Daily Briefing
2026-07-09 AI Daily
一線實驗室本週同步釋出語音、旗艦模型與媒體生成新能力，也開始公開質疑舊編碼評測標準的可信度 5 則 AI 技術與產品重點：OpenAI 推出 GPT-Live 全雙工語音模型，聊天機器人能邊聽邊說、xAI 釋出 Grok 4.5，號稱 Opus 等級但更快更便宜、Meta 推出 Muse Image 與 Muse Video，首波媒體生成模型來自超級智慧實驗室、OpenAI 直言 SWE-Bench Pro 已失準，建議別再用它比旗艦模型、Anthropic 發現 Claude 內部的「全域工作空間」J-space
01 / 語音模型
OpenAI 推出 GPT-Live 全雙工語音模型，聊天機器人能邊聽邊說
OpenAI 推出 GPT-Live-1 與 GPT-Live-1 mini 兩款全雙工語音模型，取代 ChatGPT 既有的進階語音模式。模型可以一邊聽一邊說，使用者能隨時在句子中途打斷，也能用 mhmm、got it 這類語氣回應表示在聽。需要推理或查資料時，會把任務交給最新的 GPT-5.5 處理，同時維持對話。即時翻譯也改成邊說邊翻，不必等對方講完。想在產品裡接語音助手的人，可以先評估這套全雙工架構的對話連續性。
關鍵影響：先評估全雙工語音的對話連續性
來源：Introducing GPT-Live | OpenAI
02 / 旗艦模型
xAI 釋出 Grok 4.5，號稱 Opus 等級但更快更便宜
xAI（現屬 SpaceXAI）釋出 Grok 4.5，這是主打編碼、agent 任務與知識工作的旗艦模型，並與 Cursor 共同訓練。Musk 稱它約等同 Anthropic 的 Opus 4.7 等級，但速度更快、token 效率更高、價格更低。官方定價為每百萬輸入 token 2 美元、輸出 6 美元，並稱 token 效率約為同級模型的 2 倍（在 SWE Bench Pro 上平均輸出 token 比 Opus 4.8 少 4.2 倍）。模型上下文長度 500K，支援高、中、低三種推理強度，以及函式呼叫、網頁搜尋與程式執行。模型即日起開放 Grok Build、Cursor 全方案與 SpaceXAI 主控台使用，歐盟預計七月中跟上。要壓低編碼與知識工作成本的團隊，可以先拿 Grok 4.5 跟現有模型做一輪小規模基準對比。
關鍵影響：先拿 Grok 4.5 做一輪小規模基準對比
03 / 媒體生成
Meta 推出 Muse Image 與 Muse Video，首波媒體生成模型來自超級智慧實驗室
Meta 推出首批媒體生成模型 Muse Image 與 Muse Video。Meta 稱 Muse Image 是 Meta 目前最強的圖像生成模型，能精準照指令編輯、從多張參考圖組合，並借用 Instagram 的社群脈絡。它具備 agent 能力，會呼叫搜尋與程式工具來核對事實並自我修正，也與 Muse Spark 整合。Muse Video 則是早期預覽，建立在相同預訓練基底上，主打高畫質、時間連續性與原生音訊。Muse Image 已在 Meta AI app、meta.ai、美區 Instagram Stories 與部分國家的 WhatsApp 上線。想做社群圖文的人，可以先在 Meta AI 試 Muse Image 的指令遵循與多圖參考效果。
關鍵影響：先用 Muse Image 試指令遵循與多圖參考
來源：Introducing Muse Image and Muse Video - Meta AI
04 / 評測方法
OpenAI 直言 SWE-Bench Pro 已失準，建議別再用它比旗艦模型
OpenAI 發布《Separating Signal from Noise in Coding Evaluations》，對編碼基準 SWE-Bench Pro 做了審計：先用自動過濾標出 286 個可能壞掉的題目，再經人類監督的 agent 審查與資深工程師人工標註確認問題。OpenAI 結論是這個基準已失準，分數超過一定門檻後，模型間差距更多反映題目洩漏、脆弱模式或對特定測試的過擬合，而非真實編碼能力，因此撤回採用 SWE-Bench Pro 的建議。這篇發在多家新模型同週用基準分數宣傳能力的時刻，提醒讀者別只看排行榜。要評估編碼 agent，建議改看 DeepSWE、FrontierCode 這類用行為驗證、重視可否合併的基準，並用私有題庫做一小批驗證。
關鍵影響：改看行為驗證基準並自跑私有題庫
來源：Separating signal from noise in coding evaluations | OpenAI
05 / 可解釋性
Anthropic 發現 Claude 內部的「全域工作空間」J-space
Anthropic 發表研究，指出 Claude 內部浮現類似人類「全域工作空間」的機制，稱為 J-space。團隊用 J-lens（Jacobian lens）技術，在模型還沒寫出文字時，就讀出它心中浮現的詞：讀到帶 bug 的程式會出現 ERROR，讀到 prompt injection 會出現 injection 與 fake。J-space 負責可主動控制的推理，模型能報告、調節並用它做多步驟思考。關掉它，Claude 仍能流利說話，但高階推理近乎歸零。Anthropic 已開源 jacobian-lens 實作並提供 Neuronpedia 互動 demo，團隊可藉此監控模型是否私下編造資料或藏著隱藏目標。
關鍵影響：先關注模型內部思考的可監控性
來源：A global workspace in language models | Anthropic