OpenAI 正在改进 ChatGPT 的网页搜索功能,以使这款 AI 聊天机器人成为更实用的购物工具。
Adam Fry(OpenAI ChatGPT 搜索产品负责人)在接受 The Verge 采访时表示,尽管人们已经利用 ChatGPT 对产品进行研究,但在这些更新之前,ChatGPT 并未能方便地展示最新价格或结果的图片。通过这次更新,一个购物查询可能会返回更有用的信息,例如以易于阅读的格式显示含有图片、价格和星级评价的产品卡片。
根据 Fry 的说明,推荐结果都是自然生成的——没有广告,结果也不是赞助内容。不过,OpenAI 会与合作伙伴合作,确保 ChatGPT 展示的价格是最新的(尽管当我询问时,发言人 Taya Christianson 并未透露合作伙伴的具体信息)。
Fry 在网页浏览器中进行了演示,展示了整个工作流程。以查询“最适合制作拿铁且适合小台面的 0 以下最佳浓缩咖啡机”为例,ChatGPT 调出了三个顶级推荐,并在这些产品卡片下方以文本形式详细说明了其推荐理由。
如果你点击某个产品卡片,一个类似于 Google Shopping 的侧边栏将弹出,显示更多关于产品购买地点的信息以及从 Amazon、Best Buy 和 Reddit 等网站的用户评论中提取的数据。产品卡片上也可能显示 “Ask about this” 按钮,点击该按钮后,你可以向 ChatGPT 提出关于该产品的具体问题。
OpenAI 的搜索引擎现已在 ChatGPT 中上线
我询问 Fry 为什么这个侧边栏看起来和 Google 上看到的类似。他表示,虽然 OpenAI 希望保持 ChatGPT 的体验,但公司也清楚人们习惯于看到结构化信息,能够以熟悉的方式显示价格和图片。
我还问 Fry 如果查询尚未发布且预订需求量很高的产品——例如 Nintendo Switch 2——的购物结果会是什么样。结果并不理想。
在这种情况下,ChatGPT 承认零售商确实经历了“快速售罄”,并提到 Nintendo 自己的 My Nintendo Store 是其中之一——尽管该店尚未开始销售。ChatGPT 还指出了一些“第三方卖家和专业零售商”似乎正在提供预订服务,其中包括一个在 eBay 上标价 0 的商品,以及一个我以前从未听说、也在 Google 上找不到的名为 “Store Collectibles” 的平台。也许这些结果之所以出现,是因为我看到的是该工具开发中的版本,但这也提醒我们,与其他生成式 AI 工具一样,你务必要对 ChatGPT 提供的购物结果进行双重核实。
据 Christianson 表示,这些购物更新将从今天开始逐步向 ChatGPT Plus、Pro、Free 以及未登录用户推出。
OpenAI 最初在十月内将其搜索引擎集成到了 ChatGPT 中。Fry 透露,上周 ChatGPT 已经完成了 10 亿次网页搜索。
此外,OpenAI 现已允许你通过 WhatsApp 向 1-800-CHATGPT 发送消息或拨打电话,从 ChatGPT 获得答案,就像你从电话拨打同一号码一样。另外,公司还分享说,ChatGPT 中的搜索功能在引用信息、热门搜索以及自动补全方面也有所改进。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。