OpenAI 称已阻断窃取模型推理的攻击，但该手法在 Azure 上仍然有效
OpenAI 称已阻断一起针对其模型推理内容的提取活动，该活动 7 月 1 日起量级较低，7 月 24 至 25 日激增至来自 4000 多名用户的 16000 次请求，涉及一个超过 15000 个账号的网络，OpenAI 表示已于 7 月 28 日将其全部关停，并称核心群体与 Moonshot AI 相关人员有关。
推荐理由：还原了推理蒸馏攻击的时间线与平台差异，可看到同一模型在不同云平台上防护并不一致。
Microsoft / Copilot
全部主题微软的 AI 布局：Copilot 全家桶、Azure AI 基础设施与 OpenAI 合作关系的持续追踪。
15条精选相关主题OpenAI / ChatGPTAI 编码产品更新
最新精选
第 1–15 条 · 共 15 条The Decoder精选AI 评分7878
AWS Machine Learning Blog精选AI 评分6262 GPT-6.1 Sol 在 Amazon Bedrock 正式可用
GPT-6.1 Sol 现已在 Amazon Bedrock 正式可用，面向智能体编码、计算机使用和专业工作负载提供更强的推理能力。据 OpenAI 称，它在 DeepSWE v1.1 上以约五分之一的单任务成本达到 GPT-6 Astra 的水平，并比 GPT-6 Sol 的最佳成绩高出 6.4 个百分点。
推荐理由：原文给出 GPT-6.1 Sol 在 Bedrock 上的可用范围与成本对比，读者可据此判断智能体编码任务的性价比。
Microsoft Research精选AI 评分6262 微软研究院发布 Quine：面向生物学复杂性的 AI 研究系统
微软研究院发布 Quine，一个面向生物学复杂性的 AI 研究系统，由生物世界模型和连接模型、科学工具、文献与实验人员的交互式 harness 两部分组成。该系统与 Broad Institute 合作用于胰腺导管腺癌研究，预测并优先排序数千种化合物，最高排名化合物在湿实验中产生了最大的经典态向基底态转变，从缩小化合物搜索空间到选出候选验证仅用一个周末。
推荐理由：微软研究院公开 Quine 的多模态生物世界模型与实验闭环设计，并给出胰腺癌化合物筛选的湿实验验证结果。
Microsoft Research精选AI 评分6262 微软研究院：把物理 AI 推理卸载出机器人可提升任务成功率与续航
微软研究院对移动操作机器人工作负载做了系统性测量，发现把物理 AI 推理从机载 GPU 卸载到边缘或云端 GPU 可提升任务表现。
推荐理由：微软研究院系统测量了机器人端侧推理与卸载到边缘或云端 GPU 的差异，并给出可复用的 Kubernetes 卸载工具链。
GitHub Blog · AI & ML精选AI 评分8888 GitHub 用 Copilot 把 Copilot 运行时迁移到 Rust
GitHub 用 GitHub Copilot app 和 Copilot CLI 把 Copilot agent runtime 从 TypeScript 完全重写为超过 80 万行生产级 Rust，AI 智能体写了其中大部分代码，跨 128 个 PR 增量合入 main 而非一次性切换。
推荐理由：作者以亲历者身份给出把 80 万行运行时从 TypeScript 迁到 Rust 的完整工程细节，可迁移到大规模 Agent 协作开发。
GitHub Blog · AI & ML精选AI 评分7171 GitHub 推出 Project HydraFusion：多模型编排实现前沿级编码质量
GitHub 发布研究预览 Project HydraFusion，在 GitHub Copilot CLI 中通过运行时编排多个提供商的模型，自动选择 Single、Cascade、Critique 三种执行模式来平衡质量、成本与延迟。
推荐理由：GitHub 官方给出多模型编排的三种执行模式与三项基准的成本质量对比，可据此判断路由式编排在编码任务上的取舍。
Hugging Face Blog精选AI 评分6262 Hugging Face 研究：语音识别基准优化现象如何测量
Hugging Face 发布研究，提出共识分歧探针、掩蔽实体检索和拼写切换三类测试来量化语音识别中的基准优化现象。研究评测 11 个开源 ASR 模型，发现部分高分模型会复现 VoxPopuli 和 LibriSpeech 参考转写中的错误，即使音频与之矛盾、相关词被静音或两种写法在音频中同样成立。
推荐理由：通过三类探针量化语音模型对基准的过拟合，并给出可复用的检测脚本与榜单入口。
Microsoft Research精选AI 评分7171 微软研究院开源 Orchard：可扩展智能体 AI 框架
微软研究院发布开源框架 Orchard，核心是 Orchard Env 这一可复用的 Kubernetes 环境服务，支持软件工程、网页导航和个人助理等任务，并可直接在 Codex、OpenClaw、ZeroClaw 等真实部署 harness 中训练智能体。
推荐理由：微软研究院开源 Orchard 框架，公开环境服务、训练流程与数据，读者可据此了解小模型在真实 harness 中训练智能体的路径。
Hugging Face Blog精选AI 评分6262 微软在 Foundry Managed Compute 上线 Hugging Face 模型集合
微软在 Build 2026 宣布 Foundry Managed Compute 及 Hugging Face 模型集合，将 Hugging Face 生态的开源权重模型以每周刷新的方式引入 Foundry 模型目录，可一键部署到托管 GPU 平台。
推荐理由：微软把 Hugging Face 开源模型的部署运维层接进 Foundry，读者可据此判断开源模型进入企业生产环境的门槛变化。
Hugging Face Blog精选AI 评分6262 Hugging Face 发布 Agentic Resource Discovery 参考实现 Discover Tool
Hugging Face 发布 Agentic Resource Discovery（ARD）规范的参考实现 Discover Tool，为智能体提供跨注册表的自然语言能力搜索。
推荐理由：Hugging Face 给出 ARD 规范的参考实现与 CLI、REST、MCP 三种接入方式，读者可据此判断智能体能力发现如何落地。
Hugging Face Blog精选AI 评分6666 OpenEnv 转为委员会共管，成为智能体 RL 的开源环境协议层
Hugging Face 宣布 OpenEnv 改由委员会协调，成员包括 Meta-PyTorch、Reflection、Unsloth、Modal、Prime Intellect、Nvidia、Mercor、Fleet AI、Microsoft、Hugging Face 和 RadixArk，项目迁至 huggingface/OpenEnv。
推荐理由：OpenEnv 从单一项目转为多方共管的协议层，读者可据此判断开源智能体 RL 环境标准化的走向。
Hugging Face Blog精选AI 评分6262 微软发布 Differential Transformer V2：差分注意力无需自定义 kernel
微软团队发布 Differential Transformer V2，通过为每个 token 和每个 head 投影 λ 并只增加 query head 数量、保持 KV head 不变，使解码速度与标准 Transformer 持平且无需自定义注意力 kernel。
推荐理由：微软团队给出 Differential Transformer V2 的注意力实现与消融对比，读者可了解差分注意力在解码速度与训练稳定性上的取舍。
Mistral AI精选AI 评分8080 Mistral AI 发布旗舰模型 Mistral Large 与 Mistral Small
Mistral AI 发布最新旗舰文本生成模型 Mistral Large，可通过 la Plateforme 使用，并首次通过 Azure 分发。官方称其在常用基准上表现强劲，是继 GPT-4 之后第二个可通过 API 获得的顶级模型，具备 32K token 上下文窗口、原生函数调用与 JSON 格式输出，原生支持英语、法语、西班牙语、德语和意大利语。
推荐理由：官方给出 Mistral Large 的基准对比、32K 上下文与函数调用能力，可据此判断其与 GPT-4 的定位差异。
Hugging Face Blog精选AI 评分6060 SpeechT5 上线 Hugging Face Transformers，支持语音合成、识别与音色转换
Hugging Face 宣布 SpeechT5 已集成进 Transformers，论文作者发布的官方 checkpoint 可在 Hugging Face Hub 获取，并提供语音合成、音色转换和自动语音识别三个 Spaces 演示。
推荐理由：SpeechT5 以同一套编码器解码器架构覆盖 TTS、语音转换与 ASR，读者可据此了解多任务语音模型在 Transformers 中的接入方式。
Hugging Face Blog精选AI 评分7575 用 LoRA 高效微调 Stable Diffusion
Hugging Face 在 diffusers 中正式支持 LoRA 微调 Stable Diffusion，训练脚本最低可在 11 GB 显存上运行，无需 8-bit 优化器等技巧。由于原模型权重被冻结，只需保存新注入层的权重，单个文件约 3 MB，比原 UNet 小约一千倍，便于分享和下载。文章给出了完整的训练命令、推理时加载 LoRA 权重的代码，以及结合 Dreambooth 的用法。
推荐理由：原文给出 LoRA 微调 Stable Diffusion 的完整脚本与推理流程，读者可据此在 11 GB 显存上复现训练。