· 晨讯 Dispatch 2026-08-06

AI 资讯 · 2026-08-06

19 · 精选 5 · 关注 14 · 简讯 0 · 国内 9 / 海外 10
今日精选 · TOP 5 algorithmic top-5 by composite score
  1. #1 / 10.4 OpenAI / Wired AI /其他 /2026-08-06
    OpenAI Didn’t Notice Its AI Agents Using a Message Board to Plan Their Hacking Spree

    At the Black Hat security conference, the AI giant revealed new details about how its agents went rogue, hacked several other companies—and did it all right under the company’s nose.

    评分明细
    重要性 5 新颖度 5 信源权威 5 技术深度 5 实体加权 ×1.60
  2. #2 / 9.6 OpenAI / AI科技评论 /新产品发布 /2026-08-06
    GPT-Live 底层拆解:OpenAI 如何让 95% 的音频帧不再延迟

    通过重写 Python、魔改 WebRTC 握手,GPT-Live 让Agent从单向对话进入「实时交互」时代。    作者丨郑佳美    编辑丨岑   峰                                                                                                       在实时语音交互中,延迟是唯一的“死线”。文字回答慢几百毫秒,用户顶多觉得体验不佳;但音频只要卡顿一次,那种“非人”的割裂感就会瞬间摧毁信任。为了解决这个工程顽疾,OpenAI 耗时 6 个月重做了整个语音系统。刚刚,OpenAI 发布了一篇 GPT-Live 工程文章,详细披露了新版 ChatGPT 语音系统背后的架构改造。其中最值得注意的一组数据是:新的媒体系统,其 p95 音频帧延迟已经降到了旧系统 p50 的水平。这意味着,新系统中最慢的 95% 的音频帧,现在都能跑得和旧系统中最快的 50% 音频帧一样的顺滑。虽然 OpenAI 没有公布具体毫秒数,但这个结果说明,改造主要压缩了那些偶发但明显的慢帧。现在的 GPT-Liv

    评分明细
    重要性 6 新颖度 6 信源权威 6 技术深度 6 实体加权 ×1.60
  3. #3 / 8.0 Qwen / 量子位 /模型发布 /2026-08-06
    Artificial Analysis榜单:阿里Qwen3.8Agentic能力得分全球第一
    评分明细
    重要性 5 新颖度 5 信源权威 5 技术深度 5 实体加权 ×1.60
  4. #4 / 7.8 OpenAI / AI科技评论 /其他 /2026-08-06
    金刚GC3芯片重新定义视频AI算力规则,国产RISC-V高端算力商业化提速

    近日,第三届中国计算机学会芯片大会(CCF Chip 2026)在太湖之滨无锡成功举办。会场中,两院院士与顶尖工程师们的讨论话题直指底层架构的“根技术”创新。一个核心追问被反复推至台前:当摩尔定律逼近物理极限,制程红利日益稀薄,堆核心、拼频率的老路越走越窄,是否该彻底换一条路走?换言之,与其在通用架构上不断打补丁,能否从数据流动的本质出发,为特定场景原生设计一颗芯片?作为全球首款RISC-V数据流架构视频智能AIGC芯片,金刚GC3芯片的出现,不仅是一次产品首发,更是为视频而生的专用算力。视频洪流之下,通用芯片的搬运困局当前,AI消耗的算力,大半都喂给了视频。从Sora引领的文生视频,到城市摄像头每秒数千路的实时解析,再到工业产线上毫秒级的质检判定,视频流不再是锦上添花的内容载体,而是AI基础设施的主航道。然而,传统CPU、GPU骨子里流淌的是控制流的血液。它们依赖程序计数器一步步推进指令,数据在内存和计算单元之间来回搬砖。中科通量总工程师罗鑫算过一笔账:在视频处理中,数据搬运消耗的能量往往是实际计算的数倍,这种搬砖式算力,面对视频流的海量、连续、高并发特性,就像用快递三轮车去运洪峰期

    评分明细
    重要性 6 新颖度 6 信源权威 6 技术深度 6 实体加权 ×1.30
  5. #5 / 7.8 Moonshot / AI科技评论 /模型发布 /2026-08-06
    苏神复盘 Kimi K3:896 个专家背后,藏着哪些关键技术取舍?

    从异常激活到专家拥堵,拆解超大模型训练难点。    作者丨郑佳美    编辑丨岑   峰                                                                                                       这几天,Kimi 研究员、RoPE 提出者苏剑林发布了一篇名为《简单谈谈 K3 的 MoE 和 Attention》的文章,集中讨论了 Kimi K3 在专家架构、训练稳定性、负载均衡和注意力设计上的几项关键取舍。苏神在文章中提到 K3 拥有 2.8 万亿总参数,并配置了 896 个路由专家。但模型不会让每个 Token 调用全部专家,而是只从中激活 16 个。在注意力结构上,K3 也没有沿用单一方案,而是将 KDA 与 Gated MLA 交替排列。这些配置共同指向了 K3 的基本设计思路:模型可以继续扩大容量,但不能让计算成本随着总参数量和上下文长度同步增长。更多专家意味着模型拥有更细致的能力分工,混合注意力则让模型能够以更低成本处理长上下文。然而,规模扩张也会带来新的问题。 当专家数量增加时

    评分明细
    重要性 6 新颖度 6 信源权威 6 技术深度 6 实体加权 ×1.30
值得关注 14 items