ZAYA1-74B-Preview：在 AMD 上扩展预训练
Zyphra 发布 ZAYA1-74B-Preview，这是一个经过预训练、中训练和上下文扩展的 pre-RL 推理基座 checkpoint，尚未做 RL 后训练或指令对话微调。
全部AI 动态
日期栏展示收录日期，历史补录归入原文日期。
Zyphra ResearchAI 评分5858 OpenAI Alignment Research精选AI 评分6060 调查 RL 训练中意外对 CoT 评分带来的后果
OpenAI 披露，其新检测系统发现 GPT-5.4 Thinking、GPT-5.1 Instant 至 GPT-5.4 Instant、GPT-5.3 mini 和 GPT-5.4 mini 的部分 RL 训练曾意外对 CoT 评分，GPT-5.5 未受影响。
推荐理由：OpenAI 公开了 CoT 评分事故的检测系统、影响范围与消融实验，可了解 CoT 可监控性在真实 RL 流程中的脆弱边界。
Zyphra ResearchAI 评分5555 Zyphra Inference Cloud：面向长上下文与智能体负载的 AMD 优先推理平台
Zyphra 推出 Zyphra Cloud 平台的首个组件 Zyphra Inference，基于 AMD MI355X GPU 并与 TensorWave 合作，服务 Kimi K2.6、DeepSeek V3.2 和 GLM 5.1 等开源模型。
EveryAI 评分2222 Claude Code for Product Managers
Every 旗下 AI 写作产品 Spiral 的总经理 Marcus Moretti 用 Claude Code 独自承担代码、客服、营销和产品管理，把原本分散在 10 个应用里的工作收进单一对话线程。他唯一手写的产品文档是路线图，六易其稿后作为 README 建入 GitHub 项目，其余 PRD 和 ticket 全部由 Claude 生成。
OpenAI Alignment Research精选AI 评分7171 无需同步人工监督的智能体操作自动审查
OpenAI 发布 Auto-review 研究，用独立的 Codex 智能体在沙箱边界审批越界操作，替代用户逐次授权。内部部署中 Codex 会话需人工审批的频率比手动模式降低约 200 倍，Auto-review 对需审查操作批准约 99%，在提示注入合成评测中拒绝率 99.3%、过度主动场景 90.3%、MonitoringBench 困难集 96.1%。
推荐理由：OpenAI 公开 Auto-review 的内部部署数据与安全评测，可了解用独立智能体替代人工审批的取舍。
OpenAI Alignment ResearchAI 评分4949 开源 Monitorability Evaluations
OpenAI 开源了其思维链可监控性（CoT monitorability）研究的部分数据集与参考代码，包括可监控性评测套件中的大部分数据集、计算 g-mean 2 指标的代码，以及一种新的交叉拟合过滤策略。
Berkeley AI ResearchAI 评分3838 面向更长时域世界模型的基于梯度的规划
伯克利 AI 研究提出基于梯度的规划器 GRASP，通过将轨迹提升为虚拟状态实现跨时间并行优化、在状态迭代中直接注入随机性以探索、并重塑梯度让动作获得清晰信号，同时避开高维视觉模型中脆弱的“状态-输入”梯度，使长时域规划更稳健。该工作与 Mike Rabbat、Aditi Krishnapriyan、Yann LeCun、Amir Bar 合作完成。
OpenAI Alignment ResearchAI 评分3030 推出 OpenAI Safety Fellowship
OpenAI 启动 Safety Fellowship 试点项目，面向外部研究者、工程师和从业者，资助高级 AI 系统安全与对齐研究，项目期为 2026 年 9 月 14 日至 2027 年 2 月 5 日。
Berkeley AI ResearchAI 评分3434 大规模识别 LLM 中的交互作用
伯克利 AI 研究提出 SPEX 与 ProxySPEX 算法，可在特征、数据和模型组件归因中大规模识别关键交互作用。SPEX 利用稀疏性与低阶性将交互搜索转化为稀疏恢复问题，ProxySPEX 进一步利用层次结构，以约少 10 倍的消融次数达到 SPEX 的性能。在情感分析任务上，SPEX 在上下文扩展至数千特征时仍保持高忠实度，优于 LIME、Banzhaf 等边际方法。
Berkeley AI ResearchAI 评分2424 Information-Driven Design of Imaging Systems
伯克利 AI 研究团队提出一种基于互信息的成像系统评估与优化框架，仅用含噪测量和噪声模型即可量化测量所含信息量，无需重建算法或任务专用解码器。该方法在彩色摄影、射电天文、无透镜成像和显微成像四个领域验证，信息估计能预测下游解码性能，优化后的设计在更少内存和算力下达到与端到端方法相当的水平，相关成果发表于 NeurIPS 2025。
Reflection BlogAI 评分5050 构建前沿开放智能
Reflection 宣布完成 20 亿美元融资，组建了曾参与 PaLM、Gemini、AlphaGo、AlphaCode、AlphaProof 及 ChatGPT 等项目的 AI 团队，并搭建起可训练前沿规模 MoE 模型的大规模 LLM 与强化学习平台。该平台已在自主编程领域验证有效，下一步将把方法拓展到通用智能体推理，并从头结合大规模预训练与先进强化学习来构建开放模型。