注:本文由 OpenAI gpt-6.1-sol 通过 Codex CLI 自动翻译;翻译质量可能有所欠缺,尤其是技术术语。
新闻
瑞典首相使用 ChatGPT
最近,瑞典首相承认,在需要第二意见或历史资料时,他“经常”使用 ChatGPT。不过,他表示自己不会上传任何文件,使用方式也与医生类似,主要是为了获得更多视角。
此前,多家 AI 实验室一直在积极游说,希望让自己的产品更多地应用于联邦政府系统。 本周,OpenAI 宣布,美国各联邦机构只需支付每个机构 1 美元的费用,即可免费使用 ChatGPT。 Anthropic 也已公开宣布,他们已经为国家安全客户训练了专用模型,其他机构也可以申请使用。
新品发布
GPT 5
备受期待的 GPT 5 已由 OpenAI 正式发布,当然,争议也一点没少。
发布直播出了各种问题,其中最显眼的就是那些令人发指的图表错误,包括一个非常讽刺的错误:连欺骗性得分都被标错了。

他们给模型起名的水平也没什么长进。

现在,在 ChatGPT 中使用 GPT5 时,你的问题会被自动路由到他们认为最适合回答的模型上,这让不少用户很不爽。更糟的是,发布当天模型路由出了故障,导致用户提出复杂问题时,系统却分配了性能较弱的模型,回答质量自然不佳。
抛开发布当天这些乱七八糟的事,这些模型到底好不好用?目前看来,答案是肯定的。
对于普通 ChatGPT 用户,也就是非技术用户和免费套餐用户,相比他们已经用惯了、发布超过一年的 GPT 4o 和 4o mini,新模型的质量会有明显提升。模型阿谀奉承的倾向也有所减弱,希望这能让更少的用户陷入所谓的“ChatGPT 精神病”。
对于更有经验的用户,相比市面上的其他模型,它似乎也有一定的质量提升。最值得一提的是编程能力:它可能比 Claude Sonnet 更进一步,价格还便宜 33%。它比 Sonnet 更善于严格遵循指令,也能在必要时对设计决策提出异议。
据反馈,它的短板在于纯粹的氛围编程,因为面对模糊的提示词,它的表现似乎不如 Sonnet。所以,如果你是一名清楚自己想要什么的软件工程师,GPT 5 会是一件得心应手的精密工具;但如果你喜欢氛围编程,让模型自己琢磨怎么做,那最好还是继续用你现在的工具。
最后,GPT 4o 突然消失,引发了普通用户出乎意料的强烈反对,许多人觉得这就像失去了一位朋友。这迫使 OpenAI 在 ChatGPT 网站上恢复了该模型,供用户选择。孩子们,记住了:不是你的权重,就不是你的老婆。
Google Genie-3
Google 发布了其世界生成模型的第三代版本,名为 Genie-3。 这个模型可以生成自定义环境,让你进入其中四处走动,并在你探索时实时生成地形和物体。 通常,这类模型在物体恒存性方面表现很差。 也就是说,一旦某个物体离开你的视野,等你再回头看时,它可能就不见了,或者变了样。 这个模型已经没有这个问题了。 据他们介绍,模型涌现出了一种能力,可以记住此前出现过的物体及其位置,最长可达一分钟。
OpenAI gpt-oss
GPT-5 并不是 OpenAI 本周唯一的重磅发布。他们还推出了自 GPT-2 以来的首个开源大语言模型。gpt-oss 系列有两种规模,分别为 200 亿和 1200 亿参数,均采用混合专家架构,激活参数量分别为 30 亿和 50 亿。
这些模型的基准测试成绩不错,但大家对其实际质量的普遍评价并不好。 它们似乎完全使用合成数据集训练,几乎不具备现实世界知识。 它们很擅长编程和数学,但在这些领域之外就显得力不从心,预训练数据集缺乏多样性的问题暴露无遗。
它们的知识边界几乎像是硬划出来的,因此会出现非常奇怪的失败情况。 有人反馈,即使问的不是编程问题,模型也会凭空认为你的输入里有一道编程题,然后自顾自地尝试解答。 此外,由于完全使用合成数据训练,这些模型产生幻觉的频率比市面上几乎所有其他模型都高。在 OpenAI 自己推出的 SimpleQA 基准测试中,它们的得分只有个位数的较低水平。
这种表现与 Microsoft 的 Phi 系列模型非常相似,后者以完全使用合成数据集训练而闻名。 这些模型在推理以及科学、技术、工程和数学等 STEM 领域表现不错,但换成其他用途,就会一败涂地。
即便没有这些模型过于死板的问题,在相同规模下,我也不会选择它们。 最近更新的 Qwen3 30B MoE 模型,速度和性能都与之相近,却没有 gpt-oss 那些灾难性的失败情况。 至于 1200 亿参数的版本,GLM Air 模型也能与它直接竞争,几乎所有基准测试的成绩差距都只有几个百分点,在智能体应用方面甚至超过了 gpt-oss。
不过嘛,往好处想,你现在可以强制模型再也不输出长破折号了。
快讯
本周发现的一些实用工具或有趣话题,可能与 AI 有关,也可能无关,只是我没时间为它们单独写一节。
Qwen
Qwen 最近发布的东西实在太多,现在值得拥有自己的专属版块了。
Qwen Image
Qwen 团队推出了一款全新的 200 亿参数图像生成模型,对提示词指令的遵循能力非常强,但我觉得它生成的图像仍有些“AI 味”,实际画质比顶尖模型稍逊一筹。
Qwen3 4B 更新
Qwen 大语言模型团队继续对 Qwen3 系列进行后训练更新,本周推出了两款新的 40 亿参数模型。 值得注意的是,这次不像前两轮更新那样推出编程版本。不过这也合理,毕竟编程是一项非常困难的任务,对小模型尤其如此。
我们开始看清他们重视哪些模型规模,以及认为哪些规模最有价值:大型的 2350 亿参数模型、300 亿参数的 MoE 模型,以及如今这款小型的 40 亿参数模型。

Qwen Coder 现在免费了
Qwen 有自己的 Claude Code 终端界面竞品,而且是基于 Gemini 的终端界面开发的,嗯,一点都不绕。 和 Gemini 一样,他们也提供免费模型访问:只需登录 Qwen 账号,每天就能获得免费请求额度,而且不是 1000 次,是 2000 次。
它采用与 Google 相同的隐私政策,因此会使用你的代码进行训练。如果你能接受这一点,那它就是个很不错的选择。
Opus 4.1
本就处于顶尖水平的 Opus 4 模型迎来了小版本更新,各方面性能都有小幅提升,但没有什么革命性的变化。 Anthropic 表示,未来几周还会带来“幅度大得多的改进”。
小红书 OCR 模型
号称中国版 TikTok 的小红书也有一家 AI 实验室,他们刚刚发布了一款用于通用 OCR 和图像理解的视觉语言模型,性能达到了当前最先进水平。它只有 17 亿参数,因此应该可以在边缘设备上运行。
ElevenLabs Music
ElevenLabs 推出了新的音乐模型。它似乎比 Suno 更进一步,还支持编辑所创作歌曲的声音、歌词,甚至整个段落。使用示例可以看这里。
轻量级深度研究模型
几周前,我们介绍过一款名叫 Jan 的类似模型。如今,这个领域迎来了竞争者:Stability AI 前创始人 Emad Mostaque 的新公司 Intelligent Internet 发布了自己的版本,表现大幅超过 Jan,尤其是在更困难的研究任务上。
所有训练数据和训练方法都已开源。
我认为,这类在本地设备上运行的小型个人智能体很可能代表着未来,因为它们易于定制,用户也可以让它们访问私人信息,不必担心这些信息落到别人手里。
Nvidia 最近发布的一篇论文也表达了类似观点,强调小语言模型(SLM)成本更低、速度更快,同时在大多数实际任务中依然能有同样出色的能力。
Kitten TTS 模型
Kokoro TTS 的 7000 万参数对你那台老旧的树莓派来说,还是太多了?别担心,现在有了一款更小的语音合成模型,叫作 Kitten TTS,只有 1500 万参数。
声音效果确实不如 Kokoro,但仍然完全够用,尤其适合资源极度受限,或追求尽可能低延迟的场景。
现实中完全由 AI 运营的公司
未来大概会有成千上万家由 AI 运营的公司,但眼下还很少。你可以在这里看到,TikTok 上有个人发现,自己所在公司的所有同事和老板,竟然都是不同的 AI 智能体。
这些视频看起来挺有说服力。即便是假的,未来也一定会出现这样的真事。
MCP 强化学习
你有一个 MCP 服务器,但智能体总是搞不明白怎么用?现在,你可以通过强化学习,微调你的智能体,让它学会使用你的服务器,而且不需要任何数据。只需提供服务器连接,智能体就会自己“摸索着玩一玩”,学会怎样最有效地使用它。
Gemini 向学生免费开放
2.5 Pro 使用权限、NotebookLM、深度研究,以及 2TB 存储空间,全部免费提供。你只需要一个 .edu 邮箱。大家一起说:谢谢 Sundar。
结语
希望你喜欢本周的新闻。如果想每周收到这些资讯,记得在下方订阅我们的邮件列表。
