OpenAI 分享数百次成功部署经验：如何让 AI 真正投入工作
OpenAI 基于数百次成功部署经验，总结了让 AI 真正投入工作的方法。内容面向企业落地场景，但正文未披露具体模型、版本或部署数据。
#OpenAI
#OpenAI
今日 81 条OpenAI NewsAI 评估 · 23/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 23/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。
OpenAI NewsAI 评估 · 15/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 15/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 GPT-4o 微调网络研讨会
OpenAI 发布 GPT-4o 微调网络研讨会。研讨会主题为 GPT-4o 的微调。
OpenAI NewsAI 评估 · 15/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 15/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 OpenAI 分享员工如何用 ChatGPT Enterprise 做数据分析
OpenAI 发布视频，展示了员工使用 ChatGPT Enterprise 高效分析数据、挖掘洞察的实际案例。内容聚焦企业内部的数据驱动工作方式，未披露新功能或版本信息。
Hamel HusainAI 评估 · 49/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 49/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 用对抗验证（Adversarial Validation）调试 AI 中的数据漂移
Hamel Husain 介绍用对抗验证检测 AI 数据漂移：给两组数据集分别打 0/1 标签，训练二分类器，AUC 达到 0.60 以上即说明存在漂移，再用特征重要性定位根因。他还发布 CLI 工具 ft_drift，可检测两个多轮对话 jsonl 文件之间 prompt 模板和 token 层面的漂移。
Lilian Weng(@lilianweng)精选AI 评估 · 80/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 80/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 OpenAI 与 Sam Altman 达成原则性协议，其将回归担任 CEO
OpenAI 宣布已与 Sam Altman 达成原则性协议，他将回归担任 CEO，并组建由 Bret Taylor（主席）、Larry Summers 和 Adam D'Angelo 组成的新初始董事会。OpenAI 表示正在协作敲定具体细节。
为什么值得看
OpenAI 高层动荡的关键节点，读者可据此了解 Sam Altman 回归与初期董事会构成。
Lilian Weng(@lilianweng)AI 评估 · 20/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 20/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Lilian Weng 团队招募研究工程师，推进 AI 对齐的实践落地
Lilian Weng 表示其团队正与 Superalignment 团队并行，从实践层面推进 AI 对齐，构建让 AI 能够安全部署的系统，并正在招募研究工程师与科学家加入。
Jan Leike(@janleike)AI 评估 · 63/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 63/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 OpenAI 将 20% 算力投入超智能对齐研究
OpenAI 提出新目标，要在未来 4 年内解决超智能对齐问题，并承诺把迄今为止 20% 的算力投入这一方向。Jan Leike 邀请研究者共同探讨如何最有效地使用这些算力来解决该问题。
Jan Leike(@janleike)AI 评估 · 47/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 47/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 OpenAI 用 GPT-4 自动解释 LLM 神经元激活模式并打分
OpenAI 提出自动化可解释性新方法：让 GPT-4 解释 LLM 中单个神经元的激活模式，并对这些解释进行评分。相关研究已发布于 OpenAI 官网。
Eugene YanAI 评估 · 32/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 32/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Raspberry-LLM：把 Raspberry Pico 变得更聪明一点
开发者用 Raspberry Pico 加 e-ink 屏幕做了 raspberry-llm，通过调用第三方 LLM API 读取 WSJ 和 HackerNews RSS 内容并生成文本，最初用来做押韵时钟。
Eugene YanAI 评估 · 29/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 29/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 用 LLM 做研究、反思与规划：LangChain + GPT 实践
作者用 gpt-3.5-turbo 和 gpt-4 配合 LangChain、Pinecone 与 Discord 搭建了一套个人助理，实现 /summarize、/sql-agent、/search、/board 等工具，用于摘要、查询与提供建议。
Eugene YanAI 评估 · 28/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 28/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 GPT-4、Claude 等 LLM 为我写传记：谁记得更准？
为测试 LLM 的训练数据与表现，Eugene Yan 让 gpt-4、claude-v1.2、cohere-xlarge 等模型为自己写传记，结果 gpt3.5/4 整体表现最好，大意正确但细节多有错误。他指出不同模型在记忆与复述程度上差异明显，且这些模型无法联网，输出完全基于训练数据。
Lilian Weng(@lilianweng)AI 评估 · 17/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 17/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 OpenAI 的 Lilian Weng 与 Greg Brockman 分享大规模神经网络训练技巧
OpenAI 的 Lilian Weng 与 Greg Brockman 发布文章，介绍训练大型神经网络的技术，并称其可能比想象中更容易。两人同时表示 OpenAI 正在招聘。
Geoffrey Hinton(@geoffreyhinton)AI 评估 · 15/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 15/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Hinton：外推 GPT-3 的表现，生命、宇宙及一切的答案约为 4.398 万亿参数
Geoffrey Hinton 表示，将 GPT-3 的惊人表现外推到未来，生命、宇宙及一切的答案约为 4.398 万亿参数。该说法呼应《银河系漫游指南》中「42」的梗，以参数量作为终极答案的类比。
Lilian Weng — Lil’LogAI 评估 · 21/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 21/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 面向 Sim2Real 迁移的域随机化（Domain Randomization）方法解析
域随机化（DR）通过在仿真器中随机化视觉外观与物理动力学参数（如质量、摩擦、阻尼、关节限位、动作延迟），让策略在多样环境中训练，从而迁移到真实世界。相比需要真实数据的域适应，DR 几乎不需要真实样本；OpenAI Robotics 用视觉与动力学 DR 让机械手完成连续旋转物体的 50 次连续随机目标朝向任务。文章还把 DR 的随机化参数学习视为一种双层优化问题。