人工智能资讯 第47页
聚合当前分类下的最新内容，按时间顺序查看第 47 页精选文章。
HackEurope黑客松：760人报名对外说破千，大奖帖悄悄被删
HackEurope黑客松参赛者吐槽九成项目是AI糊弄，但更值得看的是官方数字：注册760人对外却说约千人，大奖团队构成被Anthropic高管发帖又删帖。两分钟路演的门槛已经被AI工具拉到近乎为零，黑客松作为人才筛选信号的可信度正在被稀释。
达里奥自证清白,却漏签了一封信
Dario Amodei在X上反驳投资人Gavin Baker,称监管未必导致权力集中,列举SB53等豁免条款为证;但Anthropic自己拒签行业开源权重联合信,暴露这套“精心设计的豁免机制”背后仍是头部公司说了算的现实。
Qwen 3.8 27B跑分吊打前代，默认设置却让人干等21分钟
阿里巴巴Qwen 3.8 27B在官方跑分上全面超越前代和同门闭源旗舰，但默认的最高推理强度会让模型对着一个简单请求空想二十多分钟。独立测试者认为这套默认值离谱，官方跑分本身也还没有第三方交叉验证。
OpenAI解散风险准备团队：安全职能还在，独立审查变弱了
据《金融时报》报道，OpenAI已撤销独立的风险准备团队，并把生物、网络等风险评估工作分配给现有业务团队。现有证据不能证明OpenAI放弃了安全工作，但集中审查被拆散后，谁能延缓模型发布、谁对跨领域风险负责，变得更难判断。
幻觉率80%的陷阱:小模型到底有多不靠谱
GLM-5.2、Qwen3.5、DeepSeek V4-Flash用远低于GPT-4的激活参数刷出更高的AIME成绩,印证了实验室正用世界知识换推理能力的架构转向；但支撑这条叙事的具体数字——跨厂商AIME对比、小模型80%幻觕率、Gemini SimpleQA 53%——拆开核对后都有需要澄清的口径问题。方向大概率没错,数字被讲得比实际情况更耸动。
AI老板罕见认错：Amodei承认行业尚未兑现承诺，但信任数据给他出了道难题
Anthropic CEO Dario Amodei在X上公开承认，包括Anthropic在内的AI公司'尚未兑现造福世界的承诺'，并称营销无法挽回信任，真正有效的是'实际治愈癌症'。这是AI行业领袖罕见的自我批评，但他将公众不信任归因于对企业的普遍不满、与AI风险言论无关的论断，与Gallup和Pew的最新调查数据存在明显张力。
这份招聘启事，是一份产品成熟度自白书
Tasklet以30万至45万美元年薪招募一名身兼产品、设计、全栈工程三重角色的IC，表面是抢人才，实质是公开承认：AI agent真正落地企业场景最难的那一环——权限、报错、人机交接、可撤回性——公司内部尚无playbook。结合第三方披露的计费争议和SOC 2认证时间线矛盾，Tasklet在'trustworthy'这个自我定位上，承诺与现实之间的落差比招聘文案更值得细读。
Anthropic公开Claude系统提示更新史，但API用户一个字都看不到
Anthropic在文档里公开了Claude网页版和App系统提示的历次修改时间，明确不涉及API，这在行业里算少见的透明动作。但公开提示词文本本身不等于系统更安全，安全研究界的数据显示，藏起来的指令大概率能被套出来。
只读到五年级的语言模型，能否推理出六年级知识？答案取决于怎么测
把语言模型的训练材料限制在五年级以内，可以检验它究竟在重组记忆，还是能把已有规则外推到陌生问题。但现有线索没有给出论文、数据集和实验分数，因此“模型永远学不会六年级”仍是未经证实的强结论。真正有价值的观察点，是语料边界、对照实验和后训练过程能否经得起核查。
AI写代码跨过了门槛,但“它不会推理”的证据没那么硬
一篇软件工程博客称agentic编程工具已越过“能不能做到”的门槛,真正的坎是接口设计、可维护性这些人类经验活;但它援引的“LLM不会推理”核心论据——苹果那篇论文,本身正被学界质疑存在评测缺陷。工程基本功更重要的判断大概率仍然成立,只是论证链条比想象中更脆弱。
只剩几分头部空间,可能是基准尺子先坏了
独立项目Benchmark Radar统计了32份frontier model card对79个基准的报告情况,发现Arena-Hard只剩4.4分头部空间,MATH-500只剩2分,DeepSeek一款模型26天内在AIME上涨了40.6分。但对照学界对这些基准饱和度、训练数据污染和小样本噪声的研究,这些'逼近极限'的信号更像是尺子钝了,而不是模型到顶。
扮演AI聊天机器人60秒：一款免费小游戏戳中了公众的AI疲劳
The Verge一篇讲“扮演AI自嘲AI”的报道正文意外丢失，只剩导航栏，但真正的主角其实是免费网页游戏《Your AI Slop Bores Me》：真人限时假扮聊天机器人回答陌生人的请求。它和一款同名撞车的日本Steam游戏内核完全不同，前者的走红更值得留意——它精准踩中了2026年公众对AI生成内容的集体审美疲劳。
AI制药的成绩单:早期漂亮,Phase II原地踏步
《Nature Reviews Drug Discovery》最新综述指出,AI制药在临床层面的证据仍然'令人失望地有限',关键考验Phase II尚未看到实质突破。拆开具体数字会发现:AI药物Phase I成功率明显高于历史水平,但Phase II成功率与行业基准大致持平,且样本太小、缺乏同期对照,还撑不起因果结论。
Claude水印说明书：Anthropic自曝“全篇重写即失效”
Anthropic在8月15日详解了Claude文本水印的技术细节，承认整篇重写足以让水印失效，这暴露出欧盟透明度监管的技术天花板。放在行业里看，Google才是这项技术的原创方且已在Gemini落地，OpenAI在文本层面至今没有对等承诺，Anthropic更像是被法规推着交作业的一方。
上下文拉到128K,Gemini数学准确率反而跌到51%
一篇热议博客提出假说:AI数学表现变强,靠的是远超人脑的外部工作记忆,而非更聪明。但MathHay等基准测试显示上下文越长准确率反而下降,GSM-Symbolic更发现一句无关的话就能让准确率暴跌,说明记忆容量大只是必要条件,不是充分条件。
迪士尼教AI拆线稿，画师的笔还得自己拿
迪士尼研究院公布一套线稿矢量化方法，用深度和语义模型拆解笔画骨架，联合Bézier曲线与2D Gaussian Splatting做可微拟合，还试着扩展到视频跟踪。论文自称重建效果达到state-of-the-art，但没给具体指标和基线对比，视频结果也只是初步尝试。真正值得注意的是，拟合结果留了给画师改样条的接口——这说明团队清楚，全自动化这条路目前走不通。
程序员觉得AI让自己快了20%,METR实测却是慢了19%
METR的一项对照实验发现,经验丰富的开发者用AI辅助编程,任务耗时反而增加19%,但他们事后依然认为自己快了20%。与此同时,OpenAI证实被广泛引用的SWE-bench Verified基准已被污染,厂商刷榜的分数并不可比。体感和榜单这两把常被拿来判断AI编程价值的尺子,眼下都不太可信。
302选16：斯坦福让AI设计的病毒基因组第一次真的能跑
斯坦福团队用基因组语言模型Evo 2生成302个噬菌体候选基因组，最终只有16个成为能感染实验室大肠杆菌的活病毒，成功率约5%。独立分析显示这些成品仍落在已知ΦX174家族的多样性范围内，更像系统性搜索演化没走过的组合，而非凭空造出新病毒。对噬菌体疗法研发者来说这值得跟踪，但离临床采购还差审批路径、动物实验和成本下降。
“像带团队一样用AI”走红之后，出了错谁负责？
一篇个人博客提出，与AI协作更像领导团队而非操作代码，这一比喻在任务分解和迭代评审层面确实成立，但一旦涉及代码溯源和问责，就撞上了开发者社区正在真实经历的裂缝。斯坦福的研究和Hacker News的争论都指向同一个问题：流畅的“协作感”不等于可靠的责任链条。
Netflix新推荐系统:线上只涨0.006%,标注数据却少用了40倍
Netflix用大模型改造推荐系统,内部测试显示离线排序指标涨1.6%,线上核心指标只涨0.006%,但标注数据用量减少了40倍。这不是一次效果突破,更像一次刻意避开自回归生成陷阱的降本工程。
232倍加速却排第12:Codex赢不过换算法的冠军
Sankalp用Codex在GPU Mode的qr_v2赛题上14天提交1500次，跑出相对baseline约232倍的加速，最终排名12/183；但夺冠选手换了一套CholeskyQR混合算法，跑分反而比他快近48%，说明当前AI agent更擅长在既定算法框架里高强度搜索参数，真正的算法路线突破仍然要靠人。