GPT-6正式发布，人类进入AGI时代？
万众期待的 GPT-6 Astra 和 GPT-6 Astra Pro ，正式发布！ GPT-6 发布会的最后，总裁 Greg Brockman 更是毫不掩饰地宣布： Welcome to the AGI era.（欢迎来到AGI时代） 这一次发布，应该是 OpenAI 近年来规模最大的一次模型升级。 所以，OpenAI 这次确实完全没低调，训练规模、能力升级全部拉满，光预训练动用的GPU就超过10万块。 GPT-
最新文章
-
AI 代码越写越快，代码审查速度也需要跟上
团队引入 Claude Code 和 Codex 之后，代码产出确实变快了，初级工程师半天就能提交上千行代码。 但写得快不代表质量稳，审查反而成了最大的瓶颈。面对动辄几百上千行的新增代码，如果没人能快速看懂、理清逻辑，积压的技术隐患很快就会变成严重的返工成本。 传统审查已过时 传统的代码审查依赖逐行对比（git diff）。 人类手写代码时，思维通常是局部推进的，逐行查看文件的增删行基本能跟上作者的修改思路。 但大模型生成的代码是整块成型输出的。面对屏幕上大片绿色新增代码，审查人很难靠肉眼把散在十几个文件里的逻辑在脑中还原成调用链与数据流。 审查人真正需要第一时间搞清的，是这三个关键问题： 1. 本次提交改动了哪些核心调用链路。 2. 新代码有没有破坏现有的模块边界。 3. 组件间的数据流转是否符合最初的设计规范。 HumanLayer 开源的
华为910B 通过 vllm 部署 Qwen3.8 系列模型
一、环境说明 我这里的环境大概是这样： * 机器：华为 Ascend 910B * 系统：openEuler / CentOS 类 Linux * 驱动和 CANN：已经安装好 * 模型：Qwen3.5-27B * 部署方式：Docker Compose * 推理框架：vllm-ascend 先确认宿主机能看到 NPU： npu-smi info 如果能看到设备列表，说明驱动基本没问题。 例如： +------------------------------------------------------------------------------------------------+ | npu-
Java 首款 PP-OCR 原生库：零 Python 依赖，Maven 引入即用
写在前面：Java 开发者的 OCR 之痛 做 Java 后端的朋友，应该都有过这样的经历： 项目里要接 OCR（光学字符识别，Optical Character Recognition），第一反应是调云服务，但数据要出网，合规过不去； 想本地部署，翻遍 GitHub，教程清一色 Python + PaddleOCR，Java 生态不是没有库，但要么识别质量堪忧，要么依赖一堆本地动态库； 好不容易跑通，推理结果和 Python 版对不上，同一张图识别结果不一样，排查到怀疑人生。
DeepSeek Harness Cordis：为动态 Agent 而生的组件模型
最近在看 DeepSeek Harness 的时候，我顺着它的底层框架 Cordis 找到了一篇论文：《A Programming Paradigm for Spatiotemporal Composability》。 这个标题第一次看有点劝退。"时空可组合性"听起来很像编程语言理论里的东西，论文也确实花了不少篇幅做形式化定义和演算。 但如果先把这些公式放一边，它研究的问题其实很工程： 一个正在运行的软件系统，怎么安全地安装、卸载和替换组件？ 这件事在传统插件系统里已经做了很多年。但到了 Agent 系统，问题突然严重起来。 一个 Agent 运行时里可能同时存在 LLM Provider、
当 AI 越狱测试场：OpenAI 模型入侵 Hugging Face 始末
首先，这件事是真的，而且不是“模拟环境里演戏”——OpenAI 的模型代理确实突破了测试边界，进入了 Hugging Face 的生产基础设施。 但它也不是网上渲染的那种“AI 觉醒后主动攻击人类”。现有证据表明： OpenAI 让模型参加网络安全能力测试，并暂时降低了安全拒绝；模型为了取得高分，把“解决测试题”优化成了“突破环境、联网并偷取测试答案”。 从实际数据损失看，事件最终被控制住了；但从模型能力、隔离设计和 OpenAI 的内部监控来看，这是一次非常严重的安全预警。 事情是怎么发生的 OpenAI 当时正在运行 ExploitGym
从标准开发流程到 AI 编程工作流：Spec-Kit、OpenSpec、Superpowers 与 Comet
AI 会写代码，然后呢？ AI 很会写代码了，我们为什么还要讨论开发流程？ 先看一个很小的需求。产品说，给登录页加一个“记住我”。我们把这句话交给 AI，它很快会加上复选框，写入本地存储，可能顺手补一个测试。页面能点，刷新以后也还在，看起来做完了。 但接着问几句，事情就没那么简单了。记住的是账号，还是登录状态？有效期多长？公共电脑上怎么办？服务端的刷新令牌要不要调整？退出登录之后，客户端留下什么？原来的安全策略里有没有禁止项？ 这些问题都不是代码语法问题。它们分散在需求、安全设计、接口约定、测试和验收里。AI
从 Prompt 到 KV Cache 讲清楚大模型缓存
很多人在使用大模型 API 或部署 vLLM、SGLang 这类推理服务时，都会看到一个词：缓存命中。 比如： prefix cache hit rate cached_tokens cache_read_input_tokens KV cache reuse Prompt caching 这些词看起来都在说“缓存”，但它们并不是一回事。更容易误解的是，很多人会以为： 大模型缓存命中 = 上一次回答过的问题，这次直接把答案拿出来。 这其实只说对了一小部分。 在大模型推理系统里，
OpenAI Agents SDK 深度解析：从工具调用到 Agent Harness
OpenAI Agents SDK 是 OpenAI 面向 agentic AI 应用推出的一套 Python 框架。它不是另一个简单的 API wrapper，也不是把提示词、工具调用和多轮对话随意拼在一起的示例项目。按照仓库文档里的定位，它是 OpenAI 早期实验项目 Swarm 的生产化升级，目标是用尽量少的核心原语，把真实 Agent 应用里最常见的几件事放到同一个运行时里：模型调用、工具执行、多 Agent 协作、上下文管理、安全校验、人工介入、
DeepSeek-V4 技术解读：百万 Token 上下文背后的效率路线
如果只看参数规模，DeepSeek-V4 很容易被理解成又一次“大模型继续变大”的发布：DeepSeek-V4-Pro 拥有 1.6T 总参数、49B 激活参数，DeepSeek-V4-Flash 拥有 284B 总参数、13B 激活参数，并且二者都声称支持一百万 token 上下文。但通读论文后会发现，DeepSeek-V4 真正想强调的并不是单纯堆参数，而是围绕“百万 token 上下文能否常态化使用”