全部动态

OpenAI 的 GPT-5.6 Sol Preview 悄悄在 Cursor 里测试，上下文直接拉到 1M，能一口气吞整本小说了。

@koltregaskes@koltregaskes11 个信源在谈原文

想看看你用的LLM在多工具长流程场景下到底多靠谱？PlanBench-XL用上千个工具设计了真实任务链，测出来主流模型成功率不到40%，值得一测。

AK@_akhaliq原文

日本AI公司Sakana AI搞了个新系统叫Fugu，能让不同模型一起干活，不用只靠一家供应商。效果还跟Anthropic的Fable 5差不多，值得看看怎么做到的。

官方账号Decoder@Matthias Bastian11 个信源在谈原文

OpenAI 出了个新基准 LifeSciBench，专门测 AI 做生命科学研究的能力，比一般问答难多了，能看出模型哪里不行。

想知道你用的AI会不会被俄语宣传带跑偏？爱沙尼亚语言研究所测了8个主流模型，GPT-4o最扛打，Llama 3.1中招率最高。看看你的AI排第几。

官方账号Decoder@Jonathan Kemper11 个信源在谈原文

Anthropic 新旗舰模型 Mythos 今晚发布，做 AI 应用开发或模型对比的团队可以第一时间关注，看看它能否在推理和代码任务上超越 GPT-4。

小互@imxiaohu11 个信源在谈原文

这款模型解决了实时语音交互中“等待录音结束”的痛点，做语音助手或实时翻译的开发者可以直接在 GitHub 上试玩，体验每 0.4 秒的决策能力。

官方账号Decoder@Jonathan Kemper原文

本地 AI 爱好者终于等到了——Gemma 4 QAT 让旗舰级模型跑在手机和笔记本上，做边缘计算或隐私敏感应用的开发者可以直接试试。

Paul Couvert@itsPaulAi11 个信源在谈原文

百万token上下文+开源权重，做长文档处理或代码分析的团队可以直接部署，不用再被闭源API的token计费卡脖子。

官方账号Decoder@Jonathan Kemper原文

本地 Agent 开发者终于不用等大模型了——1.5B 活跃参数就能跑出接近 4 倍参数模型的效果，笔记本就能部署，隐私和延迟都解决了，做本地自动化的建议直接试。

berryxia@berryxia7 个信源在谈原文

企业IT团队终于有了衡量AI智能体真实能力的标尺——前沿模型都不到50分，说明自动化运维还有很大提升空间，做IT运维或AI落地的建议点开看看差距在哪。

这项研究首次用实证数据证明 AI 能通过图灵测试，对关注 AI 社会影响和网络安全的人意义重大——做 AI 伦理或在线身份验证的团队值得仔细看，它会让你重新思考“像人”意味着什么。