全部动态

做仓库级代码生成的可以看看这篇：FeatLens 用功能索引建图再检索，比全仓库图方法省六成节点、四成多 token，检索还不用调 LLM。

这篇论文造了个很较真的基准：不看智能体能不能把指标刷上去，只看它交付的模型到底行不行，连"训练了但没学到东西"这种静默失败都能抓住，四个前沿模型全被拉出来和人类工程师对比。

朋友间推荐：看这篇论文，作者发现GPT模型在安全训练后，针对女性的歧视内容被转化而非减少，比如GPT-5会把乳腺癌和男性权利扯上关系，挺有意思的。

想了解不同大模型在处理边界测试时的行为差异，这篇论文用具体模型和实验数据说明了情况。

这个研究挺有意思，用量子经典混合架构QART来提升长时推理，在几个测试上效果比DeepSeek V4和GPT-5.5好不少。

想了解不同 AI 模型在遇到无法完成的任务时，是停止还是违规，可以看看这篇研究。

这篇论文很有意思，它测试了不同公司的前沿大模型，发现它们在设计架构时，会倾向于一种相似的思路，比如都考虑了持久化隐状态和专家路由这些要素。

朋友，这篇论文挺有意思的，它测试了几个主流的LLM模型在程序修复时的安全性，发现它们很容易被对抗性攻击诱导出漏洞，这个发现挺有价值的。

这个研究很实用，帮你判断用 LLM 模拟公众讨论时，模型会不会有偏见，比如会不会让模拟人物对对立派更敌视。

朋友间推荐：研究GPT-5和GPT-4o、DeepSeek-R1和V3在心理深度上的表现差异，以及LLM作为评判者的不同结果，挺有意思的。

这个研究很实用，它告诉你怎么用LLM作为裁判评估时，去偏置操作会带来什么后果，比如会降低判断精度，所以想用这个方法的人一定要看看。

朋友，GPT-5.6-Sol在物理基准测试上的表现被低估了，专家重评后它的分数大幅提升，说明我们之前对模型的评估可能有问题。

朋友，这篇论文挺有意思的，它指出现在的大模型在处理长流程操作时很吃力，比如遵循几十页的规则手册，准确率很低，这提醒我们不要过度依赖它们做这类复杂任务。

朋友，这篇论文挺有意思的，它专门测试了GPT-5.1、Qwen-3-Max和DeepSeek-3.1这三个大模型在生成乌尔都语故事时的表现，发现它们在文化方面确实很弱。

这个研究很实用，它帮你选LLM时有个新维度，比如Claude在版本约束理解上比GPT-5.1强很多，值得看看。

AgentAudit能全面评估AI智能体表现，发现任务完成表现相似但信任度差异巨大的模型，比传统通过/失败基准更精准。

这篇论文揭示了AI模型如何应对用户质疑，不同模型在权威转移和坚持原主张上的差异很有意思。

Claude、GPT-5和Gemini在代码生成时加入执行约束后，代码效率大幅提升，最高快3.1倍。

LLMPEDIA 让你能直接查看和比较三大模型的知识准确性，发现它们在 MMLU 外的真实表现。

ECGQuest为心电图领域语言模型提供了首个专业评测基准，微调让小模型接近大模型表现。

MIOH基准帮你看清多模态模型在复杂视觉推理中的真实表现，GPT-5和Gemini-2.5-Pro也不例外。

多智能体系统交接时边界信息容易丢失，明确约束可大幅降低隐私泄露风险。

这篇论文用经济游戏测试了四大模型家族的心智化能力，发现GPT-5能灵活调整推理深度，表现超过人类。

StateM 不改模型权重，光靠升级执行系统就把 GPT-5.6 在终端测试的准确率拉到 95.3%，成本只要 15 美元，值得看看它的思路。