ChatGPT Images 2.5 发布：实测三项真正实用的新功能
OpenAI 已将 ChatGPT Images 图像工具更新至 2.5 版。经过 24 小时测试，文章重点介绍了三项对用户尤其有用的改进。这次更新看起来属于现有 AI 图像生成工具的常规升级；原始描述没有提供具体技术细节，也未给出独立的性能对比。
AI 新闻中心
AI 新闻中心 过去24小时分析了 129 篇文章，发现了 0 条重要报道 (分数 ≥ 5.5)
获取从可信来源聚合的最新 AI 新闻。
亚马逊为何要分散人工智能芯片供应
亚马逊扩大与高通的合作，再次引发了外界对人工智能热潮中“循环融资”的讨论。Advisors Capital Management合伙人兼投资组合经理乔安妮·菲尼表示，这项交易可能为亚马逊提供另一种定制芯片来源，降低其对英伟达的依赖；同时也能增强高通投资产能的信心。不过，这项合作对人工智能芯片市场的实际影响仍不确定。
人工智能生成的纳维–斯托克斯千禧年大奖问题解答
该消息分享了一份由人工智能生成的纳维–斯托克斯千禧年大奖问题解答，并附有文字说明和使用 Lean 形式化的证明。内容提出了可能取得数学突破的主张，但尚未证明该证明正确，也未显示其经过独立验证。
AI 编程初创公司 Cognition 以 480 亿美元估值融资 20 亿美元
AI 编程初创公司 Cognition 在新一轮融资中筹得 20 亿美元，公司估值从今年 5 月的 260 亿美元升至 480 亿美元。该公司表示，其年化收入运行率同期从 4.92 亿美元增长至约 9 亿美元。
OpenAI称已解决一道千禧年大奖难题——数学界的“圣杯”
在各大人工智能实验室争夺数学能力优势之际，OpenAI称已投入数百万美元，解决了纳维–斯托克斯问题。但研究人员和竞争对手已经开始质疑这一说法。现有描述没有提供可验证的证据，证明这道长期未解的千禧年大奖难题确实已经被解决。
新集体诉讼质疑 Anthropic 是否违法误导重度用户
一宗扩大的集体诉讼指控 Anthropic 误导重度用户，使其误以为最高级订阅方案能够提供更多服务。Anthropic 表示这些用户对其业务至关重要，并曾优先保障他们的使用权，即使因此需要切断 OpenClaw 等其他热门应用的访问。
OpenAI称内部模型解决了纳维–斯托克斯问题
OpenAI表示，其一款内部模型利用1万个并行运行的智能体，在88小时内解决了数学界的纳维–斯托克斯千禧年难题。据称，该模型的能力显著强于“GPT-6 Astra”。不过，这一说法尚未得到公开验证，也没有经过独立评审的证明可供查验。
OpenAI否认研究人员或模型看过Buckmaster和Alpöge的提示词，称得知Anthropic取得突破后投入数百万美元算力
OpenAI否认其研究人员或模型看过Buckmaster或Alpöge的提示词。该公司表示，在得知Anthropic取得突破后，投入了数百万美元购买计算资源。这家前沿人工智能实验室的重大公告，因涉嫌不当行为的指控而受到掩盖。
资助人工智能与青少年发展领域的新研究
OpenAI现已接受总额500万美元的研究资助项目申请，支持独立研究生成式人工智能如何影响青少年的发展、福祉和安全。
Shopify 进军 AI 的表现如何
文章分析 Shopify 拓展人工智能业务的进展，同时关注个人电脑价格上涨以及软件股的复苏。
OpenAI 宣称取得重大数学发现，部分学者提出质疑
人工智能研究机构 OpenAI 宣布了一项被称为里程碑式的成果，但一些学者指责其中可能存在不当行为，使这一消息受到争议影响。
消息称 WhatsApp 正开发第三方 AI 智能体支持
据科技媒体 WABetaInfo 报道，WhatsApp 正在开发原生支持第三方 AI 智能体的功能。用户可能可以通过 API 密钥，将智能体接入私人聊天。智能体预计无法加入群聊或社区，也不能访问用户的其他对话、联系人或文件。WhatsApp 还可能提醒用户，AI 回复存在出错的可能。目前该功能仍处于开发阶段。
数学家指称 OpenAI 使用内部模型解决纳维–斯托克斯问题
数学家特里斯坦·巴克马斯特称，OpenAI 获悉他与 Anthropic 的勒文·阿尔珀格在纳维–斯托克斯方程方面的研究后，使用内部模型解决了这一问题。该说法目前尚未得到证实，也不能视为已确认的技术突破。巴克马斯特将这一疑似成果比作 1997 年 IBM 的深蓝击败加里·卡斯帕罗夫。
因果基础模型
因果推断旨在根据数据估计治疗或干预的效果。传统方法通常需要针对每个新问题设计专门流程，包括提出因果机制、选择匹配的估计器并进行训练。因果基础模型将大规模预训练模型的范式引入因果推断。这类神经网络能够通过上下文学习，在完全新的数据集上估计平均处理效应等因果量，无需更新模型。该工作以实践为导向介绍这一新兴领域，概述因果推断和机器学习的必要基础，并提供示例代码和 Jupyter 笔记本。
利用上下文集成统一保形语言任务
这项研究提出了 Conformal Relevance 框架，通过结合上下文学习示例筛选与集成方法，为文档内容建立相关性评分。该框架面向摘要生成、抽取式问答等自然语言处理任务，旨在保留足够的关键信息，同时尽可能去除无关内容。现有先进评分方法通常依赖人工设计的提示词，让大语言模型评估内容的重要性。新方法减少了人工提示工程，在保持保形覆盖率的同时提高了内容的简洁性。研究在七项 NLP 任务上进行了验证