https://t.me/AI_News_CN
📈主流AI服务状态页通知 | 🆕汇集全网ChatGPT/AI新闻 #AI #ChatGPT
🆓免费AI聊天 https://free.oaibest.com
✨BEST AI中转 https://api.oaibest.com 2.8折起 支持OpenAI, Claude code, Gemini,Grok, Deepseek, Midjourney, 文件上传分析
Buy ads: https://telega.io/c/AI_News_CN
📈主流AI服务状态页通知 | 🆕汇集全网ChatGPT/AI新闻 #AI #ChatGPT
🆓免费AI聊天 https://free.oaibest.com
✨BEST AI中转 https://api.oaibest.com 2.8折起 支持OpenAI, Claude code, Gemini,Grok, Deepseek, Midjourney, 文件上传分析
Buy ads: https://telega.io/c/AI_News_CN
OpenAI正参与美军方无人机蜂群项目竞标
据多名知情人士透露，OpenAI已与五角大楼选定的两家国防科技公司合作，参与这两家公司的竞标动作，为美国军方开发语音控制的无人机蜂群作战软件。OpenAI的技术仅用于将战场指挥官的语音指令转化为无人机可执行的数字指令，不会用于无人机蜂群的直接操控、武器集成或目标锁定。该项目隶属于五角大楼今年1月宣布的一项价值1亿美元的 “挑战赛” 的一部分。该项目旨在交付能够指挥无人机蜂群的预研原型，这些无人机蜂群需具备在无人干预的情况下做出决策并执行任务的能力。OpenAI公司的一位发言人表示，公司并未自行提交参赛申请，其参与仅限于初步阶段。OpenAI的两个现有合作伙伴选择在其标书中加入该公司的开源模型。
—— 财联社
via 风向旗参考快讯 - Telegram Channel
据多名知情人士透露，OpenAI已与五角大楼选定的两家国防科技公司合作，参与这两家公司的竞标动作，为美国军方开发语音控制的无人机蜂群作战软件。OpenAI的技术仅用于将战场指挥官的语音指令转化为无人机可执行的数字指令，不会用于无人机蜂群的直接操控、武器集成或目标锁定。该项目隶属于五角大楼今年1月宣布的一项价值1亿美元的 “挑战赛” 的一部分。该项目旨在交付能够指挥无人机蜂群的预研原型，这些无人机蜂群需具备在无人干预的情况下做出决策并执行任务的能力。OpenAI公司的一位发言人表示，公司并未自行提交参赛申请，其参与仅限于初步阶段。OpenAI的两个现有合作伙伴选择在其标书中加入该公司的开源模型。
—— 财联社
via 风向旗参考快讯 - Telegram Channel
🤖 GPT-5.2 在理论物理领域推导出新研究成果
来自普林斯顿高等研究院（IAS）、哈佛大学、剑桥大学和范德堡大学的研究人员近日发表预印本文章，宣布在 GPT-5.2 Pro 的辅助下，于量子色动力学（QCD）的胶子散射振幅研究中取得突破。该研究聚焦于“单负螺旋振幅”（single-minus amplitudes），此类振幅在传统理论中通常被认为趋于零，但研究团队通过 AI 发现其在特定数学条件下具有非平凡的简洁形式。
在长达 12 小时的推理过程中，GPT-5.2 Pro 成功将原本随粒子数 $n$ 呈超指数级增长的复杂费曼图表达式，重构并推广为适用于任意 $n$ 的简洁闭式公式。这一结果被视为 1986 年著名的 Parke-Taylor 公式（针对双负螺旋振幅）的类比。论文作者之一确认，尽管人类专家此前进行了大量尝试，但始终未能找到该通用模式，最终由 AI 独立完成了公式的推导与证明。
该事件引发了学术界关于 AI 在基础科学中角色的广泛讨论。部分观点认为，AI 仅是执行了高级的归纳与符号运算，本质上是人类专家引导下的“生产力工具”；而支持者则指出，AI 在处理验证性极强的复杂数学问题时，已展现出超越人类专家的直觉与效率。目前，该研究成果已引起物理学界的关注，正等待进一步的同行评议与实验验证。
(HackerNews)
via 茶馆 - Telegram Channel
来自普林斯顿高等研究院（IAS）、哈佛大学、剑桥大学和范德堡大学的研究人员近日发表预印本文章，宣布在 GPT-5.2 Pro 的辅助下，于量子色动力学（QCD）的胶子散射振幅研究中取得突破。该研究聚焦于“单负螺旋振幅”（single-minus amplitudes），此类振幅在传统理论中通常被认为趋于零，但研究团队通过 AI 发现其在特定数学条件下具有非平凡的简洁形式。
在长达 12 小时的推理过程中，GPT-5.2 Pro 成功将原本随粒子数 $n$ 呈超指数级增长的复杂费曼图表达式，重构并推广为适用于任意 $n$ 的简洁闭式公式。这一结果被视为 1986 年著名的 Parke-Taylor 公式（针对双负螺旋振幅）的类比。论文作者之一确认，尽管人类专家此前进行了大量尝试，但始终未能找到该通用模式，最终由 AI 独立完成了公式的推导与证明。
该事件引发了学术界关于 AI 在基础科学中角色的广泛讨论。部分观点认为，AI 仅是执行了高级的归纳与符号运算，本质上是人类专家引导下的“生产力工具”；而支持者则指出，AI 在处理验证性极强的复杂数学问题时，已展现出超越人类专家的直觉与效率。目前，该研究成果已引起物理学界的关注，正等待进一步的同行评议与实验验证。
(HackerNews)
via 茶馆 - Telegram Channel
谷歌：旗下Gemini遭遇大规模“蒸馏攻击”
谷歌表示，其旗舰AI聊天机器人Gemini已遭遇 “出于商业动机” 的行为者大规模攻击，他们试图通过反复提示来克隆它，有时使用数千种不同的查询 —— 其中一项活动对Gemini的提示超过10万次。谷歌在本周四发布的一份报告中表示，它日益成为 “蒸馏攻击” 的目标，即通过重复提问来让聊天机器人揭示其内部工作原理。谷歌将这种活动描述为“模型提取”，即潜在的模仿者探测系统中使其运行的模式和逻辑。报告称，攻击者似乎希望利用这些信息来构建或增强他们自己的人工智能。该公司认为，罪魁祸首大多是寻求获得竞争优势的私营公司或研究人员。谷歌发言人称公司认为这些攻击来自世界各地，但拒绝透露关于嫌疑人的已知情况的其他细节。
—— nbcnews
via 风向旗参考快讯 - Telegram Channel
谷歌表示，其旗舰AI聊天机器人Gemini已遭遇 “出于商业动机” 的行为者大规模攻击，他们试图通过反复提示来克隆它，有时使用数千种不同的查询 —— 其中一项活动对Gemini的提示超过10万次。谷歌在本周四发布的一份报告中表示，它日益成为 “蒸馏攻击” 的目标，即通过重复提问来让聊天机器人揭示其内部工作原理。谷歌将这种活动描述为“模型提取”，即潜在的模仿者探测系统中使其运行的模式和逻辑。报告称，攻击者似乎希望利用这些信息来构建或增强他们自己的人工智能。该公司认为，罪魁祸首大多是寻求获得竞争优势的私营公司或研究人员。谷歌发言人称公司认为这些攻击来自世界各地，但拒绝透露关于嫌疑人的已知情况的其他细节。
—— nbcnews
via 风向旗参考快讯 - Telegram Channel
Scaling social science research
OpenAI 的一项核心工作是帮助科学家加快进度、攻克更难的问题。今天， OpenAI 的 Economic Research Team 发布了开源工具包 GABRIEL：它利用 GPT 将非结构化的文本和图像转化为可量化的测度，旨在帮助经济学家、社会科学家和数据科学家对大规模的定性数据进行研究。
定性数据往往能讲出最丰富的故事——人们说什么、写什么、教什么、争论什么、经历什么。它覆盖课堂大纲、访谈、社交媒体、照片等各类内容，数量巨大。但把这类资料变成严谨的证据极为耗时，许多情况下根本难以实现。太多社会科学研究因此不得不放弃重要方向，原因不是数据不存在，而是无法分析。
GABRIEL 的目标是让定性数据更易被利用。研究者可以用日常语言描述想要测量的东西——比如“这则招聘信息对家庭友好吗？”——然后把同一问题一致地应用到成千上万（甚至上百万）篇文档上，为每条返回一个评分。这样研究者就能把重复标注的时间省下来，把精力放在真正需要专业判断的环节：决定测量什么、验证结果和谨慎得出结论。
举例来说， GABRIEL 可以分析大量学术论文，识别所用方法并观察其随时间的演进；可以审视课程大纲，衡量不同科目或技能被关注的程度；可以为欧洲每个小镇提取结构化的历史细节；也可以扫描海量顾客评论，发现人们最看重的模式。在我们的一篇论文中，我们对 GPT 在各种定性数据标注场景下进行了基准测试，结果显示其准确性很高。
除了测量功能， GABRIEL 还提供研究人员常用的实用工具，包括在列不匹配时合并数据集、智能去重、段落编码、生成新的科学假说，以及从文本中去识别化个人信息以保护隐私。
GABRIEL 已作为开源的 Python 库 发布，并提供入门教程笔记本（在 Colab 上）供使用。它的设计门槛低、技术要求不高。我们会根据学术界的反馈持续改进 GABRIEL，希望这项工具能帮助更多研究者将定性数据和人的故事带入他们的研究之中。
----------------------
A core part of our work at OpenAI is enabling scientists to move faster and solve harder problems. Today, our Economic Research Team is releasing GABRIEL: an open-source toolkit that uses GPT to turn unstructured text and images into quantitative measurements. It is designed for economists, social scientists, and data scientists to study qualitative data at scale.
Qualitative data tells the richest stories about the world – what people say, write, teach, argue, and experience. It spans everything from syllabi and interviews to social media and photographs. There is a tremendous amount of it. But transforming that type of data into rigorous evidence is incredibly time-consuming. Often it isn't feasible at all. In too many cases, social scientists are forced to forego important avenues of research, not because the data doesn’t exist, but because it’s impossible to analyze.
GABRIEL is built to make qualitative data much more accessible. It allows researchers to describe what they want to measure in everyday words—like “how family-friendly is this job listing?”—and then applies that same question consistently across thousands (or millions) of documents, returning a score for each one. This lets researchers spend less time on repetitive data labeling and more time on the work that actually requires expertise: choosing what to measure, validating results, and drawing careful conclusions.
For example, GABRIEL can analyze a large collection of scientific papers to see what specific methods are used and how they evolve over time. It can look at course curricula to measure how much attention is given to different subjects or skills. It can extract structured historical details for every small town across Europe, or examine a trove of customer reviews and discover patterns in what people value most. In our paper, we benchmark GPT at labeling qualitative data across many use cases and find that it is highly accurate.
Beyond this type of measurement, GABRIEL also provides practical tools researchers often need. These include merging datasets even when the columns don’t match, smart deduplication, passage coding, ideating new scientific theories, and deidentifying personal information from text to preserve privacy.
GABRIEL is available now as an open-source Python library, with a tutorial notebook to get started. It is designed to require minimal technical background. We’ll keep improving GABRIEL over time based on feedback from the academic community. We hope this tool will help more researchers bring the richness of qualitative data and human stories into their work.
via OpenAI News
OpenAI 的一项核心工作是帮助科学家加快进度、攻克更难的问题。今天， OpenAI 的 Economic Research Team 发布了开源工具包 GABRIEL：它利用 GPT 将非结构化的文本和图像转化为可量化的测度，旨在帮助经济学家、社会科学家和数据科学家对大规模的定性数据进行研究。
定性数据往往能讲出最丰富的故事——人们说什么、写什么、教什么、争论什么、经历什么。它覆盖课堂大纲、访谈、社交媒体、照片等各类内容，数量巨大。但把这类资料变成严谨的证据极为耗时，许多情况下根本难以实现。太多社会科学研究因此不得不放弃重要方向，原因不是数据不存在，而是无法分析。
GABRIEL 的目标是让定性数据更易被利用。研究者可以用日常语言描述想要测量的东西——比如“这则招聘信息对家庭友好吗？”——然后把同一问题一致地应用到成千上万（甚至上百万）篇文档上，为每条返回一个评分。这样研究者就能把重复标注的时间省下来，把精力放在真正需要专业判断的环节：决定测量什么、验证结果和谨慎得出结论。
举例来说， GABRIEL 可以分析大量学术论文，识别所用方法并观察其随时间的演进；可以审视课程大纲，衡量不同科目或技能被关注的程度；可以为欧洲每个小镇提取结构化的历史细节；也可以扫描海量顾客评论，发现人们最看重的模式。在我们的一篇论文中，我们对 GPT 在各种定性数据标注场景下进行了基准测试，结果显示其准确性很高。
除了测量功能， GABRIEL 还提供研究人员常用的实用工具，包括在列不匹配时合并数据集、智能去重、段落编码、生成新的科学假说，以及从文本中去识别化个人信息以保护隐私。
GABRIEL 已作为开源的 Python 库 发布，并提供入门教程笔记本（在 Colab 上）供使用。它的设计门槛低、技术要求不高。我们会根据学术界的反馈持续改进 GABRIEL，希望这项工具能帮助更多研究者将定性数据和人的故事带入他们的研究之中。
----------------------
A core part of our work at OpenAI is enabling scientists to move faster and solve harder problems. Today, our Economic Research Team is releasing GABRIEL: an open-source toolkit that uses GPT to turn unstructured text and images into quantitative measurements. It is designed for economists, social scientists, and data scientists to study qualitative data at scale.
Qualitative data tells the richest stories about the world – what people say, write, teach, argue, and experience. It spans everything from syllabi and interviews to social media and photographs. There is a tremendous amount of it. But transforming that type of data into rigorous evidence is incredibly time-consuming. Often it isn't feasible at all. In too many cases, social scientists are forced to forego important avenues of research, not because the data doesn’t exist, but because it’s impossible to analyze.
GABRIEL is built to make qualitative data much more accessible. It allows researchers to describe what they want to measure in everyday words—like “how family-friendly is this job listing?”—and then applies that same question consistently across thousands (or millions) of documents, returning a score for each one. This lets researchers spend less time on repetitive data labeling and more time on the work that actually requires expertise: choosing what to measure, validating results, and drawing careful conclusions.
For example, GABRIEL can analyze a large collection of scientific papers to see what specific methods are used and how they evolve over time. It can look at course curricula to measure how much attention is given to different subjects or skills. It can extract structured historical details for every small town across Europe, or examine a trove of customer reviews and discover patterns in what people value most. In our paper, we benchmark GPT at labeling qualitative data across many use cases and find that it is highly accurate.
Beyond this type of measurement, GABRIEL also provides practical tools researchers often need. These include merging datasets even when the columns don’t match, smart deduplication, passage coding, ideating new scientific theories, and deidentifying personal information from text to preserve privacy.
GABRIEL is available now as an open-source Python library, with a tutorial notebook to get started. It is designed to require minimal technical background. We’ll keep improving GABRIEL over time based on feedback from the academic community. We hope this tool will help more researchers bring the richness of qualitative data and human stories into their work.
via OpenAI News
