KeyFrame內部研究專用

ChatGPT’s Biggest FREE Update Just Dropped

Julian Goldie AI·8月9日週日·8 min英文

三句話摘要

ChatGPT 免費版獲得無限文字聊天,推出 GPT 5.6 Luna 和 Think 按鈕,改變免費用戶的工作流程。 無限文字聊天的價值不在容量本身,而在讓工作流從「一次性問答」轉變為「迭代型對話」,這是真實內容工作的正確姿勢。 工作流程根本改變:過去用戶因訊息限制而縮短思考流程,現在可以進行無限次迭代。真實內容工作本來就是往返對話,現在工具終於符合實際工作方式,用戶不必再為了省配額而接受初稿。

重點整理

重點
  • 1

    工作流程根本改變:過去用戶因訊息限制而縮短思考流程,現在可以進行無限次迭代。真實內容工作本來就是往返對話,現在工具終於符合實際工作方式,用戶不必再為了省配額而接受初稿。

  • 2

    Think 按鈕提升準確性:根據 OpenAI 內部測試,涉及具體細節、日期、數字的問題,Luna 的錯誤率下降約 62%,Sol 下降 68%。用戶只需在結構複雜、邏輯困難的問題上使用 Think,其他時候用快速回答節省時間。

  • 3

    付費用戶獲得靈活控制:Plus 和 Pro 用戶得到滑桿調整,可根據需求在深度思考與快速回答之間切換,解決過去必須二擇一的問題。

  • 4

    無限並非真正無限:圖片生成、高級工具仍有各自限制,只有文字聊天與檔案上傳真正無限制,但這正是內容工作的核心場景。

實用技巧與重點

乾貨
  • 模型名稱:GPT 5.6 Sol(付費)、GPT 5.6 Luna(免費)
  • 新功能:Think 按鈕、動態滑桿(付費版)
  • 推出時間:8 月 6 日起逐步推出,Luna 優先成為預設值,無限聊天和 Think 按鈕在一週內陸續到位
  • 準確性改進:涉及詳細資訊問題的錯誤率降低 62%(Luna)至 68%(Sol)
  • 無限制範圍:文字聊天、檔案上傳無限制 ❌ 無限制:圖片生成、高級工具另有限額
  • 用戶規模:OpenAI 每週觸及約 10 億用戶
  • 影片講者:Julian Goldie,經營 AI Profit Boardroom 社群(4000+ 成員)
  • 具體用途案例:關鍵字研究、內容簡報、客戶開發文案

結論

結論

無限文字聊天的價值不在容量本身,而在讓工作流從「一次性問答」轉變為「迭代型對話」,這是真實內容工作的正確姿勢。

完整解析

詳細

8 月 6 日,OpenAI 推出對免費用戶最具影響的更新。最大改變是移除訊息上限——過去免費用戶每 24 小時只能問 10 個問題就被迫等待,現在可以無限進行文字聊天。同時推出兩個新模型:付費用戶升級到 GPT 5.6 Sol,獲得一個動態滑桿可在「深度思考」和「快速回答」間切換;免費用戶轉向 GPT 5.6 Luna,並配備 Think 按鈕,點擊後讓模型花更多時間思考複雜問題。

這次更新解決了一個隱藏已久的問題:真實工作流程是對話式的反覆迭代,而配額制度強制用戶必須在第一次回答時就滿足,無法進行常規的「修改這裡、調整那裡」的回合制工作。講者示範三個實際應用——用無限聊天完成關鍵字分組和標題創意、一次性撰寫內容大綱並逐輪精進、批量起草開發文案並不斷優化語氣。這些工作在舊配額下用戶會節省訊息來保留餘額,現在可以充分利用每個想法。OpenAI 聲稱準確性也有提升,在涉及具體日期、數字、規則的問題上,Luna 和 Sol 的錯誤率分別下降約 62% 和 68%,雖然這是 OpenAI 自家測試,但意味著用戶花在事實查核上的時間減少。

但「無限」有個重要限制:圖片生成、檔案分析等高級功能仍各有配額,無限只涵蓋文字聊天和檔案上傳。對內容工作者而言這不是問題,因為核心工作流本來就在文字層面。講者強調,無限的真正價值在於改變心態——用戶不再必須「一次搞定」,而是把每個聊天視為一個工作區,給 AI 完整背景後進行 10、20 甚至 30 輪對話,逐漸雕琢出最終產出。這對月活躍人數超過 10 億的平台來說是重大更新,因為學會真正利用這套工具的人會比繼續把它當做快速查詢的人領先一步。

關鍵時刻

Pipeline v2

帶時間戳的重點,會在逐字稿層級分析上線後產生。目前請先透過原始影片觀看。

事實查核

Pipeline v2

說法查證是下一次管線升級的一部分。KeyFrame 只會顯示它真正能驗證的內容。

更多「AI 技術」的內容

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing
編輯精選
83 min
AI 技術英文PODCAST8月26日

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing

Latent Space

  • 加速傳統物理模擬的典範轉移:氣象科學家原本認為 AI 無法匹敵數十年的物理建模工作,但傅里葉神經算子不僅達到同等精度,還快了一萬多倍。原本需要超級計算機的計算現在用消費級 GPU 就能完成,這改變了整個領域的思維方式。
  • 傅里葉域的非局部現象捕捉:傅里葉域能有效表示非局部現象(如大氣河流跨越千里的影響),且計算複雜度為準線性,遠優於完全連接的全局模型。這特別適合流體動力學、量子化學等自然現象中普遍存在的非局部相互作用。
  • 多解析度連續函數表示:神經算子將輸入輸出視為連續函數而非固定維度向量,可在推論時以任意解析度查詢,並能在更高解析度上疊加物理約束或額外數據,克服了固定解析度神經網路的限制。
Between Two Nerds: Attribution is dead, long live attribution
32 min
AI 技術英文PODCAST8月25日

Between Two Nerds: Attribution is dead, long live attribution

Risky Business

  • 工具成本的破壞性下降 — 傳統上,攻擊者必須重複使用昂貴自製的惡意軟體或工具組,因為開發和維護成本極高。這種成本結構使得安全研究人員可以通過工具特徵和程式碼簽名來追蹤攻擊者。LLM 自動化了代碼生成與維護工作流,使得攻擊者可以輕易為每個目標生成新工具,或改用通用系統工具,導致傳統的工具特徵分析失效。
  • 所有取證證據都在攻擊者掌控之中 — 無論是使用的 IP 位址、惡意軟體類型或戰術流程,這些都是攻擊者的主動選擇。即使看似是隨機巧合,攻擊者仍有能力在事前決定留下什麼痕跡。因此,所有可恢復的取證證據本質上都是攻擊者願意暴露的信息。
  • LLM 削弱工具簽名但保留高階行為特徵 — LLM 經過公開駭客技術訓練,使不同使用者產生相似的攻擊模式。然而,勒索軟體集團、國家級行為者的受害者選擇、贖金要求方式或目標模式等高階特徵仍具有識別價值。例如,鎖定加密交易所的攻擊幾乎只能指向朝鮮。
Why the Next AI Breakthrough May Come from Physics with Max Welling - #774
55 min
AI 技術英文PODCAST8月25日

Why the Next AI Breakthrough May Come from Physics with Max Welling - #774

TWIML AI

  • 多層篩選的材料設計流程:先搜尋文獻資料庫找現有材料,若無合適的就用生成模型產生數十萬個候選分子,用機器學習力場進行分子動力學模擬篩選,再進行實驗驗證。這套流程相比傳統量子力學計算能加速效率數個數量級。
  • 生成AI與熱力學的數學等價性:資訊論是兩個領域的共同基礎,生成模型的擴散過程與非平衡統計力學描述資訊損失的過程在數學上完全對應,許多開發出來的方法工具在兩領域都有精確對應的形式。
  • 基礎模型的遷移學習策略:先在廣泛材料資料集上訓練基礎力場表示,再針對特定材料類別進行蒸餾微調,既能保持計算效率也能獲得專一性。