OpenAI 那篇讲幻觉的文章有个挺关键的结论：幻觉不是模型里的神秘故障，根子在评估和奖励机制上。顺着这个结论推下去，代价相当大——所有主流基准都得按这个思路重做一遍。
OpenAI 最近发社会影响类内容的频率明显高了，路数越来越像 Anthropic。这篇讲「人们怎么使用 ChatGPT」的文章，前面花了很大篇幅讲数据清洗和去个人身份信息，为后面的统计做铺垫。
最值得记的一个数：ChatGPT 的周活跃用户接近 8 亿。
顺带一个口径变化：现在大家开始普遍用 WAU（周活）了——不再是非 DAU 即 MAU，而是取了个折中的时间窗。
同期那篇讲幻觉的文章，核心结论是：幻觉不是现代语言模型里的某种神秘故障，它背后是评估和奖励机制的问题——模型被训练成「宁可编一个也不要不答」。
于是结论落到：要衡量幻觉，需要好的 hallucination eval。
但真正的代价在后半句：他们其实已经有不少幻觉评测，问题是这些评测对大量 QA 类基准的影响非常小。所以真要解决，得把所有主流基准按这个思路重做一遍。
DeepSeek 的 R1 成了当期 Nature 的封面文章。论文本身还是那篇，区别在于它经过了长达半年的同行评审。
在这个领域，一篇被预印本世界早已读遍的工作，仍然愿意走完半年的正式评审流程，这件事本身就是个信号。
聊到安全时提了一个方向：几乎所有元器件都会产生电磁发射，而这些辐射可以被转换、还原成有用的信息。
这类攻击统称侧信道攻击——对安全感兴趣的可以顺着这个词往下挖，能翻出很多有意思的东西。
字节和哥伦比亚商学院做了个基准，针对的正是金融领域评测长期偏弱、偏静态的问题。它把金融 agent 的关键任务分成几类：
一、时间敏感型数据获取——比如「某公司最新的收盘价是多少」。这类问题没有绝对答案，它是实时的，怎么评测「取得对不对」本身就是个难题。
二、简单历史查询——比如「2020 年 9 月 27 日星巴克的总资产」，考的是能不能从历史财报里找准。
三、复杂历史信息获取——比如「2010 到 2025 年标普 500 的增长情况」，需要跨期聚合。
把「取数」这件事本身当成评测对象，是金融 agent 和通用 agent 最不一样的地方。