习惯 Atlas 的用户来说，这无疑是一次失望的转折。Atlas 曾被寄予厚望——它不仅是浏览器，更是能代表用户执行复杂任务的智能体。然而，在 OpenAI 看来，这些功能的价值已被整合到 ChatGPT Work 的桌面浏览器和云端工作模式中。 ### 行业视角 Atlas 的短命也反映了 AI 行业的一个现实：产品迭代速度极快，功能试错成本高昂。即便是行业领头羊 OpenAI，也无法保证每一个实验性产品都能存活。对于用户而言，依赖某个特定 AI 工具时需要保持警惕，因为“下一个版本”可能就意味着“彻底消失”。 未来，OpenAI 将如何平衡创新与稳定，能否让 ChatGPT Work 真正留住用户，仍需时间检验。