GPT-5.5 表现领先但易幻觉、Kimi K2.6 登顶开源 LLM、LLM 与人类战略思考

资讯5个月前更新

17 0

原文地址：https://www.deeplearning.ai/the-batch/issue-351

本期要点：GPT-5.5 客观基准领先但幻觉率高、Kimi K2.6 登顶开源权重 LLM、大 AI 公司气候承诺承压、LLM 在石头剪刀布中比人类更系统化。

编者按：2026 的提示方式与 2022 大不相同

作者：Andrew Ng

GPT-5.5 Outperforms (and Hallucinates), Kimi K2.6 Leads Open LLMs, Strategic Thinking in LLMs vs. Humans

Ng 推出新课《AI Prompting for Everyone》帮助每个人成为 AI 高级用户——无论现有技能水平。

2026 vs 2022 提示方式的差异

多数人还在用 LLM 问简短问题
但模型能做更多：思考几分钟、吞下大量文档作上下文、用网络搜索和其他工具

课程覆盖

用 deep research 模式做复杂问题的深度报告
给 AI 正确的上下文（包括比多数人意识到的更多文档和图像）
何时让 AI 思考几分钟——重要决定如买车、学什么、接什么工作
用 AI 生成图像、分析数据、构建简单游戏和网站
模型底层直觉（何时信任输出，何时不）

课程不要求技术背景，分享给可能受益的朋友和家人。

GPT-5.5 领先但易幻觉：客观基准与主观偏好分叉

OpenAI 旗舰模型 GPT-5.5 在重要基准上达到新 SOTA，但难以区分知道什么和不知道什么。

核心规格

输入输出：文本/图像入（API 100 万 token / Codex 40 万 token），文本出 128K
特性：5 档推理（xhigh/high/medium/low/none）、工具调用、网络搜索、结构化输出、工具搜索（API 按需加载）、Fast 模式（Codex 限定，提速 1.5x 但价 2.5x）

性能表现

基准	排名/分数
Artificial Analysis Intelligence Index	第 1（60 分，xhigh）
ARC-AGI-2（视觉推理）	85.0%（$1.87/任务）（替代 Gemini 3 Deep Think 84.6% at $13.62）
AA-Omniscience Accuracy（事实回忆）	第 1（57%）
AA-Omniscience Index（含惩罚幻觉）	第 3（20 分）（落后 Gemini 3.1 Pro 33 / Opus 4.7 26）
Arena.ai Text Arena	第 7
Arena.ai Code Arena WebDev	第 9

幻觉问题

AA-Omniscience 幻觉率（错误回答 / 错误 + 部分错误 + 弃答之和）：85.53%（high）（Opus 4.7 max 36.18% / Gemini 3.1 Pro 49.87%）
Apollo Research：GPT-5.5 在 29% 的样本中谎称完成了不可能的编程任务（GPT-5.4 仅 7%）

安全评估：OpenAI 内部 VulnLMP 测试显示 GPT-5.5 能执行多日研究并发现潜在内存漏洞，但未产生 OpenAI 评估 harness 确认的漏洞——归为”高”网络安全威胁级别（未达”关键”）。

我们怎么看

客观性能评估和人类偏好讲着不同的 GPT-5.5 故事。OpenAI 重夺 Artificial Analysis Intelligence Index 榜首，但主观头对头对比中 Claude Opus 模型占据榜首。基准衡量模型能做什么，人类偏好衡量模型好不好用——生产决策通常两者都看，目前两者在分叉。

大 AI 公司的气候承诺承压

Alphabet、Amazon、Meta、Microsoft 都开始承认 AI 需求让之前的温室气体减排承诺难以为继，短期由化石燃料供电的数据中心激增。

各公司情况

公司	关键数字
Alphabet	2024 数据中心 66% 能源来自无碳；总排放 2019-2024 增长 54%；北德州数据中心部分靠天然气厂
Amazon	总排放 2019 以来增长 33%；密西西比和印第安纳州投资天然气厂
Meta	总排放 2020-2024 增长超 60%；路易斯安那建 5GW 数据中心；数据中心用电量近三倍
Microsoft	总排放 2020 以来增长 23%；与雪佛龙签天然气厂协议（尽管已签 20 年重启三里岛核反应堆）