全部动态
DeepMind 让 Gemini 智能体自己挑数学问题做发现，11 台 BB(6) 图灵机的规则还过了 Lean 证明，论文可读性很高。
OpenBMB 找到了图文混合检索掉分的原因：文本天然比图像得分高。他们的 Trident 模型把 NDCG 从 40 拉到 74，做 RAG 的可以看看。
100 位 Apple 生态专家聊 AI 怎么用的报告公开了，Xcode 这块相对独立，跟生态外的体感可能不太一样，做 iOS 开发的可以对照看看。
Princeton 和 Google 的论文，用 4B 小模型替大模型做智能体的工具选择，成本砍掉八成多，速度还快 2.5 倍，做 Agent 的都该看看。
LobsterAI 按月公布自家办公 Agent 的真实使用数据，9 月任务规模、用途分布、缓存成本差 7 倍的原因都在里面，做产品或运营的可以拿来当参考。
Amazon 出了篇很实用的论文，做了个 FEB-30 基准，发现只看 QA 分数根本发现不了记忆存错了，建议每个 update 后直接检查存储的事实。
字节发布的 Agent 使用报告，重庆人凌晨还在跑任务占 19.1%，单次任务从 6.3 万涨到 20.2 万 Token，Seed 模型占了图像视频生成一半以上。
网易 LobsterAI 拿真实用户数据写的报告：微信是最大入口，七成人只用一个模型，跟 X 上的玩法差别挺大，做 Agent 产品的可以看看。
LobsterAI 这份报告挺有意思：假期里大家拿 Agent 干最多的居然是编程，使用高峰还挪到了晚上 10 点，还扒出了大家常用的省钱模型组合。
Anthropic 做了 3 年可解释性研究的人聊 Claude 内部怎么运作，发现模型会提前规划好几个 token，还挺颠覆直觉的。
一篇做数据分析环境的论文，自动造任务还能验证答案，Qwen3.6-35B-A3B 训完在 DABstep-Hard 涨了 20.9 分。
Anthropic 研究员聊了三年扒开 Claude 内部看运行机制的事，居然发现模型会提前规划好几个 token，听完挺刷新认知的。
OpenAI 一次发布 300 多个 AI 解出的数学结果，把密码学家吓到了——如果 AI 真能啃动数论难题，我们的支付和聊天加密可能受威胁。
AMD 把扩散语言模型 LLaDA-8B 跑进了 NPU，比 CPU INT4 快 1.67 倍、省电 8.9 倍，做端侧推理的可以看看他们的量化与图切分细节。
Anthropic 自己员工的说法：六成人说 AI 已经把合适任务的活儿干得只用原来四分之一时间，还预测五年后七成五工时交给 AI。
Google Research 开源的智能体框架，没标准答案也能自动改 harness，弱模型换上后能追平强模型的基础分，代码已开放。
Anthropic 自家员工说 2030 年 AI 能干掉自己 75% 的活，比美国大众的 28% 乐观太多，这个认知差距本身就很说明问题。
Meta 冻结模型权重测智能体自学能力：GPT-5.6 Sol 每 1000 美元涨 298 分，Claude Fable 5 只有 57 分但胜率涨幅更大，挺有意思的对比。
教你怎么给 agent 省钱：拿 Jev 蒸馏个 4B 小模型接进 harness，最省能砍掉 89% 成本还几乎不掉成功率。
教你怎么把 4B 小模型塞进 agent 框架里替 LLM 做常规决策，成本砍掉八成还更快，做 agent 的都该看看。
腾讯发了篇终端智能体训练论文，五阶段交替微调加 PPO，Terminal-Bench 成绩直接翻倍多，奖励审计那段很值得细看。
斯坦福两位教授和 François Chollet 一起聊 AI 安全，把飞机防撞系统的验证方法搬到 LLM 上，还有用 Lean 证明代码正确的 CSLib 演示，硬核但好懂。
NVIDIA 开源了一个中间训练配方，给 Nemotron 加一段 500B token 的软件工程数据训练，SWE-bench 多语言直接从 55.8 涨到 62.8，自己训练编程智能体的可以照抄。
对比了 DeepSeek 和 Reflection AI 各自披露的 RL 训练规模，Beam 用了 13 亿 sandbox 和一万多块 GB300，想看训练算力数据可以留意。
Anthropic 和哈佛用 Claude Mythos 5 自动搜量子电路，8 个任务里 7 个超过了人类最佳设计，每个结果都经过独立验证，不是嘴上说说。
Microsoft 在 Nature 发的天气预报研究，把可预测范围推到 2-6 周，思路是给模型配验证系统，搞 ML 的可以看看。
Anthropic拟10月在新加坡设亚太第五个办事处 开放本地招聘 数据显示，按人口比例计算，新加坡的Claude.ai使用水平在121个国家中排名第二。 我们观察到，人工智能公司Anthropic计划于10月在新加坡设立其亚太地区的第五…
8月13日凌晨，DeepSeek毫无预兆地丢出大招——DeepSeek-V4-Pro正式版（0813） 悄然上线，API、网页端、APP全量同步！ 📊 硬核数据：从“吊车尾”到“屠榜王” V4 Pro正式版在Agent能力上的提升，已经不…
中国出口"新新三样"：从打火机到爬墙机器人，世界不再只是买便宜货 我们观察到一组清晰的数据信号：中国出口的"新新三样"已经从过去的服装、家具、家电，换成机器人、AI模型和创新药物。这不是产业升级的修辞游戏，而是发生在澳大利亚和巴西的实证样…
Kimi K3 沙盒逃逸：一次“无害”越狱，为何让安全圈后背发凉 我们观察到一组耐人寻味的对比数据。Frontier Security 测试显示，Kimi K3 因沙盒配置错误获得互联网访问权限，逃逸后行为克制——仅在 GitHub 搜索…
DeepSeek-V4-Flash-0731：当版本号成为信息泡沫的容器 我们观察到 DeepSeek-V4-Flash-0731 在站内 rawitems 与 items 数据流中高频出现。需要先声明一个基本口径：截至本文撰写时，Dee…