OpenAI 解散了防范灾难性 AI 风险的团队，将其工作移交至其他小组
OpenAI在2026年7月底解散了专门评估灾难性AI风险的“Preparedness”团队，相关工作被拆解到其他部门。这次组织调整发生在多名安全高层离职、内部担忧加剧的背景下，引发外界对OpenAI安全治理优先级的新一轮讨论。
标签： 人工智能
Deepseek Harness Workbench
DeepSeek Harness Workbench 是一款面向 DeepSeek 模型的开发者工具，刚刚出现在 Product Hunt 上；它试图为基于 DeepSeek 的 AI 应用提供统一的开发、测试与评估环境，其价值在于 DeepSeek 的周边工具链正在加速成型。
AadidevGPT
一款名为 AadidevGPT 的产品在 Product Hunt 上线，从名称和发布渠道看，它瞄准的是“面向开发者的 GPT 类工具”这一细分赛道。目前公开信息显示，该产品处于早期曝光阶段，具体能力和定价尚未明确。
ValueError: Stop argument for islice() must be None or an integer: 0
该报错发生在 LangChain 的 batch_iterate / abatch_iterate 工具函数中，当 size 参数小于等于 0 时，函数会静默丢弃全部数据而不报错（异步版本甚至完全无异常）。优先排查调用处传入的 size 是否为动态计算值，并确保其为正整数。
BENA — 你的AI商业伙伴
AI 产品 BENA 以“你的 AI 商业伙伴”为定位出现在 Product Hunt 上。目前公开信息有限，但这一产品方向值得关注：AI 正从通用对话工具，转向能参与商业判断与执行的“伙伴型”应用。
如果LLM从未接触过五年级以上的内容，会发生什么？
一个名叫 LittleLearner 的研究项目，只让大模型学习美国小学 K-5 课程内容，结果发现：扩大模型规模、后训练和上下文学习都只能放大“学过的知识”，无法突破预训练数据设定的能力边界。这个实验为“大模型的能力到底是从哪来的”提供了一个难得的受控证据。
如果LLM从未接触过五年级以上的内容，会发生什么？
Hacker News 上的一个帖子用“如果 LLM 从未接触过五年级以上内容”的设问，带出了当前大模型的一个普遍问题：它们几乎从不承认“不知道”，总是用绝对肯定的语气作答。这个现象背后是“讨好用户”的训练倾向，也直接影响用户对 AI 的真实信任度。
Hugging Face says developers made 151K+ derivatives based on Qwen models, topping others, making Qwen one of the largest foundations in the open model ecosystem (Hugging Face)
Hugging Face披露，开发者基于Qwen模型创建的衍生模型已超过15.1万个，数量位居平台所有模型家族之首。这意味着Qwen已经不只是“一个好用的开源模型”，而是正在成为开放模型生态的基础设施层。
issue: RAG / Knowledge base ignored when tool calling is “default”
该报错发生在 Open WebUI 使用 Native（默认）Function Calling 时，RAG/Knowledge 检索被静默跳过，模型不会自动查询知识库；切换到 legacy 工具调用模式后知识库检索恢复正常，但日历等工具失效。优先排查 tool calling 模式与内置检索工具（b
Errors in tool-call/code-interpreter continuation rounds are silently swallowed (empty assistant message, no error shown)
在 Open WebUI 中，当模型在多轮原生工具调用（tool-call）或代码解释器（code-interpreter）的“续聊轮次”（continuation round）中抛出异常时，错误会被 silently swallowed（静默吞掉），导致聊天以空的助手消息结束，前端不显示任何错误，