OpenAI / ChatGPT

Azure DevOps 远程 MCP 服务器正式发布，但暂不支持 Claude、ChatGPT 或 Cursor

微软已将 Azure DevOps 远程 MCP 服务器正式发布，为 AI 助手提供托管端点以访问工作项、拉取请求、仓库和管道，无需安装。然而，Claude Desktop、Claude Code、ChatGPT 和 Cursor 等客户端目前无法连接，原因是微软 Entra 身份验证不支持动态 OAuth 客户端注册或客户端 ID 元数据文档。微软正在与

SNAIL：从文献中自动识别生物信息学软件名称的混合框架

堪萨斯大学等机构的研究者提出了SNAIL，一个混合命名实体识别框架，用于从生物医学文献中自动识别生物信息学软件和数据库名称。SNAIL结合词汇与语义建模，利用SciBERT等Transformer模型和token掩码策略，并通过引用提示和LLM辅助蒸馏构建训练语料。在多个基准和真实文献上，SNAIL显著优于bioNerDS2及ChatGPT、Gemini等通

广州AI营销公司钛动科技获新一轮融资，深耕ChatGPT广告优化

广州AI营销公司钛动科技宣布完成新一轮融资，由华泰泛大西洋基金领投，资金将用于钛极专业大模型和Navos多智能体等AI技术研发。公司已成为ChatGPT Ads首批官方技术合作伙伴，并推出GEO解决方案，测试显示客户ROI提升至2.5倍。此前公司已递交港交所上市申请，2025年前9个月营收同比增长74.5%。

皮尤研究：ChatGPT发布后超三分之一网页疑由AI撰写

皮尤研究中心的一项新研究发现，自ChatGPT发布以来，超过三分之一的网页显示出AI写作的迹象。该研究使用Common Crawl档案和Open Pangram技术分析了近50万个英文网页，发现35%的新网页可能由AI撰写或大量编辑。相比之下，.com域名的AI写作比例约为.edu和.gov域名的10倍。研究还指出，AI检测工具可能存在误判，但数据方向性正确

前沿雷达：中国AI模型逼近，西方领先还剩什么？

THE DECODER 的 Frontier Radar 第四期指出，中国 AI 模型如 Kimi K3 和 GLM-5.3 已接近美国顶尖模型水平，西方实验室指责中国通过蒸馏和刷分追赶，但模型领先优势难以维持。西方在抽象测试、可靠性和前沿领域仍有优势，但整体领先已转向系统层面。文章还提到欧洲在 AI 竞赛中落后。

AI 引发的数学危机：从震惊到存在主义拷问

The Verge 的 AI 记者 Robert Hart 在 Decoder 节目中讨论了 AI 对数学领域造成的冲击，称数学界因 OpenAI 发布的高难度数学问题解决方案而‘震惊’。尽管 AI 在基础算术上仍表现不佳，但在高级抽象数学上已展现出专业水平，引发了对数学家角色和数学研究未来的存在主义危机。Hart 采访了多位顶尖数学家，探讨 AI 能力提升

Prime Intellect多智能体Harness让开源模型逼近顶级闭源模型

开源AI基础设施公司Prime Intellect发布研究，提出多智能体Harness系统，让更便宜的开源模型承担监控和实现任务，从而降低AI自主科研成本。实验中，18个前沿模型参与nanoGPT优化器速通，开源模型Kimi K3搭配Prime Agent Harness达到2930步，超过GPT-5.6 Sol的3042步，逼近Opus 5的2920步。研

华尔街实测8款主流Agent：千问办公综合排名第一

华尔街投行杰富瑞实测八款全球主流AI Agent，结果显示阿里千问办公综合得分第一，超越Claude Cowork和Codex等工具。报告将Agent能力拆分为模型与Harness，千问办公的隐含Harness分居首，且API价格较低，具备成本优势。报告认为企业级Agent竞争核心在于工作流和生态协同，千问办公已初步打通钉钉。

另有 1 家信源报道

Stampli 借助 ChatGPT Work 将发布工时缩短 68%

Stampli 在截止日期固定且设计资源已被占用的情况下，使用 Codex 和 ChatGPT Work 将原本需要数周的发布制作压缩到几天完成。

LangChain 发布 langchain-openai 1.6.0，新增标准异常类型

LangChain 发布了 langchain-openai 1.6.0 版本，主要新增了标准模型异常类型，并修复了在 create chat result 中遇到意外响应类型时错误提示不清晰的问题。该版本旨在提升 OpenAI 集成的稳定性和错误处理能力。

LlamaIndex v0.14.24 发布：修复多项核心问题并支持新模型

LlamaIndex 发布 v0.14.24 版本，包含多个核心修复和功能增强。核心库修复了 HotpotQA 评估器文件句柄、CodeSplitter 叶子节点保留、MMR 搜索阈值等问题，并新增了属性图提取器的 raise on error 选项。各集成模块也同步更新，如 Anthropic 和 Bedrock 新增对 Claude Sonnet 5 和

AI实验室未能有效管控自身系统

非营利组织Guidelight发布首份评估报告，指出Anthropic、OpenAI、Google、xAI和Meta等AI实验室未能完全对其内部AI系统实施基本控制措施。评估基于公开资料，检查了日志记录、风险审查、紧急关闭等六项实践，其中Anthropic和OpenAI得分最高（C+），Meta最差（F）。报告显示各公司在检测异常行为方面表现较好，但在预防和

Anthropic 营收首超 OpenAI，AI 竞赛格局生变

Anthropic 首次在营收上超过 OpenAI。OpenAI 第二季度营收为 67 亿美元，环比增长 18%，而 Anthropic 同期营收翻倍至 116 亿美元，并实现小幅营业利润。Anthropic 的年化营收率同比增长七倍至 650 亿美元，其编程工具 Claude Code 的成功对 OpenAI 构成压力。OpenAI 表示在 GPT-5.6

杰富瑞实测：阿里千问办公Agent综合排名第一，超越Claude Cowork和Codex

华尔街投行杰富瑞实测八款全球主流AI Agent，结果显示阿里千问办公综合得分第一，超越Claude Cowork和Codex。测试涵盖五项真实办公任务，千问办公在复杂任务、浏览器控制及多模态生成中表现突出，且隐含Harness分居首。报告指出，Agent竞争正转向企业级场景，成本与生态协同成为关键。

另有 1 家信源报道

StateM 通过运行时扩展在 Terminal-Bench 2.1 上实现 95.3% 准确率

StateM 是一个通过持久状态、可恢复运行手册和程序化控制来提升长时程智能体执行能力的运行时系统，无需修改模型权重。在 Terminal-Bench 2.1 上，StateM 将 GPT-5.5 xhigh 的准确率从 83.1% 提升至 92.1%，并将 GPT-5.6 Sol xhigh 提升至 95.3%，同时将 DeepSeek-V4 Flash

新基准评估AI代理搜索API的质量、成本与速度

Artificial Analysis 发布了名为“Search Index”的新基准，用于评估搜索 API 提供商在 AI 代理场景中的质量、成本和速度。该基准使用统一模型 GPT-5.6 Luna 和开源框架 Stirrup 测试了 Parallel、Exa、Firecrawl 等七家提供商，并结合三个子基准进行评分。结果显示，更好的搜索质量能降低总成本

大厂AI办公热潮背后，蚂蚁数科Agentar进军企业核心业务

国内大厂正从AI办公转向企业核心业务场景，蚂蚁数科推出Agentar生态版，帮助商家将服务AI化并接入智能体体系，实现从工具到业务交付的跨越。海外Palantir和OpenAI也在布局AI商业应用，麦肯锡预测到2030年AI代理将参与3万亿至5万亿美元消费交易。蚂蚁数科Agentar已在金融等领域落地超300个智能体，并获IDC市场报告认可。

Asana 借助 Codex 两周完成多年代码迁移

Asana 使用 OpenAI Codex 在两周内替换了一套过时的测试系统，模型和基础设施成本约为 1.2 万美元。

Anthropic年化营收650亿美元反超OpenAI，IPO在即

据彭博社报道，Anthropic在IPO前夕向投资人披露其最新年化营收达650亿美元，较2025年底的90亿美元增长超7倍，并反超OpenAI的400亿美元。Anthropic的增长主要来自企业客户和Claude Code，且已实现调整后营业利润转正，计划最快10月上市。OpenAI则面临营收差距和IPO节奏压力，正调整管理层以应对竞争。

另有 1 家信源报道

未写下的基准：多模态机器学习在抽象感知推理中的新挑战

本文提出了一个名为“The Unwritten Benchmark”的新基准，用于评估多模态模型在抽象感知推理中的能力。该基准要求模型仅通过笔划声音和手部运动视频来推断正在书写的单词，而无需可见的墨水痕迹。结果显示，人类参与者的有序字母准确率超过80%，而包括GPT-4o和Gemini 2.5-Pro在内的领先多模态模型准确率低于10%。此外，研究发现多模态