追踪 AI 更新，查看事件时间线和原始信源；需要做购买决策时，再去比价。
当前公开精选集合，保留来源更正和撤回。最后同步：
OpenAI扩展了网络安全领域的可信访问计划，推出了GPT-5.5和专门针对网络安全的GPT-5.5-Cyber模型。此举旨在帮助经过验证的网络安全防御者加速漏洞研究，并加强对关键基础设施的保护。新模型将为安全专业人员提供更强大的AI工具支持。
AIHOT 精选理由GPT-5.5 正式登场，首秀是给安全防御者用的，Trusted Access 机制把模型和真实漏洞环境连起来，做网络安全的可以关注，其他人先看看。
OpenRouter 向所有支持工具调用的模型开放自主网络搜索与页面内容抓取能力，并允许用户从多个搜索引擎和抓取引擎中自行选择。
AIHOT 精选理由OpenRouter把网络搜索和抓取做成统一的工具接口，任何工具调用模型都能用，做agent的开发者不用再自己拼搜索层了。
OpenRouter 推出新功能，允许任何工具调用模型自主进行网页搜索并抓取页面内容，支持多种搜索引擎和抓取引擎供选择。
AIHOT 精选理由OpenRouter 给所有工具调用模型配上了统一的网络搜索和抓取能力，开发者不用再为每个模型单独对接搜索 API，适配成本直线下降。
该工具赋予任何具备工具调用能力的模型自主进行网络搜索和抓取网页内容的功能。它支持多种搜索引擎和抓取引擎供用户选择，实现了跨模型的一致操作体验。这意味着开发者可以便捷地为不同的大语言模型（如GPT、Claude、LLaMA等）集成实时、可靠的网络信息获取能力，无需为每个模型单独适配。
AIHOT 精选理由让任何模型都能用统一接口做联网搜索和抓取，做 agent 的同学不用再为每个模型单独配工具了，在 OpenRouter 上搭产品的实用性直接拉高。
Anthropic研究所公布了其四大核心研究领域：经济扩散、威胁与韧性、真实世界中的AI系统以及AI驱动的研发。该机构将利用其身处前沿AI实验室内部的独特优势，研究AI对世界的实际影响，并公开分享成果。具体举措包括发布更细粒度的“Anthropic经济指数”以预警重大变革，分析面对新型AI安全风险时最需投资韧性的社会领域，以及探讨AI工具如何加速其自身研发。这些研究成果将为Anthropic的“长期利益信托”提供决策依据，并帮助外部组织与公众更好地应对AI发展。
AIHOT 精选理由Anthropic 的研究所首次系统公开研究议程，这不是公关辞令，而是一份真问题清单，尤其 AI 驱动的 AI R&D 部分，预示了递归自我改进的可能路径，值得反复读。
OpenAI API 推出了新的实时语音模型，能够进行推理、翻译和语音转录。这些模型显著提升了语音交互的自然度与智能水平，支持实时处理与多语言转换。新功能旨在为开发者提供更强大的工具，以构建更流畅、更智能的语音应用体验。
AIHOT 精选理由语音模型不再只是‘听写’，开始能推理和翻译了，OpenAI这次API更新的几个新模型把语音智能推向更实用的阶段，做语音产品的值得赶紧试试。
全国首例AI短剧侵权刑事案一审宣判。被告人盗录某公司AI工具生成的短剧超过1700部，并在二手平台以66.66元打包出售牟利，构成侵犯著作权罪。法院认定，这些短剧由用户输入原创剧本、情节等提示词生成，体现了独创性表达，属于受著作权法保护的作品。被告人被判处有期徒刑八个月，缓刑一年两个月，并处罚金人民币六千元。涉案公司平台已累计生成超7000部AI短剧，单价数元至十几元，热门剧销量可达上千份。
AIHOT 精选理由AI短剧首例刑事案落槌，法院认定了提示词创作的独创性，以后靠盗录AI赚快钱的路子要被堵死，做内容生意的都得认真看。
作者开发了一个名为“GitHub Repo Stats”的在线工具，用于解决GitHub移动端网站不显示仓库提交次数的问题。用户只需输入GitHub仓库的URL或“foo/bar”格式的仓库ID，该工具便会通过REST或GraphQL API获取并展示仓库的关键统计数据，其中首要指标就是提交总数。工具已提供实际示例，如查看simonw/datasette和simonw/llm这两个仓库的详细数据。
AIHOT 精选理由Simon 这个 GitHub Repo Stats 工具虽小，但直接解决了移动端看不了 commit 数这个真实痛点，做开源评估的开发者可以立刻用起来。
阿里千问在PC端上线AI语音输入功能，用户通过快捷键即可在各类桌面应用中直接使用。该功能不仅支持去除语气词、纠错和格式化整理口语内容，更能基于上下文智能回复，并可直接下达创作、问答、翻译等指令。其设计逻辑超越传统语音打字工具，旨在成为跨应用的AI任务调度中枢：用户通过按住快捷键启动语音输入模式，或双击切换至AI指令模式，可直接派发信息检索、文档生成等任务。该功能覆盖文档编辑、网页浏览、即时通讯等主流办公场景，无需切换客户端或打开额外窗口，目前所有用户可免费使用。
AIHOT 精选理由阿里千问把语音输入做成了跨应用的AI任务调度中枢，按住说话就能直接发指令干活，对办公族来说是个真提效的小功能，值得装上试试。
PromptArmor 报告 Microsoft Copilot Cowork 存在间接提示词注入风险，可外泄 M365 文件：向活跃用户本人发送邮件或 Teams 消息无需人工批准，消息中的外部图片可触发攻击者控制的网络请求，配合预认证下载链接即可在用户打开消息时外泄文件。
AIHOT 精选理由原文给出了完整攻击链、5/5 成功率实测和管理员缓解命令，读者可据此评估 Copilot Cowork 的提示词注入外泄风险。
Anthropic在15个月内估值从10亿飙升至300亿美元，但其企业价值与未来收入之比仅为17倍，远低于增长更慢的Palantir（49倍）。这一估值折扣主要源于四大因素：极高的资本密集度（如年成本达62亿美元的GPU协议）、未来盈利能力不明（可能成为软件公司或资本密集型公共事业）、收入增长的波动性，以及外生的政治与监管风险。市场正通过折扣来反映这个高速变化领域的不确定性。
AIHOT 精选理由Tomer用资本密集度、盈利不确定性、增长波动和政治风险四把尺子量了Anthropic的估值折价，看完你会理解为什么市场给AI增长打了个问号。
OpenAI开始在ChatGPT中测试广告功能，旨在支持其免费服务的持续运营。测试强调广告会带有明确标识，且广告内容不会影响ChatGPT的回答独立性。该举措配套严格的隐私保护措施，并确保用户对广告体验拥有控制权。
AIHOT 精选理由ChatGPT免费版要开始看广告了，虽然官方承诺回答不受影响且隐私保护，但这是AI商业化的大实验，所有免费用户都会盯着会不会掺水。
研究人员提出文本条件联合嵌入预测架构（TC-JEPA），通过引入图像描述文本作为条件信息来降低掩码特征预测中的视觉不确定性。该方法采用细粒度文本调节器，对输入文本标记计算稀疏交叉注意力，从而调制预测的图像补丁特征。与基于掩码特征预测的I-JEPA相比，TC-JEPA能够学习到语义更丰富的视觉表征，解决了原有方法因视觉不确定性导致的语义学习不足问题。
AIHOT 精选理由Apple 这篇 TC-JEPA 把文本融入自监督视觉预训练，用稀疏交叉注意力减少预测不确定性，对多模态表征学习是个不错的思路补充，做视觉模型的值得一看。
ChatGPT 推出了一项名为“可信联系人”的可选安全功能。当系统检测到用户存在严重的自残风险时，该功能会主动通知用户预先设定的一位可信联系人。这项更新旨在通过社交支持干预，为面临心理健康危机的用户提供额外安全保障。
AIHOT 精选理由ChatGPT 这次更新的不是模型能力，而是安全机制，引入可信联系人针对严重自残风险，对部分用户是真正的底线保障。
学习型编解码器相比传统硬编码方法的显著优势在于能直接针对人类视觉系统进行优化，但目前尚未出现兼具感知质量与实用性的图像编解码方案。本研究通过全面分析关键建模选择，旨在填补这一空白，探索在感知质量与运行效率间的联合优化方案，并在消融实验中引入了若干新技术。研究进一步采用性能感知的神经架构优化方法，为构建真正实用化的学习型图像压缩系统提供了系统性的设计指南与实验基准。
AIHOT 精选理由Apple 这篇调研把感知质量和运行效率同时拉进实做框架，做 codec 或端侧推理的人值得认真读一下。
研究发现，部分已发布的模型存在有限的意外对思维链（CoT）进行评分的情况。团队已修复受影响的奖励通路，并确认没有明确证据表明模型的可监控性因此下降。这表明当前强化学习训练中对CoT的意外评分影响有限，且修复后未对监控能力产生负面影响。
AIHOT 精选理由OpenAI 对齐团队发现部分模型 CoT 意外被奖励信号污染，已修复且确认没有引发监控降级。这件事不大，但对研究 RLHF 可扩展监督的人来说值得一瞥，提醒奖励模型工程比想象中更易出错。
GitHub 探讨如何为 Copilot 编码智能体构建“信任层”。文章提出，在“正确”答案非确定性的场景下，可通过领域分析来验证智能体的自主行为，避免使用脆弱的脚本或黑盒判断。该方法旨在提升 AI 编码助手的可靠性与透明度，确保其行为符合预期标准。
AIHOT 精选理由做coding agent最头疼的就是如何验证产出质量，GitHub这篇把他们的内部方法论开源了，用dominance分析替代脆弱的脚本，对正在折腾AI编程工具的团队是实打实的参考，值得逐帧学习。
AIHOT 精选理由Musk 把 xAI 拆了塞进 SpaceX，这一步比任何模型发布都更狠，但「SpaceXAI」这名字更像 PR 操作，关键得看 Grok 团队是真融合还是换个招牌。
为确保 vLLM 从 0.8.5 到 0.18.1 的重大重写后，在线强化学习训练结果与 V0 参考运行一致，团队优先修复后端行为而非调整 RL 目标。关键修复包括：将日志概率模式设为 `processed_logprobs` 以匹配采样器分布；禁用 V1 特有的前缀缓存和异步调度等运行时默认值；调整权重更新路径以匹配 V0 的缓存保留行为；并确保 rollout 后端使用 fp32 精度的 `lm_head` 进行最终投影。这些措施消除了策略比率均值偏差，使 V1 在 KL 散度、熵等指标上与 V0 达成一致。
AIHOT 精选理由vLLM V1迁移时踩的四个坑全在这里，从logprob语义到fp32投影头，修完才调RL目标，做在线RL的团队可以直接抄这份配置清单。
通过个人智能与Nano Banana 2的协同工作，您现在可以将兴趣转化为Gemini中的图像。 请勿错过我们在Discord上的下一次社区活动，届时将有最新版本团队的现场演示和问答环节。 👉加入我们的Discord观看直播：http://discord.gg/gemini 📅 今天太平洋时间中午12:00
AIHOT 精选理由Nano Banana 2 把 Gemini 的图像生成从写 prompt 变成了识别你的兴趣，不用费力描述也能出图，对普通用户可能是真痛点，看直播看看实际效果。
