一水 发自 凹非寺 量子位 | 公众号 QbitAI 首份最全ChatGPT用户研究报告来了！ 就在刚刚，OpenAI联合哈佛大学经济学家David Deming发表了一篇新论文—— 标题为 《How People Use ChatGPT》 ，详细论述了ChatGPT从2022年11月上线到2025年7月的被使用情况。 为什么要在这个节点推出报告，或许这也和ChatGPT取得的阶段性成果有关。 截至今年7月，ChatGPT的周活跃人数已经超过7亿，每周发送的消息总量达到180亿条。 人们用ChatGPT干什么？ 对于第一个问题，首先需要强调一点： 和以往基于问卷调查的方式不同，这一次研究团队主要基于内部对话数据，采用自动化分类器并结合隐私保护方法来分析ChatGPT的实际使 用情况，可以说更科学合理了。 人们都在用ChatGPT干什么？ 究竟是谁在用ChatGPT？ 具体数据集可以分为三类： 1、Growth数据集：2022年11月~2025年9月所有消费者计划（Free/Plus/Pro）的消息总量与基础人口统计。 2、分类消息样本：2024年5月~2025年6月随机抽取约110万条去标识化消息，用LLM分 ...

梦晨 发自 凹非寺 量子位 | 公众号 QbitAI OpenAI Codex编程智能体大升级： 推出 GPT-5-Codex 特化版模型，支持 独立连续编程7个小时 。 还有IDE插件版，在 VS Code、Cursor 中都可以使用Codex了。 新模型最牛的地方在于 "真·动态思考" 能力。 与GPT-5任务一开始就决定用多少算力的"路由机制"不同，GPT-5-Codex能在执行任务的过程中实时调整，可能 在处理一个问题5分钟后， AI突然意识到还需要再花一个小时 。 在测试中，OpenAI团队见证了GPT-5-Codex为了完成复杂任务，独立工作超过7小时，期间不断迭代实现、修复测试失败，最终成功交付。 早期测试用户Dan Shipper表示体验好多了，现在可以进行连续对话，像"我们在哪个目录？"这样简单的问题可以立即得到结果，而不是每轮 对话都要等AI思考几分钟。 GPT-5编程专用版 首先来看变成专用版模型GPT-5-Codex。 它针对复杂的实际工程任务进行训练，包括从头构建完整项目、添加功能和测试、调试、执行大规模重构。 在 SWE-bench Verified 上的表现略优于原版GPT-5， ...

量子位智库 . 连接AI创新，提供产业研究 进入2025下半年，国内AI产品的竞争格局发生了质变——更激烈，新变量也更多。 一方面，竞争回归 产品本质 。流量营销战鲜有效果，用户开始用实打实的 重复使用 和 持续消费 投票，产品增长回归到了 价值交付 和 体 验细节 。 头部产品在大场景中加强垄断的同时，初创的高度细分产品正抓紧把握时间窗口，抢夺用户心智。 编者荐语： 新一期AI100榜单来了！ 以下文章来源于量子位智库 ，作者AI 100组委会 另一方面， 新一代AI-Native 的产品设计正在撬动新蓝海。Multi-agent、AI消费级硬件、Vibe Coding、Deep Research、多模态交互等新 变量加速落地。 新场景、新工作流、新交互方式正在快速萌芽，在分歧与竞争中找寻面向未来的解法。 在过去的三个月，哪些产品在头部屹立不倒？哪些互联网产品加入AI阵营？又有哪些新产品崭露头角？ 量子位智库将在2025 Q3的「AI 100」榜单中给出答案，期待你的参与。 一、关于AI 100 「AI 100」是量子位智库推出的 AI产品风向标 系列内容，主要由「旗舰100」和「创新100」双榜单，以及邀 ...

不圆 发自 凹非寺 量子位 | 公众号 QbitAI Nano Banana如此火爆，让谷歌DeepMind CEO哈萨比斯在最新访谈中又一次聊起了AGI。 如果我们在未来十年内拥有完全的AGI，将开创一个科学的黄金时代，一种新的文艺复兴。 Nano Banana当然不是AGI，但它也体现了哈萨比斯认为AGI系统所需的一些关键能力和特征。 哈萨比斯曾经预测过我们可能会在2030年左右实现AGI，但亟待突破的瓶颈在于：目前AI系统并非真正的"博士级智能"，因为它们仅仅是在某 些领域表现出色，但在其他方面仍会犯简单错误。 并且，今天的AI还没有"真正的创造力"，不能提出新的猜想或者假设。 要构建AGI，需要理解我们周围的世界和物理世界，而不仅仅是语言或数学的抽象世界。 虽然面对着上述挑战，但哈萨比斯依然坚信AGI的到来将开启一个"科学的黄金时代"，并在能源、健康等多个领域为人类带来巨大益处。 网友表示：迄今为止，这是关于通往AGI之路的挑战和机遇的最真实对话之一。 | C 3 | | | | | --- | --- | --- | --- | | ר ﺭ | | | | | | III 302 | | | | | ...

henry 发自 凹非寺 量子位 | 公众号 QbitAI 最强不敢说，但最快实锤了！ 刚刚，xAI发布 Grok 4 Fast ，生成速度高达每秒 75 个 token，比标准版快 10 倍！ 从下面的动图中，我们可以直观地看出差距—— solve the trapping rain water leetcode problem using python,just give me the answer 当左边的Grok 4还在说"让我想一下的时候"，Grok 4 Fast已经在说："下一个问题是什么了。" 天下AI，真就唯快不破？ 接下来，我们一起看看Grok 4 Fast的实测表现。 网友实测 从网友的测试来看，Grok 4 Fast的确速度惊人。 例如，在网友的测试中，Grok 4 Fast用不到 2秒 就解决了一道经典的LeetCode题： 不仅Python，让Grok 4 Fast用C语言写链表，同样8秒搞定： 除了编程题，像"量子计算机什么时候取代传统计算机"这样的问答，Grok 4 Fast也能瞬间给出答案。 write a linked list in the C programming la ...

不圆 发自 凹非寺 量子位 | 公众号 QbitAI 只要科学任务可以评分，AI就能找到超越人类专家的方法，实现SOTA结果？ 这是谷歌一篇最新论文里的内容： 使用 大模型+树搜索 ，让AI大海捞针就行。 他们还开发了一个 帮助科学家编写专家级实证软件 的AI系统。 该系统在生物信息学、流行病学、地理空间分析等领域发明的新方法，都达到了SOTA的水平。 网友表示：任何可量化的东西都将被AI征服。 这篇论文目前在X上获得了2.6K赞，引发了广泛的讨论。 让我们一起看看。 Aran Komatsuzaki √ @arankomatsuzaki Google presents an Al system to write expert-level scientific software. Using LLMs + tree search, it invented novel methods in bioinformatics, epidemiology, geospatial analysis & more, often surpassing human SOTA. (1/4) Google 2025-9-9 An ...

一水 鹭羽 发自 凹非寺 量子位 | 公众号 QbitAI 霸榜苹果应用榜的ChatGPT，终于被真·超越了！ 并且不止美区，包括在印度、加拿大、摩洛哥等地，Gemini全部实现登顶。 而一切的一切都要归功于： Nano Banana太好用 （而且免费）。 正如此前"吉卜力玩法"带动ChatGPT用户增长一样，谷歌8月推出的图像生成工具Nano Banana目前也被外界认为是驱动Gemini此轮爆发的 最关键因素。 短短不到一个月，Gemini应用程序在此期间新增用户2300万，Nano Banana也被用于编辑超过5亿张图片。 甚至DeepMind CEO哈萨比斯也在最新采访中表示，Nano Banana是同类产品中最好的。 Nano Banana掀起破圈热潮之后，谷歌Gemini登顶成新王。 而像包括Vercel CEO在内的网友们，更是对Nano Banana的作用大力肯定： | Guillermo Rauch & @ @rauchg · Sep 14 | | | | | --- | --- | --- | --- | | Well deserved. Nano banana is a step fun ...

梦晨 发自 凹非寺 量子位 | 公众号 QbitAI 让AI生成的图像更符合人类精细偏好，在32块H20上训练10分钟就能收敛。 腾讯混元新方法让微调的FLUX1.dev模型人工评估的真实感和美学评分提高3倍以上。 当前的扩散模型虽然能通过奖励机制来贴合人类喜好，但存在两个问题：一是优化步骤少，容易出现 "奖励作弊"，也就是模型为了拿高分生 成质量差的图；二是需要离线调整奖励模型才能达到好的美学效果，不够灵活。 为此，团队提出两个关键方法： 一个是Direct-Align，通过预先注入噪声，能从任意时间步恢复原图，避免了只在后期步骤优化的局限，减少了 "奖励作弊"。 另一个是语义相对偏好优化（SRPO），它把奖励变成受文本控制的信号，通过添加正面和负面提示词，能在线调整奖励，不用额外数据就能 灵活适配需求。 论文公开后，有开发者评价SRPO看起来就像下一代RLHF。 更重要的是，这种方法支持在整个扩散轨迹上进行优化，而不是像ReFL、DRaFT等方法那样只能在后期步骤训练。 实验发现，仅在后25%时间步训练会导致严重的奖励黑客问题，模型会过度拟合奖励函数的偏好，比如HPSv2偏好红色调、PickScore偏好 ...

OpenAI o3的多轮视觉推理，有开源平替版了。 并且，与先前局限于1-2轮对话的视觉语言模型（VLM）不同，它在训练限制轮数只有6轮的情况下，测试阶段能将思考轮数扩展到 数十轮 。 不圆 发自 凹非寺 量子位 | 公众号 QbitAI 这个模型叫Mini-o3，它无需消耗大量训练周期资源，通过恰当的数据、初始化方法和强化学习微调，即可实现长周期视觉搜索能力。由字 节、香港大学团队联合开发。 跨越数十个步骤的深度推理 最近的多模态大模型虽然能通过"图像工具+强化学习"处理视觉问题，但现有开源方案存在很大的短板： 比如推理方式单调、交互轮次受限、遇到需要反复试错的复杂任务就束手无策。 而Mini-o3突破了上述局限——它能够进行 长达数十个步骤的深度多轮推理 ，在高难度视觉搜索任务中达到了当前最佳水平。 这得益于它的三个关键设计： 第一，研究团队构建了视觉探测数据集VisualProbe，包含数千个专为探索式推理设计的视觉搜索难题； 第二，开发了迭代式数据收集流程，让模型能学会深度优先搜索、试错探索、目标维持等多样化推理策略； 第三，提出超轮次掩码策略，在强化学习中避免对达到最大交互轮次的响应进行惩罚，从而平 ...

Core Viewpoint - The article discusses the decline of TensorFlow as an open-source framework, contrasting it with the rapid rise of PyTorch and other emerging projects in the AI open-source ecosystem [3][8][54]. Group 1: Decline of TensorFlow - TensorFlow's community activity peaked but has since declined to its lowest point, even lower than its inception [3][10]. - Ant Financial's open-source technology committee vice-chairman Wang Xu announced TensorFlow's removal from the latest open-source landscape map, indicating its diminishing relevance [6][8]. - The decline of TensorFlow reflects a broader trend in the AI open-source landscape, where project lifecycles are now measured in days rather than years [10][53]. Group 2: Open-Source Project Dynamics - The latest open-source landscape map (version 2.0) shows a significant turnover, with 39 new projects added and 60 existing projects removed, indicating a rapid evolution in the ecosystem [17][18]. - Projects that fail to maintain community engagement or lag in iteration speed are at risk of being excluded from the landscape [19][20][21]. - The competitive nature of the AI open-source ecosystem emphasizes the need for continuous innovation and effective community management to sustain project viability [24]. Group 3: New Paradigms in Open Source - The definition and operational model of open source are evolving, with some high-activity projects not adhering to traditional open-source licenses [26][30]. - The operational attributes of open source are becoming more pronounced, with platforms like GitHub serving as critical channels for product release and community engagement [31]. - New AI open-source projects are increasingly adopting customized licensing terms to balance community benefits with commercial interests, indicating a shift towards a more pragmatic approach to open source [32][33]. Group 4: Competitive Landscape - The focus of competition in the AI ecosystem has shifted from broad functionality to performance optimization, particularly in model serving and inference efficiency [35][44]. - The decline in activity for agent frameworks suggests a transition from exploratory phases to more practical, performance-driven applications [41][42]. - The emergence of high-performance inference engines highlights the importance of optimizing model serving to reduce operational costs and enhance application viability [43][44]. Group 5: Global Contribution Dynamics - The global AI open-source landscape is characterized by a "dual center" model, with the U.S. and China as the primary contributors, each excelling in different technological domains [46][49]. - U.S. developers lead in infrastructure contributions, while Chinese developers show strong growth in application innovation, driven by local market demands [51][52]. - The evolving contribution dynamics reflect a shift towards application-driven innovation, with real-world needs shaping the development of AI tools and solutions [50].