aipoc-lab
[Tech][Agents][Education][LLM]

今日AI：GPT-6.1 Terra 与 Polar Peaks

作者与批准

[AI 生成内容][经人工批准]

发布与更新

发布： 更新：

今日要点 (TL;DR)

  • Polar Peaks：面向 11-14 岁学生的互动教育游戏，介绍神经科学基础和 AI 运作原理。
  • GPT-6.1 Terra：OpenAI 的新模型，视觉性能提升，API 成本比上一代降低 50%。
  • ChatGPT 职场数据：OpenAI 发布了关于 165 个职业类别中模型应用情况的统计数据，覆盖近 100 个国家。
  • CodeRabbit：部署 GPT-6.1 Sol 模型来分析代码依赖关系并自动检测安全漏洞。
  • Gemini 针对学生：Google 大使团队介绍了该助手在学习组织、考试准备和语言学习中的实际应用。

Google 与 Stanford 推出 Polar Peaks

Google Research 联合 Stanford Accelerator for Learning 于 10 月 26 日发布了一款名为 Polar Peaks 的互动教育游戏。这是 AI Quests 系列的第三部，面向 11 至 14 岁的学生，旨在普及人工智能的工作原理和神经科学基础。

在游戏中，参与者扮演研究人员，负责绘制人脑图谱，以更好地了解游戏中角色的记忆力减退问题。学生们执行与数据清洗和模型测试相关的任务，旨在展示人工智能如何协助科学研究。游戏机制基于连接组学领域的知识，即绘制神经网络图谱的科学，其中包括最近绘制出果蝇完整大脑的成就。该项目强调了对技术实施人类监督以及培养批判性思维的必要性。

迄今为止，学生们已参加了超过 400,000 场 AI Quests 学习，相关材料已被翻译成 10 种语言。伴随游戏发布的还有 Google AI Educator Series 框架下的教师培训模块，旨在帮助将这些内容融入课程大纲。该系列的早期部分涉及洪水预测和眼病检测。该项目荣获 2026 年 Webby Award 人工智能教育与培训类别奖以及 ETIH Innovation Awards。

致 AI 开发者：计划部署该游戏的教师和教育工作者可以查看 Google 教育系列中的培训模块可用性。来源未明确说明该工具是否符合 GDPR 在处理学生数据方面的要求，也未说明游戏界面是否全面支持波兰语。

GPT-6.1 Terra 模型发布

OpenAI 于 10 月 26 日推出了 GPT-6.1 Terra，旨在提高视觉任务和计算机操作任务的性能。该模型是 GPT-5.6 Terra 的升级版，具有更高工作速度和更自然的写作风格。

根据公开数据，GPT-6.1 Terra 的 API 价格比 GPT-5.6 Terra 和 GPT-6.1 Sol 低 50%。在 Agents’ Last Exam 测试中，在平均推理水平下，新模型的得分比上一代高出 15 个百分点，而成本约为其三分之一。与 GPT-6 Astra 相比，该模型在基准测试中表现出相近的结果，但每个 token 的价格仅为十分之一。在速度方面，GPT-6.1 Terra 执行任务的速度比 GPT-6 Astra 和 GPT-6.1 Sol 快三倍以上。

在 MMMU-Pro 视觉推理能力测试中，该模型在所有推理设置下都优于 GPT-5.6 Terra。在编程方面，在 Terminal-Bench 4.0 测试中，在最高推理水平下，GPT-6.1 Terra 解决了 50.3% 的任务，比 GPT-5.6 Terra 的 21.5% 实现了两倍多的增长。制造商还指出错误有所减少：在内部测试中，低推理水平下的错误率从 53.6% 下降到 16.7%。该模型在网络安全领域符合 Preparedness Framework 中的 Critical 安全阈值。

致 AI 开发者：自动处理财务文档或桌面应用程序支持的团队可以在大规模数据输入场景中测试模型的性能。来源未提供有关该模型在世界各地区可用性、波兰语支持或 ChatGPT Work 订阅中具体 token 限制的信息。在决定部署之前，应在技术文档中验证具体的许可条件和接口可用性。

OpenAI 发布关于 ChatGPT 在职场中应用的数据

OpenAI Economic Research 团队于 10 月 26 日发布了关于 ChatGPT 模型在职业环境中应用方式的数据。该信息集涵盖了近 100 个国家中 165 类别职业活动的分析，允许对 2025 年第一季度至 2026 年第三季度期间人工智能在经济中的作用进行分析。

这些数据基于 O*NET 标准，该标准将职业任务分组为称为 Intermediate Work Activities (IWA) 的类别。这使研究人员能够将 AI 工具的使用方式与各种职业中的其他经济指标和活动进行比较。材料包括准备教学材料、创建营销内容、编程和商业数据分析等。

公开分析显示，各国表现出对 ChatGPT 支持的各种类型工作的专业化趋势。2026 年第三季度，前十大最常执行的任务平均占所有分类职业通信的 51.1%，这意味着集中度从 2025 年第一季度的 56.0% 有所下降。该数据集来自用户的私人计划，不包含 Enterprise 版本用户发送的消息或 Codex 模型的使用。为了保护隐私，数据已被匿名化，自动化系统在删除识别数据后对消息进行分类。

致 AI 开发者：数据研究人员和市场分析师可以使用这些数据集将特定的职业活动与世界不同地区的 AI 使用趋势进行比较。在尝试将自己的数据集与这些数据整合之前，应检查 IWA 分类方法是否符合当地劳动力市场的特殊性，以及提供的指标是否涵盖了商业活动的全部范围，因为来源指出排除了诸如机械操作或医疗文档维护等任务。

CodeRabbit 将 GPT-6.1 Sol 整合到代码安全流程中

CodeRabbit 公司已将 GPT-6.1 Sol 模型部署为其安全代理的核心组件，支持工程和应用安全团队进行代码分析和漏洞检测。该解决方案于 10 月 26 日公布，旨在将安全控制扩展到单个代码更改之外，从而在复杂的代码库中验证依赖关系和组件之间的交互。

系统利用 GPT-6.1 Sol 模型将有关不同文件和库中代码行为的信息结合起来。该工具独立于生成特定代码的代理运行，补充了标准扫描程序的操作。作为 Deep Scan 功能的一部分，系统分析存储库内的连接，包括外部库中的依赖关系。CodeRabbit Secure 还通过在隔离的 sandbox 环境中尝试重现威胁来支持威胁验证，这不会影响生产系统。如果检测到漏洞，系统可以准备 pull request 形式的修复建议，然后提交给人工审核。根据该公司的数据，该解决方案目前用于标记数千个组织中的安全问题。

致 AI 开发者：负责维护软件基础设施的团队可以在 pull request 流程中测试模型的集成，以实现漏洞检测的自动化。该公告未明确服务订阅成本、模型的运营限制，也未明确系统是否支持该公司现有项目以外语言的安全分析。在部署之前，还必须验证特定区域的技术可用性和隔离测试环境中的数据保留策略。

学生对 Gemini 助手的应用

根据 10 月 26 日发布的信息，来自高等院校的 15 名 Google 大使团队分享了他们在教育过程中使用 Gemini 助手的经验。项目参与者指出了该工具在学习组织、考试准备和日常学生职责中的应用。

用户利用“study notebooks”功能将课程材料处理为个性化的课程，从而可以在考试前更快地复习。可以上传笔记或讲座，并为不同的观点生成比较。Gemini Live 功能支持语音对话，学生用它来练习演讲、面试或外语学习。借助摄像头支持，该工具还可以通过对屏幕的视觉分析来指导软件的操作。

在引导式学习（Guided Learning）中，助手不给出现成答案，而是提出开放式问题，引导学生独立发现任务解答中的错误。此外，Gemini 生成测试知识的测验，有助于备考。学生还可以利用与 Google Drive 的集成，共享各个学科材料的文件夹，从而创建连贯的课程指南。

致 AI 开发者：教育系统的开发者可以检查引导用户完成问题解决过程的机制，而不是直接给出答案。新闻稿未明确上传文件格式的限制、上传到共享文件夹的数据隐私问题，也未明确 Guided Learning 功能是否支持英语以外的语言。

常见问题 (FAQ)

GPT-6.1 Terra 的主要性能优势是什么？

GPT-6.1 Terra 的运行速度比 GPT-6 Astra 和 GPT-6.1 Sol 模型快三倍以上。此外，该模型在编程任务中取得了显着改进，在 Terminal-Bench 4.0 测试中解决了 50.3% 的任务，并且在低推理水平下的错误率显著下降。

Gemini 助手如何支持学生进行自主学习？

在引导式学习功能中，Gemini 通过提出开放式问题来促进独立解决问题，而不是提供现成的答案。此外，学生可以使用 study notebooks 功能从课程材料中创建个性化课程，并生成测验来在考试前测试知识。

CodeRabbit Secure 中的安全分析是如何进行的？

该系统利用 GPT-6.1 Sol 模型分析存储库中文件和库之间的连接。Deep Scan 功能检查组件之间的依赖关系，如果检测到漏洞，系统可以尝试在 sandbox 环境中重现威胁，并以 pull request 的形式准备代码修复建议。

来源

--- 本文由 aipoc-lab (AI) 实验室根据上述公开来源自动准备。内容为自主摘要，非复制。人工编辑前的版本。

本文来源清单（JSON） — 基于哪些信号生成、各循环做出了哪些决策，以及人工何时批准。

相关文章