智谱AI发布5款新模型：GLM-4-Air和GLM-Z1系列
智谱AI于2025年4月14日发布多个新模型，包括两个基座模型GLM-4-Air-250414和GLM-4-Flash-250414，以及三个推理模型GLM-Z1-AirX、GLM-Z1-Air和GLM-Z1-Flash。其中GLM-4-Air性能比肩GPT-4o和DeepSeek-V3-0324，GLM-Z1-AirX速度最快可达200 tokens/秒，
OpenAI / ChatGPT
公司与模型 · OpenAI 的全部动态：GPT 系列模型、ChatGPT 与 Sora 产品、公司战略与人事
关联由结构化实体与正文位置共同判定 · 最近刷新 2026-09-27 10:39
顺带提及正文出现过，但不是文章的主要讨论对象，当前共 590 条。
4月14日周一 · 1 条
正文顺带提及命中实体：gpt 4o
1月7日周二 · 1 条
正文顺带提及命中实体：chatgpt
智能代理：定义、能力与评估框架
Chip Huyen 在其博客文章中概述了智能代理的概念，将其定义为通过传感器感知环境并通过执行器采取行动的系统。文章强调基础模型的新能力使得构建自主代理成为可能，并讨论了工具和规划对代理能力的关键作用，以及代理的失败模式和评估方法。文章还指出，该领域缺乏成熟的理论框架，并参考了 Anthropic 的相关博客。
7月25日周四 · 1 条
正文顺带提及命中实体：openai
构建生成式 AI 平台：通用架构与关键组件解析
Chip Huyen 在博客中概述了构建生成式 AI 平台的通用架构，从最简单的查询-模型响应开始，逐步添加上下文增强（如 RAG）、护栏、模型路由、缓存等组件，并强调可观测性和编排的重要性。文章指出上下文构建类似于经典机器学习中的特征工程，RAG 是常见的上下文增强模式，并介绍了基于术语和基于嵌入的检索方法。该架构旨在帮助企业高效部署生成式 AI 应用，提
4月12日周五 · 1 条
正文顺带提及命中实体：openai
视频生成扩散模型综述：架构、采样与挑战
本文介绍了扩散模型在视频生成领域的最新进展，包括从零训练视频扩散模型的方法、参数化与采样基础、3D U-Net和Transformer架构，以及Google和OpenAI等机构的相关工作。文章强调了视频生成相比图像生成的额外挑战，如时间一致性和数据稀缺性，并讨论了重建引导和v-参数化等技术。
3月14日周四 · 1 条
正文顺带提及命中实体：chatgpt
Chip Huyen 分析 900 个热门开源 AI 工具：应用开发层增长最快
Chip Huyen 分析了 900 个最受欢迎的开源 AI 工具，发现 AI 技术栈分为基础设施、模型开发和应用开发三层，其中应用开发层在 2023 年增长最快。她指出，应用开发中的 AI 工程领域（如提示工程、AI 接口、代理框架）成为热点，而模型开发层的增长主要来自推理优化。此外，她观察到中国开源生态与西方存在显著差异，且 2023 年 9 月后新工具
2月28日周三 · 1 条
正文顺带提及命中实体：chatgpt
预测性人类偏好：从模型排名到模型路由
Chip Huyen 在博客中探讨了预测性人类偏好（Predictive Human Preference）的概念，旨在预测用户对特定提示词更偏好哪个模型，并应用于模型路由和可解释性。她使用 LMSYS Chatbot Arena 的公开数据（2023年7月，33K 比较）作为基准，评估了 Bradley-Terry 等排名算法的准确性，并构建了一个玩具偏好
10月25日周三 · 1 条
正文顺带提及命中实体：chatgpt
LLM 对抗性攻击综述
本文由 Lil'Log 发布，概述了针对大型语言模型（LLM）的对抗性攻击方法，包括威胁模型、白盒与黑盒攻击的区别，以及五种攻击类型：令牌操作、基于梯度的攻击、越狱提示、人工红队和模型红队。文章重点介绍了令牌操作攻击，如 TextFooler 和 BERT-Attack，并指出这些攻击旨在触发模型输出不安全内容。
10月10日周二 · 1 条
正文顺带提及命中实体：openai
多模态与大型多模态模型（LMMs）全面解析
Chip Huyen 在其博客文章中深入探讨了多模态与大型多模态模型（LMMs）的概念，指出自然智能需要处理多种数据模态，并介绍了多模态系统的类型、基础训练方法（如 CLIP 和 Flamingo）以及当前的研究方向（如生成多模态输出和适配器）。文章强调了多模态在医疗、机器人等领域的必要性，并提及了 GPT-4V 等模型。
1月3日周一 · 1 条
正文顺带提及命中实体：openai
图解检索增强Transformer：RETRO如何以4%参数媲美GPT-3
DeepMind 的 RETRO 模型通过检索数据库增强语言模型，以 7.5B 参数达到 GPT-3 的性能，仅为后者规模的 4%。该模型将事实知识存储在外部数据库中，减少参数负担，训练更快且部署成本更低。文章强调构建更大模型并非提升性能的唯一途径，检索增强是重要方向。