全部动态

PHREEQC 模拟结果固定不变，只是让 GPT-5.2 按需检索报告就掉 9.4 分，原因是它改用自己的输出文件瞎舍入。Claude 系列反而没受影响，做 agent 上下文管理的值得对比看看。

拿 GPT 三个模型在 Codeforces 上测修 bug，发现它们总爱大改甚至重写，对做 AI 编程工具的人挺有参考价值。

这篇论文通过分析Reddit上的讨论，揭示了模型发布如何影响用户对对话式AI系统的看法，对于了解AI产品与用户互动有重要意义。

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。

论文提出了SGA模块，能自动修复LLM写动画代码时的几何遮挡错误，实测用GPT-5.1搭配Code2Video能提升16%的画面质量。

这篇论文拿多个模型种群跑了几万局游戏，发现换一条规则，事故率能差 58 个百分点，而且匿名化也挡不住针对性消除。做多智能体安全的一定要看。

这篇论文发现LLM写的概率统计程序常有隐藏错误，单元测试根本抓不到，但用贝叶斯校准检测准确率高达97%，修复效果也远超传统方法。

这篇论文给出了一个简单实用的方法，让智能体在任务模糊时主动提问，而非盲目执行。五个大模型上都有提升，值得做Agent的同学看看。

该研究为RAG系统提供了一种确定性、无质量折损的优化方法，直接减少了推理计算成本，对实际部署具有明确指导意义。