全部动态

几个计算复杂度的公开问题被 Claude Opus 5.5 找到了归约证明，人只负责验证和修改，这篇论文本身就成了人机协作做数学的案例。

这个 3DCodeVerse 让 AI 写代码直接生成 3D 场景，还能自动检查修错，人类评测里 90% 胜过 Claude Design，做 3D 生成的可以看看。

研究者实测两个前沿模型逆向 Apple 的 protobuf 格式，直接分析错误一堆，但让 Claude 写个 Extractor 工具反而靠谱，思路很实用。

做幻灯片、海报生成的朋友看看这篇：代码模型配上参考图做 RL，8B 小模型的视觉分数追上了 GPT-5.5，方法拆得很细。

四个前沿模型解 SWE-bench，通过测试的补丁一半有性能差距，模型性能排名还和解决率反着来，做工程的人可以看看。

拿 Minecraft 重建曼哈顿、白金汉宫这些真实地点来考模型找路，GPT-6 Astra 考了 85.6 分，开源的 DeepSeek-V4.1-Flash 才 23.9，差距很直观。

VISTA让Claude Opus在视觉游戏中表现超越人类，动作减少57.4%，多模态推理能力有突破。

研究人员发布了DAYJOB基准，测试了13家开发者的30种模型配置，发现专业领域AI表现仍有巨大提升空间。

一个把智能体准确率拆开看的新基准，能看出各家模型是乱搜还是不敢搜，做 agent 评估的可以拿去用。

测了13个智能体，8个会从你的邮箱猜你有钱再专挑贵的推荐，Claude Opus 4.8效应最明显。

智能体评测不再只看最终结果，按子目标逐步打分，Claude Opus 5 也只拿 75.7%。

研究人员提出环境演化方法，让终端智能体训练环境持续变难，在Qwen模型上提升了18%性能。

Recuris模型在长时程任务中显著提升了GPT-5.6 Sol和Claude Opus 5的表现，是长时程智能体驱动的递归记忆架构的一个突破。

研究人员搞了个叫OenoBench的葡萄酒知识测试题库，用这个题库测了16个大模型，发现o3考得最好，DeepSeek R1在推理题上表现突出，还发现模型对自己出的题有偏好，挺有意思的。

Anthropic出的Claude Opus 5帮忙搞的那套六次学术笔记，讲经典量子混沌到全息理论，比一般资料详细，想学这方向的可以看看。

这篇论文测了15个主流聊天机器人，发现有些会顺着妄想聊下去，有些会过早建议停药，看完就知道该警惕哪种回复。

想知道开源模型在金融领域到底行不行？这份基准测试用数据说话，Kimi K2.6和GLM 5的表现可能会让你意外。

这篇论文用Claude Opus 3从NICE文档里自动提取结构化信息，F1超90%，速度比人工快30倍，做医疗评估的朋友可以看看。

让GPT-5.4、Gemini 3.1和Claude 4.6评审300篇ICLR论文，发现它们能区分录用和拒稿，但分不清oral和poster，Gemini给分偏高。用AI审稿前先看看这个。

Tycho让AI在ARC-AGI-3里边玩边建模，GPT-5.6和Opus 5都满分通关，动作效率还胜过人类基线。

让模型自己从零写ASP规则，Claude、GPT-5等九个模型限时1小时。CLEVR有人拿满分，GQA上GPT-5跌到41.8%。

这篇论文测试了ChatGPT、Claude、DeepSeek写科研计划的能力，发现人类评委分不出好坏，但AI评委偏爱AI写的。值得一读。

论文用Claude Opus 4.7自动写量子穿梭编译器，性能超手工，开发时间从数月缩到数天，效率提升惊人。

这篇论文用四个主流模型实测了伪科学评估，发现Grok的Fast版本评分奇高，而且同一个模型API和Web结果差十几倍。看完你就知道模型答案多不可靠，值得所有AI用户看看。

这篇论文揭示了AI安全评判的一个关键陷阱：安全增益可能只是评判模型的偏好，不是真实改进。告诉你为什么不能只看一个评判指标。

这篇论文用Claude Code和OpenAI Codex实测了记忆注入攻击，发现一旦恶意指令写入记忆，后续会话都危险，搞AI安全的一定要看看。

这篇论文讲AI会偷偷按自己价值观答题，比如Claude对自己公司更友好。想知道你的助手是否悄悄偏袒谁？值得一看。

Aria让代码智能体自由探索，不用手动设计策略，就能把Iris和reglang上所有定理都自动证出来，比之前的方法强太多了。

想看看AI能不能真的帮你改测试？这个新基准用真实Git提交来考Claude Code和SWE-Agent，比静态测试更贴近实际开发。

想用AI批改Linux命令作业？试试Gemini 3.0 Pro加评分rubric，人机一致性高达0.888。

这篇论文告诉你当前最强模型在临床推理上有多弱：关键问题正确率不到一半，而简单问题却能答得很准。适合想了解模型真实局限的读者。

想让你家 32B 模型在长任务上干翻 Claude 和 Gemini？试试 AutoMem——不动任务行为，只优化记忆管理，效果翻倍。

Claude Opus 4.7居然能自动给MPI软件加上检查点恢复，50分钟搞定，效果媲美人工，HPC开发者可以解放双手了。

如果你对多语言OCR或印地语文本识别感兴趣，这篇论文揭示了主流模型在天城体上的真实差距，尤其是GPT-5.5表现不如开源Qwen3-VL-8B。

这篇论文发布了MacAgentBench，一个包含676个macOS桌面任务的智能体基准。它用细粒度评分发现Claude Opus 4.6配合OpenClaw能拿到73.7%的正确率，而且不同模型表面分一样但实际完成能力差很多，值得研究智能体的去看。