今日AI：OpenAI、NASK 与 Microsoft Flint

知识状态截至 2026-10-25。材料收集于 2026-10-24。

今天的综述涵盖了人工智能系统安全领域的关键变化、支持研究工作的新工具以及硬件优化。OpenAI与NASK就AI安全建立了合作，Microsoft发布了用于交互式数据可视化的库，研究人员也获得了 LitPivot 系统。此外，我们还讨论了用于验证模型与 AWS Trainium 兼容性的新工具，以及在 AMD RDNA 4 架构上优化 FP8 计算的技术方面。

今日要点 (TL;DR)

• OpenAI与NASK的合作伙伴关系：两家组织签署了一项协议，旨在共同研究先进人工智能系统的安全性。
• Microsoft Research推出 Flint-interactive：该工具使 AI 代理能够自动创建具有高级事件处理功能的交互式数据可视化。
• 用于检查模型与 AWS Trainium 兼容性的工具：Hugging Face 中的新空间允许验证 Transformers 模型是否可以在无需修改代码的情况下在 Trainium2 加速器上运行。
• LitPivot 支持研究概念的创建过程：该系统利用主题分割将科学理念与文献联系起来并生成对出版物的批评。
• AMD RDNA 4 架构上的 FP8 GEMM 优化：文档展示了在图形处理器中使用 WMMA 指令将 FP16 GEMM 内核迁移到 FP8 格式的过程。

OpenAI 与 NASK 在 AI 安全方面的合作伙伴关系

OpenAI 和波兰研究机构 NASK 签署了一项合作协议，旨在共同研究威胁并为先进的人工智能系统制定安全标准。该伙伴关系的官方宣布于 10 月 23 日进行。

该合作旨在结合两个组织的专业知识，以更好地了解人工智能系统发展带来的风险并加强保护机制。作为 NASK 活动的一部分，其 AI Safety Research Center 部门作为波兰人工智能安全研究所（简称 AISI），将共同参与评估日益先进的人工智能系统的方法的研究。联合工作还将涉及识别安全漏洞和制定国际技术标准。

该合作伙伴关系建立在与波兰网络安全专家合作的先前经验之上。7 月，在 NASK 结构中运营的 CERT Polska 通过 Daybreak 平台获得了对 OpenAI 模型的访问权限。利用这些工具，专家团队成功发现了 MikroTik RouterOS 软件中的 6 个漏洞，其中包括允许在未经身份验证的情况下接管设备的漏洞。该系统制造商发布了补丁，这证明了 CERT Polska 在预防威胁方面的有效性。

对于 AI 构建者：IT 系统安全专家可以验证使用具有增强网络安全能力模型来分析自身网络环境的可能性。材料并未指明 CERT Polska 所使用技术的访问成本，也没有说明这些工具是否可供研究机构以外的团队商业使用——这些问题需要与供应商单独确定。

Microsoft Research 推出 Flint-interactive

Microsoft Research 于 10 月 22 日发布了 Flint-interactive 语言，它使 AI 代理能够创建交互式数据可视化。该工具允许用户通过点击、过滤、缩放、突出显示元素以及不同图表之间的交互来直接探索图表。

该系统解决了静态可视化通常限制分析细节能力的问题。Flint-interactive 基于 Flint 编译器，将用户的交互转化为语义事件。因此，创建者无需定义低级可视化代码，而是使用高级更新运算符。将视觉逻辑与交互逻辑分离，可以减少与图表渲染和布局相关的错误数量。

该技术支持创建交互式数据故事、仪表板和关联体验，其中一个视图中的操作（例如在表格中单击）可以更新图表或应用程序状态。开发人员可以使用预设的交互设置或使用编程 API 定义自己的事件处理函数。Flint-interactive 在聊天环境中通过 Flint-MCP 以及使用 Flint Canvas 的应用程序提供。用户可以指示代理应呈现哪些数据以及需要何种交互，以获取带有交互逻辑的完整图表规范。

对于 AI 构建者：开发人员构建分析应用程序或仪表板可以将库与自己的代理集成，以自动生成交互式元素。在部署之前，必须验证在多次调试图表尝试时的 Token 生成成本，并检查 Flint 各个组件在所选生产环境中的可用性，因为来源未明确许可限制或运营成本。

检查模型与 AWS Trainium 兼容性的工具

两天前的 10 月 23 日，Hugging Face 平台上发布了一个信息空间，用于验证 Transformers 模型与 AWS Trainium 加速器的兼容性。该工具使用 torch-neuronx 包（该基础设施的本机 PyTorch 后端），并指出哪些模型可以在无需修改代码的情况下运行。

用户可以使用反映平台当前排名的 Trending 或 Downloads 视图搜索热门模型。对于每个经过测试的模型的详细数据进行展示：模型分片的 Trainium 核心数量、执行时间（包括编译）以及设备峰值内存消耗。对于不受支持或尚未包括的模型，信息空间解释了这种情况的原因。

在发布时，测试涵盖了文本生成模型以及图像-文本-到-文本模型。该工具指出了 Neuron 堆栈、安装所需的包以及利用 torch.compile(backend="neuron") 命令的现成 run.py 脚本。测试在 trn2 实例上使用最多 16 个核心（4 个 Trainium2 设备）进行。在运行模型时，可以通过利用公共的 NEFF 缓存来跳过图编译。空间中显示的数据来自公共数据集 aws-neuron/torch-neuronx-model-support，其中包含用于不同 neuronx-cc 版本和库的 Parquet 文件。

对于 AI 构建者：在 AWS 基础设施上部署模型的工程团队可以检查他们选择的 Transformers 模型是否可以在不经修改的情况下在 Trainium2 上运行。公告没有说明长文本生成情况下的性能表现，也没有说明该工具是否支持 Transformers 组之外的特定架构，这些需要在您自己的测试环境中进行验证。

LitPivot 支持研究概念的创建过程

根据 2026 年 10 月 23 日的博客文章，研究人员团队开发了 LitPivot 系统，该系统通过将科学理念嵌入现有文献中来帮助科学家发展这些理念。

该系统解决了被称为“文献引导的支点”（literature-initiated pivot）的过程，即在阅读早期作品的影响下改变研究方向。LitPivot 将构思与文献验证整合在一起。用户将研究提案的文本输入编辑器，系统利用“facet highlighting”功能将想法分为三个方面：问题、贡献和评估计划。该工具利用 Asta Paper Finder，在所选文本片段周围分组相关出版物。研究人员可以选择出版物，系统将为其生成以源文本片段为支撑的批评，并提出具体的编辑改进建议。在对文本进行每次更改后，文献列表会自动更新。

在一项涉及 17 名科学家的研究中，专家评价使用 LitPivot 开发的概念比使用标准编辑器和 AI 聊天工具创建的概念更好地扎根于文献中。参与者认为他们的想法更新颖、更有用。作者发现该工具在两类活动中有所帮助：将想法与现有工作区分开来以证明其新颖性，以及使想法适应现有解决方案。该系统将在底特律举行的 UIST 2026 会议上展示。

对于 AI 构建者：致力于支持科学文本写作系统的研究人员可以测试将文本编辑器与基于主题分割（"facets"）的动态文献检索相结合的有效性。来源未明确该工具是否支持英语以外的语言，Asta Paper Finder 中的查询限制是什么，或者该系统是否拥有允许部署在本地学术环境中的开源许可证。

AMD RDNA 4 架构上的 FP8 GEMM 优化

根据 2026 年 10 月 23 日的博客文章，作者介绍了将 FP16 GEMM 内核迁移到 AMD RDNA 4 图形处理器 FP8 格式的过程。文档重点关注在 gfx12 架构中可用的 WMMA 指令的使用（具体以 AMD Radeon RX 9070 XT 为例）以及较小元素大小对 LDS (Local Data Store) 内存利用率的影响。

从 FP16 过渡到 FP8 改变了计算结构，因为每个操作数元素占用 1 个字节而不是 2 个字节。因此，单次 128 位加载传输 16 个 FP8 值，而不是 8 个。作者比较了四种具有不同大小和 K 深度的磁贴 (tiles) 配置，将该解决方案用作进一步量化工作的基础。

在文章中测试了包括 128×96 (K=64) 的直接端口、更大的 256×256 (K=64) 配置以及具有更大 K=128 深度的变体（例如 256×160 和 192×192）。较小的数据大小允许更有效地管理可用的 64 KB LDS 内存，这能够使用更大的磁贴并减少同步屏障的频率。该实现不考虑缩放系数，对原始 E4M3 值进行操作，并在 FP32 格式中累积结果。工作需要安装 ROCm 10.0 和 hipBLASLt 包。

对于 AI 构建者：为 AMD 图形处理器编写低级内核的程序员可以利用这些配置来提高 Transformer 模型中的计算性能。公告没有给出在所有条件下与标准库相比的确切性能结果，也没有确定在生产应用中缺乏缩放系数对模型准确性的影响——这需要在您自己的测试中进行验证。

常见问题解答 (FAQ)

OpenAI 和 NASK 签署协议的目的是什么？

合作的目的是共同研究威胁并为先进的人工智能系统制定安全标准。NASK 部门 AI Safety Research Center 将作为波兰人工智能安全研究所活动的一部分，共同参与评估人工智能系统方法的研究、识别安全漏洞并支持制定国际技术标准。

面向研究人员的 LitPivot 工具区别在哪里？

LitPivot 通过将科学理念嵌入文献中来帮助发展这些理念。系统将想法分为问题、贡献和评估计划，然后利用 Asta Paper Finder 分组出版物、生成对源文本的批评，并在科学家编辑文本期间自动更新文献列表。

检查模型与 AWS Trainium 兼容性的工具能够实现什么？

该工具允许检查 Transformers 模型是否可以在无需修改代码的情况下在 AWS Trainium 加速器上运行。用户可以获得有关核心数量、编译和执行时间以及内存消耗的信息。系统指示所需的包以及利用 neuron 后端的现成脚本。

来源

• OpenAI and Poland’s NASK partner to advance AI safety and security — 2026-10-23
• Flint-interactive: A language for creating interactive data visualizations — 2026-10-22
• Does Your Model Run on AWS Trainium? Look It Up — 2026-10-23
• LitPivot: Developing research ideas through dynamic contextualization within the literature landscape — 2026-10-23
• FP8 GEMM Optimization on AMD RDNA™ 4 Architecture — 2026-10-23

--- 文本由 aipoc-lab (AI) 实验室根据上述公开可用的来源自动准备。自主摘要，非复制。人工编辑前的版本。