全部动态
Ai2 做了个叫 TutorMoments 的测试，看模型辅导作业是引导你自己想还是直接给答案，Astra 和 Opus 5.5 都被测了，提示词写细一点分数明显更高。
Goodfire 的 Tom McGrath 聊可解释性，讲清了模型写出的推理和脑子里实际想的事可能不一样，还有怎么用内部信号抓模型作弊，做 AI 安全的别错过。
微软研究院一口气放了六项研究，有让 AI 学会主动问清楚的，有改 KV-cache 省内存的，做机器人和做工程的都能翻翻。
斯坦福团队扒了 25 万条真实对话，发现大家用 AI 不是偷懒，是学习。数据挺有意思，做产品的可以看看。
Salesforce 做了个 ANCHOR 基准，专门测 AI 陪伴产品聊久了会不会忘事变脸——结果模型记用户近况的能力基本等于瞎猜，做陪伴应用的可以看看。
Nvidia 发的这篇论文教你在花大钱 post-train 之前，用一个便宜方法挑出最适合做 agent 的基座模型，和 SWE-bench 排名对得上 0.964。
Google 这份白皮书把 MCP、A2A、A2UI、AP2 一套协议讲透了，做 Agent 开发的话这些连接标准迟早要碰，先存着。
给 Agent 写评分器最烦，AWS 和 HSBC 这篇论文说 10 个标注样本就够自动进化评分器，做 Agent 自我改进的可以看看。
Marcus 转了条推，讲为什么 SWE-bench 同一模型换个 harness 分数差很多，还捋了符号验证一百年学术史，观点挺硬核。
斯坦福自进化智能体课第一讲的笔记，从 Scaling 到 Agent 闭环一条线讲透，还讲了 Llama 3 靠重复采样反超 GPT-4o 这种细节，看完比刷十条新闻有用。
JetBrains 研究员看了 4,782 个真实会话，发现 SWE-Bench Pro 这种基准和实际用法差太远，还做了个新基准 SWE-TaskFlow，做评测的应该看看。
Amazon 这篇论文说，把历史实验记录喂给 LLM，它就能提前猜出哪个训练改动有用，OLMo3-100M 上相关性冲到 0.892，比硬堆推理努力管用。
Meta 把多个智能体丢进同一个 Git 仓库，失败记录也不删，结果在 ProgramBench 上比单跑 Codex 高出 14 个百分点。
同一篇摘要换个模型改写，Pangram 的漏检率就从 6.5% 跳到 79.8%，说明检测器认的是模型指纹而不是 AI 痕迹。
有人拿DeepPlanning这个多日旅行规划基准来讨论：harness自己改自己，到哪一步就不管用了。做agent评测的可以看看这个思路。
有人给 DeepSeek V4-Flash 做了个超网络，把上下文直接变成参数，投影塞进每层共享专家 MLP，思路挺野。
做智能体记忆的可以看看：别再用一套 embedding 搜所有记忆了，先分类再按类型检索，三个数据集上 Recall@1 最多涨 16.18%，还附了 TriMEM 数据集。
阿里 Qwen3 模型在训练时套上部署用的执行环境，Spider 2.0 成绩直接翻倍多，做法是把数据库装进沙盒里边跑边学。
Stanford 这篇研究很实用：智能体死循环就改 prompts 和工具，计划烂就上 LoRA 微调，还给了一组具体数字对比。
Sakana AI 发了篇论文叫 MASS，让 Qwen3.6 自己出题自己打分再微调自己，两轮下来性能涨到 1.6 倍，开放式任务也能自我改进了。
Meta 开源的 IdeaScientist，一个 27B 模型自动写科研提案，居然比 Claude Code 和 Codex 的方案还高近 6 个点，做法拆成三个 RL 角色，做 AI-scientist 的必须看。
