7月14日，世界数字科学院（WDTA）在联合国日内瓦总部发布全球首个《AI智能体运行安全测试标准》。该标准由蚂蚁集团、清华大学、中国电信牵头，联合普华永道、新加坡南洋理工大学等20余家机构共同编制。标准针对智能体跨越“语言墙”带来的行为风险，首次构建全链路风险分析框架，涵盖输入输出、大模型、RAG、记忆和工具五大关键链路，并创新提出模型检测、网络通信分析等测试方法，填补了智能体安全测试技术空白。目前，部分标准已在金融、医疗领域落地应用。此前，WDTA已发布3项AI相关安全标准，参与单位包括OpenAI、谷歌、微软等数十家机构。

2025年7月，世界数字科学院（WDTA）在联合国日内瓦总部发布全球首个《AI智能体运行安全测试标准》，由蚂蚁集团、清华大学等二十余家机构联合编制。该标准针对智能体“行为”风险，构建全链路风险分析框架，创新提出模型检测等测试方法，填补了技术空白。随着2025年被称为“智能体元年”，AI从“我说AI答”进化为“我说AI做”，但超70%从业者担忧幻觉决策与数据泄露等问题。WDTA执行理事长李雨航强调，AI STR系列标准旨在嵌入伦理责任，确保技术服务于人类利益。目前，标准已在金融、医疗领域应用，未来将向多智能体治理生态发展。

7月14日，科技媒体9To5Google曝光安卓版谷歌Gemini AI助手正在灰度测试“聊天历史记录搜索”功能。部分用户在使用安卓版Gemini App时，发现汉堡菜单顶部新增“搜索聊天记录”按钮，点击后可进入全屏覆盖的简洁搜索界面，操作逻辑类似ChatGPT。该功能目前尚未进入稳定版或iOS版App，仍需进一步完善。此外，谷歌已将Veo 3AI模型集成到Gemini助手，支持将照片转化为8秒短视频，输出为720p、16:9横屏MP4格式，增添背景音效等功能。

7月14日，OpenAI CEO Sam Altman宣布，原定于下周发布的开源模型将无限期推迟，以进行额外安全测试和高风险场景评估。这是该模型自今年夏季以来第三次延期发布。Altman强调，模型一旦发布便不可撤回，公司需确保其在安全性和能力上达到高标准。OpenAI研究副总裁Aidan Clark表示，尽管团队对模型性能满意，但开源标准更高，仍需时间完善细节。此次调整反映了OpenAI对模型开源的谨慎态度及对技术安全性的高度重视。

2025年7月11日，马斯克旗下Grok4模型引发全网热议，其成功通过六边形小球编程测试，展现物理规律理解能力。Epic创始人Tim Sweeney称其为AGI（通用人工智能），并指出其对未见过问题的深刻见解令人震撼，马斯克亦公开附议。提示词工程师Alex用8个问题对Grok4进行“全面体检”，结果显示其在多层推理、代码翻译及安全测试中表现远超OpenAI的o3模型。此外，Grok4还展示了数学公式可视化与SVG绘图能力，尽管在复杂绘图任务中仍有提升空间。HyperWrite CEO Matt Shumer则通过模拟专家协作环境，进一步验证了Grok4的强大性能。网友期待其未来挑战更多创意玩法。

7月9日，市场监管总局与工业和信息化部联合印发《计量支撑产业新质生产力发展行动方案（2025—2030年）》。方案聚焦新一代信息技术、人工智能、航空航天等10大重点产业领域，梳理关键共性计量技术及攻关方向，旨在解决从技术研发到产业应用的全链条计量问题。下一步，两部门将公开征集项目立项需求，建立计量支撑产业发展项目库，围绕重大计量需求推动重点项目协同攻关，加速成果转化以助力高质量发展。

7月9日，市场监管总局与工业和信息化部联合印发《计量支撑产业新质生产力发展行动方案（2025—2030年）》。方案提出，针对人工智能相关新型技术领域，开展算法计量测试、自主无人系统性能评估等关键技术研究，并建设跨领域的人工智能计量测试平台。目标是提升人工智能算法性能评估、模型安全性测试及智能装备评价能力，推动建立人工智能风险等级测试评估体系，完善产业计量测试基础保障体系，为人工智能技术的规范化发展提供支持。

标题：对话中国信通院魏凯：AI下半场，大模型要少说话，多做事 今年2月，DeepSeek爆火，而中国信通院早在之前就观察到国内大模型性能快速提升。魏凯表示，2024年多个团队持续优化模型，每月都有新进展。例如，DeepSeek在4月排名靠后，8月进入前十，12月发布的DeepSeek-V3成为基...

IT之家6月20日消息，OpenAI的ChatGPT正在灰度测试深度整合谷歌Gmail和日历功能。新功能可分析用户邮件内容并生成日程，还能自动创建回复及代办事项清单。目前，该功能仅限深度研究模式调用，未来用户可通过自然语言直接让AI处理邮件、生成回复或创建日历事件，同步至多平台。此更新可能与ChatGPT的搜索功能有关，表明其正朝上下文理解与协作方向发展，从问答工具转型为工作助手。OpenAI暂未公布全球上线时间，但灰度测试已开启，预计2-3个月内正式推出。

标题：基准测试揭秘大模型“字数危机”：26个模型长文本生成普遍拉胯，最大输出长度过度宣传 你是否曾对大语言模型（LLMs）下达过明确的“长度指令”？比如，“写一篇10,000字的长文”。看似简单的要求，实际却让模型“力不从心”：要么生成不足，要么重复啰嗦，甚至直接罢工。 最新研究论文《LIFEB...