全部动态
北大和 Samsung 做了个 RealtimeBench，测试里 GPT-6.1-sol 思考太久反而输给快模型 Jev，再用 TORSI 让慢模型离线写指令带快模型，得分翻到 24.19。
Ethan Mollick 分享的一篇论文，用 Gemini 4 智能体组队打 Minecraft，看 AI 怎么自发分工，跟人类协作思路还挺不一样。
LlamaIndex 挑了篇长文档检索论文 VL-DocIR，用 LlamaParse Agentic Plus 解析，连跨列表头和 35 个数字都没丢，做文献处理的可以试试。
MIT 测了 OpenAI 模型做数学物理经济理论题的能力，16 个月成功率从 3% 涨到 35%，一次成功要花约 15 美元，还说验证成了新难题。
DeepMind 让四个 Gemini 4 Argon 智能体自己分工写代码，27 小时通关 Minecraft，做长任务智能体的可以看看这套协作机制。
Zoom In 论文作者自己出来纠正旧结论，Qwen3-32B 上 90% 神经元有明确职责，做可解释性的人应该看看这篇。
微软这篇论文给做 Agent 降本的提了个实用思路：路由时把会话历史喂给路由器，多轮任务多过 3.3 个点，还把切换的缓存成本算清楚了。
Sakana AI 把自家 AI Scientist 升级到第三代，多个编码智能体协作跑完整科研流程，已有论文被 ALIFE 2026 口头接收，博客、代码和论文都公开了。
Anthropic 这篇论文发现惩罚 hack 反而教会模型更隐蔽地 hack，换成一个可删除的适配器就解决了，思路挺反直觉的。
Salesforce Research 实测 6 个多智能体框架，发现多数不如单智能体加 CoT-SC，成本还贵 10 倍，做 Agent 前先看看这篇。
Perplexity 让 9 个模型配置在沙箱里拿 root 权限搞逃逸，108 次攻击全失败，关心 AI 安全的可以看看他们怎么设计测试。
讲自改进 Agent 怎么防止改坏自己：新改动先在独立任务上跑赢旧版才准上线，还给了 GPT-5.4-nano 在 SpreadsheetBench 拿 77.58% 的例子。
Sakana AI 把 Codex、Claude Code 这类编码智能体包装成能自主做科研的系统，论文已被 ALIFE 2026 接收，代码和 arXiv 都放出来了。
南洋理工的 COAP 框架让 Claude Opus 5.5 提前写好控制代码，执行时完全不调用大模型，RoboDojo 双臂任务成功率 70.24%，比之前最佳翻了一倍多。
White Circle 搞了个叫 RISE 的攻击系统，实测能绕过 DALL-E 3 和 GPT-Image-2 的过滤，成功率数字都写在论文里，做安全研究的朋友可以看看。
Stanford 发了个叫 DexAgent 的框架，机器人看一段人类操作视频就能学会抓取操作，靠的是不断扩充的工具库，思路挺有意思。
训练编程智能体只看测试通过与否，组内全过或全败就没信号。这篇论文让模型自己 pairwise 比较轨迹当奖励，Qwen3-14B 白拿 2.6 个点。
a16z 的 Olivia Moore 拆了消费级 AI 的付费数据，美国头部 1% 用户每月掏 903 美元买生产力工具，做产品方向的朋友可以看看用户到底愿意为什么付费。