2026 年 10 月 8 日

1 / 2

GPT-6 Intelligent UI：ChatGPT 开始在回答过程中生成可交互界面

OpenAI 10 月 7 日宣布，将 GPT-6 与 Intelligent UI 一起推向更广泛的 ChatGPT 用户。此前 GPT-6 已经向部分付费用户开放；这次更新的重点是 ChatGPT 的回答形式和交互过程。

Intelligent UI 允许模型根据问题选择文字、图片、图表、表单、按钮和其他交互组件。用户询问一个统计概念，回答可以包含可调整参数的图表；询问旅行计划，可以看到地图和行程安排；需要计算退休储蓄或分摊账单时，ChatGPT 可以直接生成一个在对话中使用的小工具。

这项能力从 10 月 7 日起面向 Plus、Pro、Business 和 Enterprise 用户逐步推出，10 月 8 日开始扩展至 Free 和 Go。不同套餐使用 GPT-6 Sol 或 Luna。OpenAI 特别说明，本次更新适用于 ChatGPT 的 Chat 体验，不改变 Work 和 Codex 使用的模型。OpenAI 官方发布

这次变化的技术关键，是 OpenAI 如何让模型在生成答案的同时组织界面。

过去，语言模型的输出主要是一段文本。即使要展示图表或表格，也常常需要先生成数据，再交给另一个工具或前端程序渲染。对于一个真正可交互的应用，开发者通常还要预先决定有哪些页面、组件和操作流程。

Intelligent UI 采用了不同的组织方式。OpenAI 建立了一套原生、可流式输出的界面组件库，并配套一个编译器。模型生成回答时，可以同时决定需要哪些组件、它们如何排列、包含什么内容；编译器则在输出尚未结束时处理这些界面描述，让组件逐步出现在用户面前。

例如，用户要求解释七速自行车的结构。模型可以生成一张带有不同部件入口的交互图，读者点击车架、传动系统或制动器时，再查看对应说明。这里的界面结构并不需要用户事先指定，也不需要每个问题都对应一个人工预制页面。

OpenAI 表示，模型为此接受了专门训练，学习如何选择内容形式、组织布局、使用交互，以及判断什么时候简单文字已经足够。训练和评价涉及清晰度、实用性和完整性等方面，但官方没有公开足以让外界完整复现这套界面生成训练的技术细节。OpenAI

这实际上给语言模型增加了一种新的决策：除了决定回答什么，还要决定用户应该怎样接收和操作这个回答。

这种能力的价值取决于任务类型。对于一个需要明确事实的简单问题，额外生成界面只会增加阅读成本；对于涉及空间关系、参数变化、多种方案比较或反复计算的任务，交互组件可以把原本需要读者在脑中完成的操作直接呈现出来。

比如解释正态分布时，一段文字可以准确描述均值和标准差，但读者往往仍需要想象曲线如何变化。如果回答中有一个可以拖动参数的图表，用户就能直接观察均值改变时曲线怎样平移、标准差改变时曲线怎样变宽。这种交互的收益来自降低理解过程中的操作成本，未必意味着底层模型掌握了更多统计知识。

因此，Intelligent UI 也带来了新的质量问题。

传统回答主要检查事实是否正确、解释是否完整。生成界面以后，还需要判断交互是否真的帮助理解，组件之间的状态是否一致，用户修改参数后结果是否正确，以及界面有没有因为视觉呈现而掩盖不确定性。

一个计算器可以设计得很好看，但公式仍然可能错误；一张图表可以提供很多按钮，但坐标轴和数据口径仍然可能误导读者。界面质量与内容正确性需要分别验证。OpenAI 已经表示在训练中评价界面的清晰度和完整性，但此次公告没有提供足够证据，证明生成式界面在各种任务上都优于固定界面。

另一个值得注意的变化发生在响应时间。

OpenAI 同时宣布，GPT-6 可以在继续推理或调用工具时开始回答。过去，推理模型经常需要先完成内部计算，再输出完整回复；新的交互方式允许模型先呈现已有的可靠部分，然后随着后续计算和检索继续补充内容。

OpenAI 称，在需要网络搜索的问题中，GPT-6 Instant 的平均开始回答时间比 GPT-5.6 Instant 提前 44%。在其内部高价值日常 agent 任务评测中，GPT-6 Extra High 可以用接近 GPT-5.6 Medium 的时间开始回答，同时取得优于 GPT-5.6 Extra High 的总体成绩。这些是 OpenAI 的内部测试结果，衡量的是特定条件下的响应速度和任务表现，不能直接理解为所有问题的总完成时间缩短了 44%。OpenAI

逐步回答与逐步生成界面实际上解决了同一个产品问题：复杂模型能够完成的任务越来越多，但用户不希望每次都等待一个完整、静态的最终结果。

如果模型需要搜索资料、计算数据并绘制图表，用户可以先看到问题的基本结构，再等待证据和计算结果填充进来。对于多步骤任务，这可能比长时间没有反馈、最后一次性显示全部内容更容易使用。

不过，这也要求模型正确区分哪些内容已经得到支持，哪些仍在计算或检索中。过早输出一个看起来完整的结论，随后再悄悄修改，会损害用户对结果的理解。渐进式交互因此同时是响应速度问题和信息状态管理问题。

从软件产品的角度看，Intelligent UI 还提出了一个更长远的可能性：部分过去需要单独开发的小型交互工具，可以在对话发生时即时生成。用户无需先寻找专门的计算器、可视化页面或表单应用，只需描述任务，系统就能在既有组件库中组织出相应界面。

目前，这项能力仍然运行在 ChatGPT 提供的组件和交互框架内。它不意味着模型可以任意生成、安装和安全运行完整软件，也没有取消专业应用对可靠状态管理、权限和长期维护的要求。

10 月 7 日这次发布真正可以确认的变化，是 OpenAI 已经把界面选择和生成纳入 ChatGPT 的日常回答流程，并开始大规模部署。未来这类能力是否能稳定提高复杂任务的完成率，还需要观察真实使用数据，以及界面正确性、交互成本和用户理解效果的独立评价。

2 / 2

Biohub 扩大 Virtual Biology Initiative：为细胞预测模型建设可训练的实验数据

10 月 7 日，Biohub 宣布扩大今年 4 月启动的 Virtual Biology Initiative。美国能源部、美国国立卫生研究院，以及 Google DeepMind、Isomorphic Labs 和 Meta 等机构加入，使项目涉及的资金、既有数据、计算资源和测量技术总投入达到约 18 亿美元。

这次扩展的重点是建立一套可供 AI 训练的生物学数据基础设施。Biohub 希望未来模型能够预测细胞在不同干预条件下的反应，使研究人员先通过计算筛选实验方向，再进入真实实验室验证。Biohub 官方公告 · 美国能源部

理解这项计划，需要先区分两类生物学数据。

一类是观察性数据：研究人员测量某种细胞在某个时刻表达哪些基因、包含哪些蛋白质、呈现什么形态。这类数据可以帮助模型认识细胞类型和状态。例如，模型可以根据基因表达模式，判断一个细胞更接近免疫细胞、神经细胞还是其他类型。

另一类是干预性数据：研究人员主动改变某个条件，再测量细胞发生了什么。干预可能是关闭一个基因、加入一种药物、改变营养条件，或者让细胞与其他细胞共同培养。

如果目标只是识别细胞类型，观察性数据已经非常有价值；如果目标是预测一种治疗手段会造成什么变化，干预性数据就变得格外重要。

原因在于，模型即使准确学会了哪些分子经常同时出现，也未必知道改变其中一个会引起什么后果。生物系统包含复杂的反馈和调控机制，观察到的相关性不足以直接支持干预预测。

Virtual Biology Initiative 因此计划扩大对细胞反应的系统测量：让更多细胞类型在更多环境和干预条件下接受实验，记录分子、细胞和组织多个尺度的变化，再将这些结果组织成适合模型训练的数据。

Biohub 官方公告明确提到，项目将发展能够在活体组织中观察数百万至数十亿细胞的显微成像技术，以及用于观察细胞内部精细结构的冷冻电子断层扫描。美国能源部则将提供超级计算、X 射线与中子散射、先进成像和自动化实验室等能力。Biohub · 美国能源部

这些技术解决的是不同层面的信息缺口。

基因表达测量可以告诉研究人员一个细胞正在使用哪些分子程序；空间转录组技术能够进一步保留这些活动发生在组织中的什么位置；高分辨率成像可以观察细胞结构和相互作用；实验干预则提供条件改变前后的对应关系。

把这些数据结合起来，模型才有机会同时学习细胞的组成、空间环境和动态反应。

但多模态数据也带来了标准化难题。不同实验室使用不同设备、试剂、测量流程和数据格式，同一个细胞类型可能存在不同命名，实验条件也未必能够直接比较。即使收集到海量数据，如果不能准确知道每条记录对应什么细胞、什么处理条件、什么测量方法，模型也可能把实验室之间的技术差异误认为生物学规律。

这就是为什么 Biohub 的计划包含统一标识符、共享数据标准和统一访问入口，而不只是采购更多实验设备。

10 月 7 日的合作安排把不同机构的资源分配得相当明确。Biohub 在 4 月已经承诺投入 5 亿美元，其中 4 亿美元用于测量技术和内部数据生产，1 亿美元用于外部研究。此次 Google DeepMind、Isomorphic Labs 和 Meta 合计新增承诺 3 亿美元；美国能源部将在五年内投入超过 5 亿美元；美国国立卫生研究院则负责协调利用此前超过 5 亿美元联邦投资形成的数据集、知识库和研究基础设施。

因此，18 亿美元包含新资金、此前承诺的投入和既有公共数据资源，不能简单理解为 10 月 7 日当天新增了 18 亿美元现金。Biohub

项目的数据开放安排也值得仔细区分。

Biohub 将其定位为面向全球科研社区的开放数据基础设施。不过，Biohub 科学负责人 Alex Rives 在接受 Reuters 采访时说明，商业资助者对其资助产生的部分数据享有一段提前使用期，之后数据才会公开；与之并行的政府资助工作不附带这种限制。

这意味着最终开放与所有参与者同时获得数据之间存在差别。提前使用期的具体长度没有在这次报道中披露，外部研究者也还无法判断不同批次数据的开放速度。Reuters

这项计划还有一个与语言模型发展经验有关的问题：生物学模型是否也能通过扩大训练数据获得持续、可预测的能力提升？

在语言模型中，研究人员可以从大量文本学习语言规律，再通过任务训练获得推理和工具使用能力。但生物系统中的一次实验比获取一段文本昂贵得多，许多重要状态也无法被完整观测。更复杂的是，细胞会根据环境变化，同一种干预在不同组织、发育阶段和疾病条件下可能产生不同结果。

因此，增加细胞数量虽然重要，数据覆盖的干预类型、实验条件和生物学尺度同样决定模型能否推广到未见过的情况。

Biohub 负责人在 Reuters 采访中表示，当前细胞数据集的规模达到数亿细胞，而准确预测模型可能需要数十亿甚至数万亿细胞的数据。这是项目负责人的规模判断，目前尚不能据此确认生物学模型存在类似语言模型的统一 scaling law。

他还表示，项目希望约一年后交付首批数据，并在五年内建立准确的预测模型。这些属于研究目标和预期时间表，10 月 7 日并没有发布一个已经验证、可以通用模拟细胞反应的模型。Reuters

这次合作最有价值的地方，是它把 AI for Science 中一个长期存在的问题转化为具体的基础设施建设：为了训练能够预测真实世界变化的模型，研究机构必须主动制造模型需要的实验数据。

如果未来模型能够可靠预测某类细胞对药物或基因干预的反应，研究人员便可以在大量候选方案中优先选择最有希望的方向，减少低价值实验。不过，模型预测仍然需要真实实验验证，尤其是在跨细胞类型、跨组织和涉及疾病机制的场景中。

Biohub 当前正在建设的是产生、组织和共享这些证据的能力。它的成败将逐步体现在可公开使用的数据规模、干预条件覆盖、实验重复性，以及模型能否预测训练数据之外的生物反应上。

1 / 5

LLM-as-a-judge：裁判模型给出的分数究竟测到了什么

开放式回答往往没有唯一参考答案。假设两个模型都在解释一次软件故障：一个回答简短，准确指出根因和修复步骤；另一个包含同样的有效信息，却扩写成十段，并加入大量背景。字符串匹配无法判断哪一个更有帮助，人工逐条评阅又很昂贵，因此不少评测把问题、候选回答和评分规则交给另一个语言模型，让它选择较好的回答或给出分数。这就是通常所说的 LLM-as-a-judge。

裁判模型并不是摆在 benchmark 之外的辅助工具。它接收什么内容、按什么规则判断、使用哪个模型版本，以及如何把输出转换成结果，共同构成了测量方法。如果这些条件发生变化，即使被测模型生成了完全相同的回答，最终得分也可能改变。

2 / 5

成对比较、单答评分和参考答案引导测量的对象不同

较早系统研究这一方法的 MT-bench 工作区分了三种基本协议。成对比较把同一个问题及答案 A、答案 B 交给裁判，要求它选出较好的一方或判为平局；单答评分只展示一个答案，要求给出数值分数；参考答案引导则额外提供标准解答或裁判预先独立完成的解答。MT-bench 与 LLM-as-a-judge 论文

这三种结果不能简单互换。成对比较回答的是“A 和 B 在当前规则下谁更好”，不保证得到一个跨模型、跨时间稳定的绝对尺度。若有十个候选模型，完整比较的配对数量会快速增加。单答评分更容易扩展，但“7 分”取决于裁判如何理解量表；更换裁判模型或提示词后，分数基准可能整体移动。参考答案可以帮助裁判核查数学、代码或事实问题，却也可能把评测限制在参考解答覆盖的思路内。

以一道开放式编程解释题为教学假设例子：评分规则要求判断回答是否正确解释竞态条件、是否提出可行修复、是否引入新的安全风险。单答评分可以让每个答案分别获得 1—10 分，但两个都是 8 分的回答未必具有相同优缺点；成对比较更容易发现其中一个修复方案会降低吞吐量，却无法说明胜者离理想答案还有多远。若参考答案只描述加锁方案，裁判还可能低估使用消息队列重新设计流程的有效回答。这个例子不是 MT-bench 的真实题目，它说明的是协议如何改变裁判可以利用的证据。

3 / 5

位置与篇幅会进入分数，即使它们不是评测目标

理想的成对裁判在交换 A、B 的展示顺序后应作出相反位置、相同对象的选择。MT-bench 论文却发现，早期测试的多种裁判会偏向排在前面的回答。研究者采用的保守缓解方法是评判两次：第二次交换答案顺序，只有同一答案在两个顺序中都胜出时才判胜，否则记为平局。这个办法减少了由单一展示顺序造成的假胜负，但会增加调用成本，并把一部分真正细微的差异归入平局。

位置交换检验测到的是裁判的一致性，不是真实准确性。一个裁判完全可能在两个顺序下都稳定地选错。原论文中的少样本示例把 GPT-4 裁判的顺序一致性从 65.0%提高到 77.5%，作者同时明确指出，更高的一致性未必意味着更准确，而且更长提示使该实验的调用成本增加约四倍。后来针对位置偏差的系统研究也发现，偏差程度会随裁判、任务和候选答案质量差距变化，两个回答越接近，展示顺序越可能影响结果。位置偏差系统研究

篇幅同样可能被误当成质量。MT-bench 研究构造过一种“重复列表”测试：将原答案中的列表换一种说法重复一遍，不增加新信息，只让文本变长。如果裁判认为扩写后的版本更好，就说明它把冗长表象当成了价值。测试中的 GPT-4 比另外两个早期裁判稳健，但仍出现失败。这类实验的重要之处不在于得到一个永久有效的偏差比例，而在于展示了一种反事实检查：保持核心信息不变，只改变长度、顺序或署名，再看评分是否发生了不应有的变化。

因此，一条“由 GPT-4 评分”的说明远远不足以复现实验。至少还需要知道裁判的具体版本、系统提示与评分规则、答案顺序是否随机或交换、是否提供参考答案、温度与重复次数，以及无效格式和平局如何处理。这里的裁判模型、提示模板和结果解析程序合在一起，才是完整的评分器。

4 / 5

与人工一致不等于判定了客观正确性

MT-bench 论文报告，在其专家票和众包偏好数据上，经过相应处理的 GPT-4 裁判与人工判断的一致率超过 80%，接近该实验中的人际一致水平。这个数字支持的结论是：在那组问题、候选回答、提示和人工偏好定义下，裁判经常能够复现人类选择。它并不意味着裁判对任意任务都有 80%以上的事实判定准确率，也不意味着其余分歧一定是裁判错误。

人工偏好本身可能存在合理分歧。例如，一位评审重视简洁，另一位更看重背景解释；两人选择不同答案，不必有一人犯错。相反，在具有可验证答案的数学题中，人类和裁判也可能一致接受一段看似流畅却含有关键计算错误的推导。评测设计必须先说明目标究竟是预测用户偏好、检查事实正确性、核对约束，还是衡量某种写作品质，随后才能选择适当的人工验证标准。

原论文还在一个规模很小的数学判分实验中比较了不同提示：默认裁判把错误答案判为正确的情况为 14/20；要求裁判先推理后评判降至 6/20；提供独立参考解答后降至 3/20。这个结果说明参考信息在该实验中确实有帮助，同时也显示“裁判本身会做这道题”并不足以保证它能正确审查别人的推理。候选答案可能把裁判带入同一条错误路径，而参考答案的质量又会成为新的依赖条件。

5 / 5

裁判分数是复合测量结果

使用裁判模型时，被测对象不再只是候选模型。观察到的结果同时包含候选回答的质量、裁判模型的能力与偏好、评分规则对“好”的定义、输入排列方式，以及参考资料和解析程序的影响。两个榜单即使使用同一批问题，只要裁判版本或协议不同，其分数也不天然处于同一尺度。

较可靠的做法是让验证方法与评测目标对应。事实或代码任务可以引入可执行测试、检索证据或经过核验的参考答案；主观写作任务可以用有明确边界的评分规则，并抽取有代表性的样本与多名人工评审比较；成对评测可以交换顺序，检查结论是否稳定；预计存在篇幅偏好时，可以加入信息不变、长度变化的反事实样本。人工审查还应覆盖裁判最不确定、顺序不一致或不同裁判互相冲突的案例，而不只随机查看容易判断的回答。

裁判解释也不能自动当成评分正确的证据。语言模型可以为受位置或篇幅影响的选择生成一段连贯理由。解释的价值在于帮助研究者定位评分规则和具体分歧，真正验证裁判仍需要独立证据：可执行结果、可靠参考答案、人工复核，或针对可疑偏差设计的对照实验。

所以，LLM-as-a-judge 最适合被理解为一种可扩展的测量仪器。它能降低开放式评测的边际成本，并把难以字符串匹配的质量差异转化为可分析结果；但仪器需要校准，输出也必须连同使用条件解释。单独公布一个裁判分数，无法区分模型质量提高、裁判尺度改变，还是提示与排列方式带来的变化。