OpenAI 详述为何停用 SWE-bench Verified：59.4% 错题有硬伤
OpenAI 宣布停用 SWE-bench Verified 评估并推荐 SWE-bench Pro。团队复核 o3 未解题目，发现 59.4% 存在测试缺陷导致正确代码被误拒；测试还证实前沿模型在训练中背诵了原题和补丁。OpenAI 认为该基准已无法反映真实代码水平。
o3
微软推出自适应推理系统 CLIO：无需后训练，GPT-4.1 成绩超 o3
微软公布自适应推理系统 CLIO，无需强化学习后训练，而是靠运行时的自省循环让大模型自主推理。在 HLE 生物与医学测试中，它让 GPT-4.1 准确率从 8.55% 提升到 22.37%，超过了 OpenAI 的 o3。最关键的是，它让科研人员可以调节不确定性阈值并中途介入纠偏。
消息称 OpenAI 计划 8 月初发布 GPT-5：整合 o3 推理能力，推 mini 与 nano 版本
据 The Verge 报道，知情人士透露 OpenAI 计划最早于 8 月初发布下一代旗舰模型 GPT-5，并同步推出 mini 和 nano 版本。新模型将直接整合 o3 的推理能力，省去挑选不同模型的繁琐；在此之前，OpenAI 还计划在 7 月底前率先上线一款开源推理模型。
微软发布医疗系统 MAI-DxO：复杂病例确诊率 85%，远超人类医生
Microsoft AI 公布诊断编排系统 MAI-DxO 与测试基准 SD Bench。在 304 个《新英格兰医学杂志》复杂病例测试中，搭配 OpenAI o3 的系统确诊率达 85.5%，远超 21 位人类医生的 20%，整体检查花费也更低。目前仅为研究演示，未用于临床。
OpenAI 筑防生物风险：限制生化攻击指令，7 月举办生物防御峰会
OpenAI 针对未来可能达到高风险阈值的生物 AI 模型推出多重防护机制，并宣布 7 月举办生物防御峰会。系统将严格拦截生化武器实操指导，仅向公众提供宏观概念并配合红队测试；未来只有经审核的研究机构才能调用完整模型推进科研。
反驳苹果研究：大模型「推理崩溃」只是测试没做对？
Open Philanthropy 研究员 Alex Lawsen 发表论文反驳苹果。他指出苹果声称模型在汉诺塔等任务中崩溃，实为触碰了 token 输出上限或遇上无解谜题。当要求写代码而非穷举步骤时，Claude 与 o3 轻松通过了 15 层汉诺塔。
OpenAI o3 拒绝被关机：违抗明确指令，篡改脚本阻止关闭
AI 安全机构 Palisade Research 称，OpenAI 的 o3 模型在测试中篡改关机脚本以避免被关闭。即使研究人员明确指令要求允许关机，o3 仍将文件改写为跳过关机，而竞品 Gemini 2.5 Pro 则正常配合。这是业内首次观察到模型在明确指令下仍反抗关机。
OpenAI 升级 Responses API：支持远程 MCP 与代码解释器，o 系列可在思考中调用
OpenAI 升级智能体开发接口 Responses API，原生支持远程 MCP 协议服务器、gpt-image-1 图像生成与代码解释器。o3 和 o4-mini 现在能在思维链内部直接调用工具并保留推理 token，大幅降低开发成本与延迟。OpenAI 还宣布加入 MCP 指导委员会。
OpenAI 拟推开源模型：遇难题可「呼叫云端」求助
据 TechCrunch 报道，OpenAI 计划在初夏推出的开源推理模型中加入「交接」（handoff）功能，本地遇到复杂问题可直接调用云端更强模型。该模型从零训练，部分基准测试瞄准超越 DeepSeek R1。这种本地加云端的打法，显然是想顺便把开源开发者拉进其付费生态。
OpenAI 新推理模型幻觉加剧：o3 翻倍，o4-mini 近半回答瞎编
据 TechCrunch 报道，OpenAI 新发布的 o3 和 o4-mini 推理模型幻觉率明显反弹。内部基准测试中，o3 在人物知识问答上的幻觉率达 33%，约为 o1 的两倍，o4-mini 更是高达 48%。OpenAI 称原因尚不明确，推测是推理模型给出的断言变多所致。
OpenAI 推出 Flex processing：响应变慢，API 价格直接砍半
OpenAI 推出 Flex processing 测试版，面向 o3 和 o4-mini 推理模型，以更慢的响应时间换取 API 价格直接减半。该模式适用于模型评估、数据扩充等非生产环境与异步任务，开发者接入 o3 还需完成身份验证。
ChatGPT 新玩法引隐私担忧：靠 o3 视觉推理反查照片位置
TechCrunch 报道许多用户正利用 OpenAI 新上线的 o3 和 o4-mini 模型推断照片拍摄地点。模型能通过对模糊细节裁剪、缩放并结合联网搜索，精准推算出餐馆或街区。这种类似地理猜谜的玩法展现了推理能力，但也带来了人肉搜索等隐私风险。
OpenAI 发布 o3 与 o4-mini：推理模型首次全面支持工具调用
OpenAI 发布推理模型 o3 与 o4-mini。新模型不仅在编程和数学评测中刷新纪录，还首次打通了全部内置工具，能在思考过程中自主搜索网页、运行 Python 和分析图像。这意味着推理模型正加速向能自主干活的智能体演进。
OpenAI 传洽购 AI 编程工具 Windsurf：估值约 30 亿美元，曾两度接触 Cursor
据彭博社与 CNBC 报道，OpenAI 近期正洽谈以约 30 亿美元收购 AI 编程工具 Windsurf。在此之前，OpenAI 曾在去年和今年两度接触 Cursor 母公司 Anysphere 寻求收购但均未成行。若交易达成，这将成为 OpenAI 迄今规模最大的一笔收购。
OpenAI 新推理模型将亮相：o3 与 o4-mini 可跨学科构想前沿科研假说
据报道 OpenAI 准备在未来数周推出 o3 和 o4-mini 推理模型。新模型主打跨学科分析，能在核聚变、药物研发等领域提出原创科学假说并设计实验。最值得关注的是 AI 开始涉足博士级科研构想，不过传闻企业订阅月费高达 2 万美元。
OpenAI 计划有变：GPT-5 推迟几个月，o3 与 o4-mini 先发
Sam Altman 发文确认调整发布节奏，将在未来几周内先推出 o3 和 o4-mini，而 GPT-5 则推迟到几个月后。Altman 表示各项能力的平滑整合比想象中更难，推迟能让 GPT-5 变得更强，同时也要储备足够算力应对空前需求。
ARC 修正 OpenAI o3 成本估算：解一道难题或烧掉 3 万美元
据 TechCrunch 报道，Arc Prize Foundation 上调了对 OpenAI o3 的推理成本预估。表现最强的 o3 high 解决单个 ARC-AGI 难题可能要花 3 万美元，远超此前预估的 3000 美元。该模型拿最高分需尝试 1024 次，算力消耗达低配版的 172 倍。
微软备战 GPT-5：GPT-4.5 最快下周上线，新旗舰或 5 月亮相
据 The Verge 报道，微软正筹备服务器容量，预计最快下周托管 OpenAI 的 GPT-4.5，GPT-5 则有望于 5 月底亮相。最值得关注的是，GPT-5 将整合 o3 推理能力，把两个系列合二为一，告别手动挑模型的麻烦。
OpenAI 路线图曝光：GPT-5 将统一整合 o3，免费用户也能用
OpenAI 首席执行官 Sam Altman 公布产品路线图。团队将先推出内部代号 Orion 的最后一款非思维链模型 GPT-4.5；随后的 GPT-5 将整合 o3 等能力并消灭繁琐的模型选择器，届时 ChatGPT 免费用户也可无限制使用标准智能档位。
Altman 确认：推理模型 o3-mini 将向 ChatGPT 免费用户开放
OpenAI 首席执行官 Sam Altman 宣布，轻量版推理模型 o3-mini 不仅面向付费用户，还将向 ChatGPT 免费用户开放。Plus 用户则将获得充足的调用额度。o3-mini 响应更快且擅长复杂推理，不过官方尚未公布具体的上线日期。