OpenAI 支持伊利诺伊州法案，为 AI 造成大规模伤亡或财务损失提供责任豁免

OpenAI 正在支持伊利诺伊州的一项法案，该法案将保护 AI 实验室在 AI 模型被用于造成严重社会危害（如导致 100 人或以上死亡或重伤，或至少 10 亿美元财产损失）时免于承担责任。这标志着 OpenAI 立法策略的转变，此前它主要采取防御姿态，反对可能让 AI 实验室为其技术危害负责的法案。

该法案将保护前沿 AI 开发者免于对其模型造成的“关键危害”承担责任，只要他们没有故意或鲁莽地导致此类事件，并在网站上发布了安全、安保和透明度报告。法案将前沿模型定义为训练计算成本超过 1 亿美元的 AI 模型，这很可能适用于美国最大的 AI 实验室，如 OpenAI、Google、xAI、Anthropic 和 Meta。

微软开始从其 Windows 11 应用中移除“不必要的”Copilot 按钮。在最新版本的记事本应用中，微软已移除 Copilot 按钮，取而代之的是“写作工具”菜单。截图工具中的 Copilot 按钮在选定截图区域后也不再出现。

这一变化是微软承诺的“减少不必要的 Copilot 入口点”计划的一部分，该计划从截图工具、照片、小组件和记事本等应用开始。虽然 Copilot 按钮被移除，但底层的 AI 功能似乎仍将保留。例如，记事本中的写作工具仍使用 AI 功能，菜单选项与之前相同。

一项新研究挑战了“监督微调（SFT）记忆而强化学习（RL）泛化”的普遍观点。研究发现，在推理任务中使用长思维链（CoT）监督进行 SFT 时，跨域泛化并非不存在，而是有条件的，受优化动态、训练数据和基础模型能力共同影响。

研究观察到跨域性能先下降后恢复并提升的“先降后升”模式，因此短训练检查点会低估泛化能力。数据质量和结构都很重要：低质量解决方案普遍损害泛化，而经过验证的长 CoT 轨迹能带来一致的跨域收益。模型能力也至关重要：更强的模型能从玩具算术游戏中内化可迁移的程序模式，而较弱的模型则模仿表面冗长。然而，这种泛化是不对称的：推理提升但安全下降。