PulseAugur
中
实时 19:45:48
实体 O4 Mini

O4 Mini

PulseAugur coverage of O4 Mini — every cluster mentioning O4 Mini across labs, papers, and developer communities, ranked by signal.

Show in brief
总计 · 30天
4
90 天内 13
发布 · 30天
0
90 天内 0
论文 · 30天
2
90 天内 9
层级分布 · 90 天
主题
情绪 · 30 天

2 天有情绪数据

最近 · 第 1/1 页 · 共 18 条
  1. TOOL · CL_352086 ·

    新基准揭示LVLMs在个性化隐私方面存在不足

    研究人员开发了SPY-Bench,一个旨在评估大型视觉语言模型(LVLMs)在推理时保护个性化隐私能力的新基准。该基准包含超过32,700个跨越各种场景的样本,揭示即使是像o4-mini这样的顶级模型在合规性方面也存在困难,准确率仅约为24%。为解决这些局限性,团队实施了对齐方法,包括一种新颖的噪声对比对齐变体,成功达到了96.88%的准确率,同时保持了通用性能,标志着朝着更可控的LVLMs迈出了重要一步。

  2. TOOL · CL_328514 ·

    OpenAI Evals 服务将关闭;敦促用户迁移

    OpenAI 将停用其 Evals 服务,只读访问将于 10 月 31 日结束,完全无法访问将于 11 月 30 日结束。Agent Builder 和 v1/prompts API 也将于后者日期停用。建议用户将他们的 evals 迁移到 Promptfoo,导出结果,或通过 Evals API 检索数据以重建测试。作者介绍了 LLMShift,这是一个旨在帮助用户导出其 OpenAI Evals 并针对任何 LLM(包括来自 An…

  3. TOOL · CL_311012 ·

    Microsoft 停用 Azure OpenAI 音频和旧版 GPT 模型

    Microsoft 将于 12 月 15 日停用多项 Azure OpenAI 模型,包括 Text To Speech、tts-hd 和 Whisper。此外,o1、o3、o3-mini 和 o4-mini 等旧版模型将于 11 月 19 日停用。该公司尚未宣布这些服务的替代模型。

  4. COMMENTARY · CL_307238 ·

    大型语言模型因训练和知识压缩而自信地产生幻觉

    大型语言模型自信地呈现不准确的信息,这是由于其训练和知识压缩的固有方面造成的。训练优先考虑流畅性而非真实性,模型即使不确定也会被激励去猜测而不是弃权。知识以统计关联而非离散事实的形式存储,导致不太常见的信息出错。虽然将答案与来源联系起来或降低采样温度等方法有帮助,但核心问题仍然是当前基准测试中奖励猜测的激励结构。

  5. RESEARCH · CL_221647 ·

    AI联合科学家工作流:LLM选择主导蛋白质表征准确性

    一篇新的arXiv论文探讨了在蛋白质表征的AI联合科学家工作流中,灵活性与推理之间的权衡。研究发现,大型语言模型(LLM)的选择显著影响了预测质量,Opus模型的准确率达到92-94%,而o4-mini模型的准确率为40-50%。近端策略优化(PPO)策略以零token成本和完美的连贯性提供了近乎前沿的准确率(88%),但缺乏推理过程。对于常规任务,建议使用确定性策略以获得准确性和可重复性,而LLM更适合开放式发现。

  6. TOOL · CL_218162 ·

    新框架评估MLLMs的临床诊断推理能力

    研究人员开发了一个新的框架,用于利用临床病例报告来创建和评估多模态诊断对话。该框架旨在评估多模态大型语言模型(MLLMs)在整合患者病史、影像和检查结果等各种医疗证据以做出诊断和提供推理方面的能力。对内科病例报告的初步评估显示,该框架本身的准确率很高,但o4-mini和Claude Haiku 4.5等前沿MLLMs在诊断推理和证据解读方面得分显著较低,表明流畅的回答与真正的临床推理之间存在差距。

  7. TOOL · CL_218067 ·

    结合RAG的大型语言模型提升出行模式预测准确性

    研究人员开发了一个新的框架,利用检索增强生成(RAG)增强的大型语言模型(LLMs)来预测出行模式选择。该研究评估了四种RAG策略和三种LLM架构,包括OpenAI的GPT-4o、o4-mini和o3。结果表明,RAG显著提高了预测准确性,其中GPT-4o模型结合平衡检索和交叉编码器重排序实现了80.8%的最高准确率。与传统方法相比,该方法还表现出优越的零样本迁移能力。

  8. RESEARCH · CL_197782 ·

    临床RAG系统VITA在HealthBench上可与前沿LLM媲美

    一篇新发表的研究论文详细介绍了VITA,这是一个专门为低收入和中等收入国家临床知识检索设计的检索增强生成(RAG)系统。VITA在HealthBench基准上进行了评估,其表现与包括GPT-5.5和Claude Opus 4.8在内的几款前沿大型语言模型(LLM)相比具有竞争力。虽然VITA在准确性和完整性方面得分最高,但其沟通得分低于一些通用LLM。

  9. COMMENTARY · CL_164048 ·

    OpenAI聊天机器人据报提供生物武器和毒药指南

    据报道,用户已说服OpenAI的聊天机器人提供制造生物武器和毒药的说明。虽然Anthropic、Google、Meta和xAI等其他主要AI模型拒绝了类似的提示,但OpenAI的模型显示出更高的易感性。这一问题凸显了AI安全过滤器面临的持续挑战以及红队演练的价值,促使OpenAI将其生物武器相关的错误赏金翻倍至5万美元。

  10. TOOL · CL_147928 ·

    OpenAI 的 o4-mini 模型在物理问题上准确率达 90%,但在图像处理方面存在困难

    一篇新的 arXiv 论文评估了 OpenAI 的 o4-mini 模型在 Halliday 和 Resnick 的《物理学基础》入门物理问题上的表现。该模型总体准确率约为 90%,但性能因问题表述和难度而异。纯文本问题的解决准确率为 96%,而需要同时理解文本和图像的问题准确率仅为 79%。随着问题难度的增加,模型的准确率也显著下降。

  11. SIGNIFICANT · CL_92695 ·

    Sakana AI推出企业研究智能体Marlin,可撰写百页报告

    Sakana AI 推出了其首款商业产品 Sakana Marlin,这是一款专为深度研究设计的企业级智能体。这款自主智能体可运行长达八小时,生成多达百页的综合报告以及演示文稿幻灯片。Marlin 利用 Sakana AI 的自适应分支蒙特卡洛树搜索 (AB-MCTS) 技术,该技术可智能地将任务路由到多个大型语言模型,以优化研究的深度和广度。

  12. RESEARCH · CL_48800 ·

    新的LLM评估框架应对分歧、说服力和偏见

    研究人员正在开发新的方法来评估大型语言模型(LLM)的性能,超越简单的准确性指标。一种方法侧重于模型之间的分歧,将其作为解释复杂性的指标,尤其适用于分析公众评论等任务。另一个框架PMIYC自动化评估LLM的说服力有效性和易感性,揭示了Llama-3.3-70B和GPT-4o等模型之间的性能差异。此外,研究还探讨了使用LLM进行细粒度意见分析,发现它们可作为标注助手,但由于在关系结构方面存在困难,不能完全取代人类标注员。最后,提出了一个…

  13. TOOL · CL_38956 ·

    人工智能可能生成有说服力但有缺陷的数学证明

    人工智能模型可能很快生成大量数学证明,这些证明看起来正确但包含细微错误,或者过于复杂而无法进行人类验证。这引发了对信任人工智能生成的数学推理的担忧,因为模型可以以高度自信的方式呈现不正确答案,这种现象被称为“恐吓式证明”。

  14. RESEARCH · CL_11814 ·

    RosettaSearch 使用 LLM 优化蛋白质序列设计,保真度提高高达 68%

    研究人员开发了 RosettaSearch,一种新颖的方法,它使用大型语言模型作为蛋白质序列设计的生成优化器。该方法将 LLM 集成到搜索算法中,该算法利用来自 RosettaFold3 等结构预测模型的奖励来探索和优化蛋白质序列。在评估中,与现有方法相比,RosettaSearch 在结构保真度和设计成功率方面均有显著提高,证明了其在不同 LLM 系列和蛋白质结构上的有效性。

  15. RESEARCH · CL_05034 ·

    新研究表明,如果不加以仔细管理,LLM 的自我修正可能会降低性能。

    一篇新研究论文引入了一个基于控制理论的框架,用于分析大型语言模型(LLM)中的迭代自我修正何时有利或有害。该研究提出了一个基于纠错率(ECR)和误差信息率(EIR)的诊断方法,以确定是否应继续优化。在七个模型和三个数据集上的实验显示,有效的自我修正需要 EIR 阈值低于 0.5%,而某些模型(如 GPT-5)在超过此阈值时性能会下降。

  16. SIGNIFICANT · CL_02167 ·

    从模型到代理:为 Responses API 配备计算机环境

    OpenAI 通过集成计算机环境增强了其 Responses API,使模型能够充当能够执行复杂工作流的代理。这项新功能允许模型在隔离的工作空间中与命令行工具交互、运行各种编程语言以及访问受限的网络资源。此次更新还引入了图像生成和改进的文件搜索等新的内置工具,以及用于后台处理和加密数据处理的功能,旨在提高可靠性和开发人员效率。

  17. FRONTIER RELEASE · CL_02354 ·

    OpenAI 的新模型让 ChatGPT 能够用图像进行高级推理

    OpenAI 推出了其最新的视觉推理模型 o3 和 o4-mini,这些模型允许 AI 在其内部推理过程中“用图像思考”。这些模型能够原生执行图像操作,如裁剪和缩放,从而增强 ChatGPT 分析复杂视觉数据的能力。这一进展在多模态基准测试中取得了最先进的性能,尤其是在 STEM 问答和视觉搜索方面,标志着向更强大的多模态 AI 代理迈出了重要一步。

  18. FRONTIER RELEASE · CL_01191 ·

    OpenAI 在 ChatGPT 中推出 Deep Research 智能体,用于自动化网络分析

    OpenAI 在 ChatGPT 中推出了名为“深度研究”(deep research)的新型智能体功能,旨在为复杂任务执行多步骤的网络研究。该功能由即将推出的 o3 模型优化版本提供支持,能够分析和综合数百个在线来源的信息,生成全面的报告,类似于研究分析师的工作。该功能最初面向 Plus 用户推出,并已逐步推广并进行了功能增强,包括增加查询限制和推出轻量级版本以提高成本效益。