第一种是自我批评模式，就像让学生检查自己的作业。AI首先解答一道题目，然后回过头来批评自己的答案，找出其中可能存在的错误并进行修正。这种能力在现实中非常有用，就像我们写完文章后会反复检查修改一样。然而，这种模式也存在天然的局限性——AI很难跳出自己的 ...

在与塔克·卡尔森展开的这场涵盖诸多话题的采访里，这位OpenAI首席执行官讲述了监管这项“数亿人日常使用”的技术所承受的压力。对他而言，这种压力并非来自“终结者式”的场景或失控的机器人，而是团队每天都在进行的那些看似平常、甚至近乎无形的微调与权衡—— ...

然而，现有测试面临着「难度–真实性」的矛盾：侧重于考试的基准往往被人为设置得很难，但实际价值有限；而基于真实用户交互的基准又往往偏向于简单的高频问题。 具体而言，本文提出了 UQ（Unsolved Questions），这是一个由 500 道题组成的测试集，涵盖计算机理论、数学、科幻、历史等主题，用于考察模型在推理、事实准确性以及浏览等方面的能力。UQ 在设计上兼具难度大与贴近真实两大特点：这些问 ...