AINews 汇总：黄仁勋辞任 NVIDIA CEO，Gemini 4 Hydrogen 发布
NVIDIA 宣布黄仁勋辞去 CEO、总裁及董事会成员职务，结束 33 年任期，CFO Colette Kress 兼任临时 CEO，董事会已启动继任者搜寻。
推荐理由：汇总了黄仁勋辞任、Gemini 4 Hydrogen 发布与多款开源模型评测，便于快速掌握当日 AI 动态。
#OpenAI
Latent Space精选AI 评分8888 arXiv · cs.HCAI 评分4040 用已知对错案例校准 AI 科学判断：一套真值校准协议
研究者提出一套真值校准协议，通过已验证参考案例与偏差变体对比，结合中立评估、权威框架复核和逐行审计来检验 AI 的科学判断。在一项有机化学演示中，ChatGPT 免费未登录界面 6 段对话、18 条回复的中立评估仅检出 5 处预设偏差中的 3 处，两处漏检在权威框架第二轮被识别，且 5 处检出在第三轮审计中均保持。协议强调偏差检出与数值修复需分开评估。
arXiv · cs.LG 机器学习AI 评分6262 ATune：无需专家编辑数据、通过图像编辑器控件实现无监督照片修图
ATune 仅用商业图库 1000 万张照片合成退化对训练，学习亮度、对比度、锐度等 13 个属性的目标值，再由搜索调整 RawTherapee 或 darktable 的滑块完成修图。
arXiv · cs.AI 人工智能精选AI 评分8080 Neuro-VL：用近百万例临床神经影像训练的视觉语言模型
研究团队提出 Neuro-VL，一个在常规临床诊疗中近一百万例神经影像检查上训练的视觉语言模型，可解读完整影像检查并用自然语言讨论所见。在内部和国际数据集上，Neuro-VL 在异常诊断、定位、描述和生成完整放射报告方面优于前沿通用模型和专科医学模型，还能对比序列检查评估疾病进展，并在面对误导性临床假设时比 OpenAI 和 Google 的领先前沿模型更可靠地抵抗干扰。
推荐理由：论文用近百万例临床神经影像训练视觉语言模型，并在内部与国际数据集上与通用及专科模型对比诊断和报告生成表现。
The Decoder精选AI 评分7878 OpenAI 分析显示前沿模型正隐藏思维过程，源于开发者对能力与算力的取舍
OpenAI 安全团队系统分析 GPT-5 到 GPT-6 Astra 的训练过程，把模型思维链可监控性下降归因于四个因素：基础模型预训练能力提升、特定架构更擅长无草稿的静默推理、强化学习增强模型对自身思维链的控制，以及学生模型从教师模型继承这种控制能力。
推荐理由：OpenAI 安全团队拆解预训练、架构、强化学习与蒸馏四类训练环节，说明模型思维链可监控性下降与能力、成本取舍的关系。
The Verge · AIAI 评分4040 研究发现 AI 聊天机器人会推荐虚假零售网站，Perplexity 表现最差
Podqi 测试 ChatGPT、Gemini 和 Perplexity 对 151 个品牌的购物类提问，在 6,795 条回答中发现三者都会引用或展示冒充真实零售商的假网站、被他人重新注册的旧品牌域名或已失效的站点。Gemini 出现风险网站的比例最低为 4%，ChatGPT 为 8%，Perplexity 最高达 15%；小品牌相关问题出现风险网站的频率约为大品牌的两倍。
Papers with Code · arXiv cs.AIAI 评分5252 研究提出以多模态大语言模型替代人类评估可解释性 AI 的框架
作者提出一个“purpose-grounded”评估框架，其指标同时适用于 MLLM 和人类用户，用来检验多模态大语言模型能否充当替代人类参与者、自动评估可解释性 AI（XAI）。
arXiv · cs.CYAI 评分5858 论文提出 CoT 可监控性的五项透明度披露指标，并审计 Anthropic、OpenAI 与 Google DeepMind
论文主张前沿 AI 开发者应披露五项指标，以便追踪 CoT 监控面临的威胁并促进协同，这五项指标分别对应 CoT 监控依赖的五步链条中的一环。第一项是第三方 CoT 访问权限与基础架构规格，它同时支撑其余指标的外部验证；其余指标覆盖 CoT 质量（自然性与忠实性）和监控有效性（检测与提升）。
arXiv · cs.CL 计算与语言AI 评分5858 IFRS 合规验证：开放多 LLM 基准与内容条件集成分类器
研究团队构建了 19,998 条 IFRS 法规与披露配对的多 LLM 基准，其中 11,161 条为多模型一致标签、8,837 条为模型分歧项上的人工标注，并提出融合 GPT-4.1、Claude Sonnet 4 和 Gemini 2.5 Pro 概率特征的集成分类器。
arXiv · cs.CL 计算与语言AI 评分5858 印度语言 tokenizer 差异测量：GPT-4o 处理 Odia 需英文 5.01 倍 token
研究测量了 GPT-4、GPT-4o、Qwen2.5、DeepSeek-V3、Mistral-Nemo 及四个 Sarvam 模型共九种公开 tokenizer 在 FLORES-200 全部 25 种印度语言（2,009 句）和 PHINC 的 13,732 组 Hinglish-英语社交媒体句对上的分词差异。
OpenAI NewsAI 评分4040 OpenAI 与 Upwork 研究：AI 对自由职业工作的影响
OpenAI 与 Upwork 的新研究发现，自由职业市场需求正在发生变化，出现新的技能组合，AI 相关项目的预算更高、工时更长。
Latent Space精选AI 评分8585 Anthropic 发布 Claude Fable 5.2 与 Mythos 5.2，重夺 LLM 榜首
Anthropic 发布 Claude Fable 5.2 和 Claude Mythos 5.2，在 Artificial Analysis Intelligence Index v5 上以 65 分重回第一，超过 Gemini 4 Carbon 的 60 分和 Opus 5.5 的 59 分。
推荐理由：汇总了 Fable 5.2 在多个独立榜单上的成绩与每任务成本变化，便于判断其相对 Opus 5.5 的实际取舍。
Import AIAI 评分6262 Import AI 478：数学形式化助力对齐、ProgramBench 与 Mirendil 的 RSI 信号
Import AI 第 478 期汇总多项 AI 研究进展：AI 安全初创公司 Resolution 用智能体自动形式化了奇点消解相关数学证明，耗时约一周、消耗约 100B 输入 token 和 3 亿输出 token，花费约 13.5 万美元，产出约 60 万行 Lean 代码。