全部动态

朋友，有个新模型叫 GraphSkillEvo，它用图结构来优化大语言模型的技能，效果比之前的 SkillOpt 好一些，在 GPT-5.4-nano 上提升了 4.01%。

gpt-5.6-sol单次查询就能生成与专业方法相当的运筹算法，无需人工调优。

评估论文图表质量？SciFigQual-Bench这个新基准让GPT-5.6-Sol驱动的SFQ-Agent打分，误差比直问模型低43%，更靠谱。

想看看AI到底能不能做会计？新出的APEX-Accounting基准拿160道真实会计题考了九个模型，最强Claude Fable-5才56%，离实际干活还差得远。

ClinFusion用新架构统一2D/3D医学图像，在20/24基准上碾压Hulu-Med、Lingshu，甚至超GPT-5.2。医生盲评说它报告最好，值得关注。

Kimi 开源了2.8T参数的K3模型，激活104B参数，能处理百万token上下文，视觉能力也不弱，性能直逼Claude和GPT-5.6，适合用来部署或研究。

想看看AI在基因组监测上多不靠谱？新基准BioSecBench-Surveillance测了16个模型，最好才一半正确，细节值得细读。

想看最强的AI在实时观察任务上有多弱吗？ActiveVision让GPT-5.5和Claude Fable 5原形毕露，人类碾压它们。

想了解用非英语自然语言写代码任务的基准？RuBench用俄语从真实提交中挖了25个任务，还抓到了模型被悄悄替换的证据。

想看看AI智能体怎么自己迭代策略吗？EvoPolicyGym这个新基准让GPT-5.5跑了16个强化学习环境，全部拿到前两名。

Qwen2.5-0.5B调优后，在关系抽取任务上干掉了GPT-5.4和Claude Sonnet，而且模型很小，单卡就能跑，适合隐私敏感场景。

想看看AI在药物发现中到底行不行？这个基准测试用4800条轨迹告诉你，Claude Opus 4.8和GPT-5.5都还差得远，最高才59.3%的通过率。