全部动态

机器人圈的朋友看看，这个新基准专门测 LLM 做 ROS1 迁移 ROS2 的能力，六个主流模型 pass@1 都不到 11%，编译过了运行挂是重灾区。

评测 GUI 智能体老盯着静态截图，这篇造了 601 个目标先藏起来的任务，人能拿 94.6%，GPT-5.5 只有 79.4%，差距到底卡在哪写得很清楚。

一篇讲怎么让 Agent 框架自动进化的论文，产出的 harness 比之前的 RHO 又快又便宜，代码已开源可以直接看。

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。

做 GEO 的朋友看这篇：ChatGPT 5.2 到 5.5 怎么挑引用被拆解了，外部工具只能猜中四分之一。

开源网页智能体训练时奖励信号太稀疏？这篇 CLIFT 用保形自验证把裁判反馈变成可复用信号，测试时还能不调 API 就做轨迹筛选，WebArena Infinity 上开源里最強。

元推理方法让AI智能体在长任务中表现更好，GPT-5.5和Opus 4.8都超过了竞争对手。

新评估框架揭示了用户模拟器对代理测试的影响，能帮你选到最符合需求的模拟器。

给符号回归套了个专用运行框架，同样的 DeepSeek 底座准确率从 62% 拉到 94%，还超过了 Codex，做 AI for Science 的可以看看。

用强化学习把开源模型训练成会挑求解策略的优化器，成绩还能压过 GPT-5.5，做运筹优化的可以看看。

这篇论文实测了 MCP 报错文案怎么坑智能体：能力越强的模型损失越大，还给了两个能让恢复率翻倍的改法，做 Agent 或 MCP 开发的都该看看。

有人收集了 83 个智能合约审计 Skill 做系统评测，发现效果主要看模型，Codex/GPT-5.5 检测分提升 22.8%，还开源了语料，做 agent 开发的可以看看。

Astra 不微调直接当机器人策略，42 项任务拿下 22.48%，GPT-5.5 只有 0.88%。

DeepSeek团队用RAME框架在谷物育种信息提取任务击败GPT-5.5，代码已开源。

研究ISAC框架，了解如何利用问题信息提升LLM生成提交信息的效果，与现有方法相比有显著提升。

这篇论文用GPT-5.5和DeepSeek实测发现，压缩上下文会让智能体反复重新查工具，任务成功率却没变。想知道为什么只看完成率会骗人，可以读读。

想看看AI在规则变了之后能不能自己改代码？PACE-Bench 专门测这个，目前最强的 GPT-5.5 也只解决了 Statics 子集的三分之二，离满分还远得很。

这篇论文教你怎么用弃权信号做推理精修，不用建知识图谱，医疗问答准确率直接涨9.6个点，GPT-5.5和DeepSeek-R1都试过。

化学论文里找结论太费劲？AskChem 把 14.7 万篇论文拆成带引用的声明，直接搜观点还能看来源，AI 也能通过接口调。

想自动生成分子IUPAC名称？试试NISPO，开源、基于RDKit，在1亿分子上验证准确率98.1%。

论文提出DARWIN，用进化算法同时生成攻击和训练防护，在DeepSeek-V4-Pro和GPT-5.5上攻击成功率超高，安全召回率也强。

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。

这篇论文提出沙漏推理，让GPT-5.5和Gemini 3.1 Pro在ARC-AGI、ChipBench等基准上大幅提升，不是靠新模型，而是靠精巧的推理结构设计，值得搞推理的人看看。

想搞形式化验证代码生成？这篇论文的 AxDafny 用验证器做迭代修复，把 Dafny 编程题的验证成功拉到 92.7%，比之前的最好方法还高 6.5 个百分点。

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。

这篇论文提出了一个可扩展的框架，用GitHub Issues来测试LLM智能体找论文代码的复现问题，比现有手动基准好很多，值得看。

动物福利问题有了AI专属的代理基准TAC，实测Claude Opus 4.7刚过一半，加个提示词能暴增60%，暴露了模型在实际行动中的盲区。

这篇论文测试了GPT-5.5、Claude Opus 4.7和Qwen3-Coder-Next用智能体写并行Julia代码，在超算上跑192核，发现小规模还行，大规模容易死锁或OOM，开源模型最差。做HPC或Julia并行开发的人值得看。

做基因组学分析的团队终于有了一个可复现的AI能力评估标准——EpiBench揭示了当前最强模型在专业科学判断上的天花板，做生物信息学工具开发或AI+生命科学研究的建议点开看看差距在哪。