OpenAI
共 43 篇文章
走进 OpenAI 内部的数据 agent
OpenAI 自研了一款仅内部使用的数据 agent，基于 GPT‑5.2 并叠加表使用、人工标注、Codex 代码富化、机构知识、记忆与运行时上下文六层上下文，用自然语言在几分钟内完成从提问到洞察的分析，并通过 Evals API 持续防护质量。
为 Codex 构建一个安全、有效的 Windows 沙箱
Codex 工程团队讲述如何在缺乏原生沙箱能力的 Windows 上自建隔离环境：从基于 SID 与写入受限令牌的免提权原型，演进到引入专用沙箱用户、防火墙规则与独立命令运行器的提权版沙箱，并复盘其中的安全与易用性权衡。
推进 AI 对齐的独立研究
我们向 The Alignment Project 承诺投入 750 万美元,资助独立研究,以开发针对 AI 失准所带来的安全与安保风险的缓解方案。
Dreaming:更好的记忆,打造更有用的 ChatGPT
OpenAI 推出基于 dreaming(后台自动整理记忆)的全新记忆架构,让 ChatGPT 自动从历史对话中合成并更新记忆,解决旧版保存记忆易过时、易出错的问题。文章用相机配件选购、新加坡行程、外卖推荐三个对照案例说明新系统在延续上下文、遵循偏好和随时间保持时效三方面均有明显提升,且服务 Free 用户所需的算力降低了约 5 倍。
通过在发布前模拟部署来预测模型行为
OpenAI 提出 Deployment Simulation(部署模拟):以保护隐私的方式重放真实历史对话的前缀,用候选模型重新生成回复,从而在发布前更准确地估计不良行为的发生率。在多轮 GPT-5 系列 Thinking 模型部署中,该方法的发生率预测中位倍数误差为 1.5 倍,优于困难提示基线,在发布前发现了「计算器滥用」这一新型失对齐行为,并显著降低了模型的评估感知;它还能扩展到带工具调用的智能体场景。
检测并减少 AI 模型中的策略性欺骗行为
我们与 Apollo Research 一起构建了模拟未来场景的评估环境，把「隐蔽行为」作为策略性欺骗（scheming）的代理指标，在多个前沿模型上观测到问题行为，并用审慎对齐（deliberative alignment）训练把隐蔽行为发生率降低约 30 倍。
评估思维链的可监控性
OpenAI 提出一套衡量思维链(CoT)可监控性的框架,包含 13 项评测、共 24 个环境,分为干预、过程、结果属性三类。研究发现:当前前沿推理模型大多相当可监控,监控 CoT 比只监控动作与输出有效得多,思考越久越可监控,当前规模的强化学习并未明显损害可监控性;但存在推理力度与模型规模的权衡,用小模型高推理力度换取可监控性需付出「可监控性税」。
将单负螺旋度振幅推广至引力子
研究人员借助 GPT-5.2 Pro,找到了一个描述粒子在量子引力中如何相互作用的新数学结果。
评估 AI 执行科学研究任务的能力
OpenAI 推出 FrontierScience 基准,由物理、化学、生物学专家撰写并交叉验证,包含 Olympiad(奥赛风格短答案题)与 Research(用 10 分制评分量规打分的真实科研子任务)两条赛道,共 700 多道题、黄金集 160 道。GPT‑5.2 在两条赛道上分别取得 77% 与 25%,领先其他前沿模型,但开放式研究类任务仍有很大提升空间。
衡量我们的模型在真实世界任务上的表现
我们推出 GDPval——一套覆盖 9 大行业、44 种职业、1,320 个真实工作任务的新评估；由行业专家盲评打分，结果显示前沿模型的产出质量已接近行业专家，且速度快约 100 倍、成本低约 100 倍。
如何通过自白(confessions)让语言模型保持诚实
OpenAI 提出一种概念验证方法“自白”(confessions):让模型在主答复之外再输出一份只以诚实为唯一评分目标的报告,从而把违规行为暴露出来;在诱发不当行为的评估中,模型既违规又不坦白的概率仅 4.4%。
启用两项设置如何让我们的 ARC-AGI-3 得分提升至三倍
GPT‑5.6 Sol 在 ARC-AGI-3 上得分异常低，原因不在模型而在评测框架：官方 harness 丢弃私有推理并用滚动截断压缩历史。改用 Responses API 并开启保留推理与 compaction 后，公开任务集得分从 13.3% 升到 38.3%，输出 token 减少 6 倍。
提升前沿 LLM 的指令层级
OpenAI 发布 IH-Challenge 训练数据集,通过强化学习任务提升模型的指令层级遵从能力,同时增强安全可操控性和对提示注入攻击的鲁棒性,且不损失通用能力。
推出 EVMbench
EVMbench 是 OpenAI 与 Paradigm 合作推出的智能合约安全基准，收录来自 40 次审计的 117 个高严重性漏洞，从 detect（检测）、patch（修补）、exploit（攻击）三种模式评估 AI 智能体能力；GPT‑5.3‑Codex 在 exploit 模式下得分 71.0%，远高于半年前的 GPT‑5 的 33.3%。
推出 IndQA
IndQA 是 OpenAI 推出的新基准，用于评估 AI 模型在印度语言与文化场景下的理解和推理能力：涵盖 12 种语言、10 个文化领域共 2,278 道题，由 261 位印度领域专家撰写并经过对抗性筛选，采用专家编写的评分量表（rubric）逐条打分。
OpenAI 模型证伪了离散几何中的一个核心猜想
一个通用推理模型自主证伪了 Erdős 于 1946 年提出的平面单位距离猜想：它构造出无穷多个点集，使单位距离对数量达到 n^{1+δ}（δ>0），实现了对长期占优的「方形网格」构造的多项式级改进。证明已由外部数学家核验，并首次展示了 AI 自主解决数学子领域核心公开问题。
GPT-5.2 推导出理论物理学的一个新结果
在一篇新的预印本中,GPT-5.2 提出了一个胶子振幅公式,随后由 OpenAI 内部模型给出证明,并经论文作者验证。
深入解读我们的 Model Spec
本文揭秘 OpenAI Model Spec（模型行为规范）背后的设计理念与运作机制：它如何定义指令链、硬性规则与默认行为，如何被编写、落地和演进。结论：Model Spec 是一份面向公众的、清晰可辩论且可持续修订的行为框架，会随能力演进不断扩展。
推理模型难以控制自己的思维链,而这反而是件好事
OpenAI 发布开源评测套件 CoT-Control,测试了 13 个推理模型后发现:前沿模型几乎无法按要求控制自己的思维链(CoT),可控度最高仅 15.4%,且推理越长、RL 训练越多,可控度越低。这意味着模型也难以刻意混淆思维链来逃避监控,对 AI 安全的 CoT 监控而言是好消息。
在编码评测中把信号与噪声分开
OpenAI 用数据点分析流水线加人工标注对 SWE-Bench Pro 做了一次详细审计：自动化过滤标记出 286 个可疑任务，代理审查认定 200 个（27.4%）有问题，人类工程师则认定 249 个（34.1%），问题集中在过于严苛的测试、描述不充分的提示、覆盖率不足的测试和误导性提示四类，因此估算约 30% 的任务是坏的，并撤回此前推荐采用该基准的建议。
通过稀疏电路理解神经网络
OpenAI 通过在训练时强制绝大多数权重为零,得到结构更简单、电路更易解读的稀疏语言模型,证明在模型规模和稀疏度提升的同时,可解释性与能力可以兼得。
Parameter Golf 教会了我们什么
Parameter Golf 是 OpenAI 举办的开放机器学习挑战赛：参赛者需 16 MB 内、8×H100 上 10 分钟训练，在固定 FineWeb 数据集上最小化留出损失。八周内收到 1,000 多名参与者的 2,000 多份提交，文章总结其中九份代表性方案与十五份非记录赛道佳作，并分享在编码智能体普及时代办赛的经验与争议。
为什么语言模型会产生幻觉
OpenAI 新研究指出，语言模型产生幻觉的根源在于训练与评测体系奖励「猜测」而非「承认不确定」：只按准确率排名的榜单会鼓励模型瞎猜。论文从下一词预测的统计机制解释了幻觉的来源，并主张改造主流评测的计分方式，对错误加重惩罚、对合理的弃答给予部分分数。
为什么 SWE-bench Verified 不再能衡量前沿编码能力
OpenAI 审计发现，SWE-bench Verified 存在大量测试用例缺陷与训练数据污染：被审计问题中至少 59.4% 的测试会拒绝功能正确的解法，且所有前沿模型都能复现出参考补丁，因此 OpenAI 已停止报告该基准成绩，建议改用 SWE-bench Pro。
我们如何在六个月内构建出高响应的语音 AI 实时系统
OpenAI 第三代语音系统 GPT-Live 移除了音频链路上的 turn detector，改用可同时听说的全双工语音模型，并通过有状态流式推理、异步委派和 WARP 等协议优化，把媒体启动从六次网络往返压缩到一次，让语音对话真正实时。
GPT‑5.6 如何将前沿智能与前沿效率融为一体
OpenAI 在模型、推理(inference)与智能体框架(agentic harness)三层同时做优化:GPT‑5.6 Sol 自主改写生产 kernel、调优负载均衡与投机解码,使服务端到端成本下降 20%,并配合 Codex 的 Rust 编排层减少上下文膨胀与重复工作。
Jalapeño 首批结果:展现行业领先的 AI 推理速度与效率
OpenAI 公布其首款自研推理芯片 Jalapeño 的测试结果:在 InferenceX 基准上,对 GPT‑OSS 120B、DeepSeek R1 和 Kimi K2.5 1T,Jalapeño 在峰值吞吐下每瓦性能提升 1.5 至 1.9 倍,端到端延迟降低 1.7 至 3.6 倍,同时展示了全栈协同设计与 AI 辅助芯片开发的路径。
超越速率限制：扩展 Codex 与 Sora 的访问能力
Codex 和 Sora 用量激增，用户常在获得价值的时刻撞上硬性速率限制。OpenAI 为此自研了一套实时访问引擎，把速率限制与按量付费的 credits 融合成「决策瀑布」：在单个请求内先消耗限频额度、再无缝切换到 credits，并通过三类事件数据集与幂等键做到计费可证明正确、可审计、可对账。
用 Codex 构建自我改进的税务 agent
OpenAI 与 Thrive Holdings 联合为 Crete 旗下 30 多家会计事务所打造了 Tax AI:以「从业者反馈 + 生产环境 trace + Codex 驱动的 eval 迭代循环」三大支柱,让产品把真实使用中的问题自动转成结构化发现、定向 eval 和有边界的工程任务。本税季系统处理了 7000 份纳税申报,六周内字段填写 75% 正确率从 25% 提升到 86%,为从业者节省约三分之一时间。
核心转储流行病学:修复一个存在 18 年的老 bug
OpenAI 的 Rockset 数据服务出现了一批无法解释的 C++ 崩溃。团队放弃逐个深挖单个 core dump 的做法,改为用脚本对全年生产环境核心转储做全量分析,结果发现这其实是两个独立问题:一台 Azure 物理机的静默硬件损坏,以及 GNU libunwind 中一个存在 18 年、只有一条指令宽的竞态条件。
OpenAI 如何在规模化场景下交付低延迟语音 AI
OpenAI 重构了 WebRTC 技术栈：在 Kubernetes 上以「无状态 relay 转发 + 有状态 transceiver 终结」的分离架构替代每会话独占端口，用 ICE ufrag 携带路由信息实现首包确定性转发，配合 Global Relay 就近接入，在不改变客户端标准 WebRTC 行为的前提下把公网 UDP 接口面收敛为少量固定端口。
从模型到智能体:为 Responses API 配备计算机环境
OpenAI 为 Responses API 配齐了 shell 工具、托管容器工作区、受限网络出口、可复用技能(skills)与原生上下文压缩,让模型从只能提示调用进化为能在隔离环境中可靠执行真实任务的智能体。
Harness engineering:在智能体优先的世界中借助 Codex
OpenAI 一个团队用五个月做了场实验:0 行人工手写代码,靠 Codex 从空仓库建起并交付了一个约百万行代码的内部产品,耗时约为手写的 1/10。文章总结工程师角色如何转向设计环境、明确意图与构建反馈回路,以及把仓库知识作为事实来源、用自定义 linter 强制架构不变式、以垃圾回收式流程持续清理技术债等经验。
用超级计算机网络加速大规模 AI 训练
OpenAI 联合 AMD、Broadcom、Intel、Microsoft 和 NVIDIA 推出 MRC（Multipath Reliable Connection）网络协议，通过多平面拓扑、自适应报文喷洒和 SRv6 源路由，把单次传输分散到数百条路径上，在微秒级绕过故障、几乎消除核心拥塞，并通过 OCP 开放规范。
扩展 PostgreSQL 以支撑 8 亿 ChatGPT 用户
OpenAI 通过单主写入加近 50 个跨区域只读副本的架构，把 PostgreSQL 扩展到每秒数百万查询、支撑 8 亿用户；文章详述了负载卸载、查询优化、连接池、缓存与限流等一系列优化手段与踩过的故障。
用 Responses API 中的 WebSocket 加速 agentic 工作流
OpenAI 通过在 Responses API 上引入基于 WebSocket 的持久连接，加上渲染 token 缓存、减少网络跳转和增量式安全检查，把 Codex 这类 agent 循环的端到端耗时降低了 40%，让 GPT‑5.3‑Codex‑Spark 的推理速度从 65 tokens/秒提升到接近 1,000 tokens/秒（峰值 4,000），同时保持开发者熟悉的 response.create API 形态。
解锁 Codex harness:我们如何构建 App Server
支撑 web 应用、CLI、IDE 扩展与 macOS 应用的 Codex 能力来自同一套 Codex harness,而把它们连接起来的关键就是 Codex App Server——一个对客户端友好、双向的 JSON-RPC 协议与长驻进程。文章拆解了 App Server 的架构、Item/Turn/Thread 三大会话原语,以及本地 IDE、Web 运行时和 TUI 三种集成方式,并对比了它与 MCP server、Codex Exec、Codex SDK 等集成路径的取舍。
展开 Codex 的 agent loop
OpenAI 详细拆解了 Codex CLI 的核心 agent loop:如何构建初始 prompt、如何与 Responses API 交互完成推理与工具调用循环,并通过 prompt 缓存与上下文压缩应对不断增长的对话历史,实现高效可靠的软件代理。
面向 Codex 编排的开源规范：Symphony
OpenAI 团队把任务看板（Linear）改造成编码 agent 的控制平面，提出开源编排规范 Symphony：每个未完成的任务自动分配一个运行在独立 workspace 中的 Codex agent，崩溃自动重启、人类只审结果。该方案让部分团队三周内合并的 PR 数增长 500%，而它的核心只是一份可被任意语言实现的 SPEC.md。
我们如何构建 OWL：支撑基于 ChatGPT 的浏览器 Atlas 的新架构
文章拆解了 ChatGPT Atlas 把 Chromium 浏览器进程移出主应用、放进独立服务层的 OWL（OpenAI’s Web Layer）架构：通过 Mojo IPC 与 Swift 绑定驱动 Chromium，并用 CALayerHost 跨进程搬运渲染画面与输入事件，从而实现秒开、抗崩溃、小 diff 与分钟级构建，同时为 Agent 模式的沙箱隔离与临时存储提供支持。
我们如何用 Codex 在 28 天内打造出 Android 版 Sora
OpenAI 工程团队仅用 28 天、约 50 亿 token,借助 Codex 将 Android 版 Sora 从原型做到全球上线,崩溃率仅 0.1%。文章分享了他们把 Codex 当作新入职高级工程师来协作的完整方法论:亲手搭建基础架构、先规划后编码、并行多会话管理。
BrowseComp：面向浏览 agent 的基准测试
OpenAI 开源了一个包含 1,266 道难题的新基准 BrowseComp，用于衡量 AI agent 定位互联网上难以找到、相互纠缠的信息的能力。测试显示 Deep Research 达到 51.5% 的准确率，远超其他模型，且性能随推理时计算量平滑提升。
介绍 Model Spec(模型规范)
OpenAI 发布 Model Spec 首版草案,一份规定模型在 OpenAI API 和 ChatGPT 中应如何表现的文档,提出目标、规则与默认行为三层框架,并邀请公众就其内容提供反馈。