全部动态

三条推文都叫 looped transformer 但完全是三种方案，选错能烧掉一周训练，这篇用 Nanbeige 4.2 实测数据帮你分清。

官方账号AlphaSignal@AlphaSignalAI原文

Epoch AI 做了个叫 InnovationEval 的基准，专门测 AI 智能体能不能自己搞出像样的后训练创新，目前结果挺拉胯的，想追自动化研究进展的可以看看。

官方账号Epoch AI@EpochAIResearch2 个信源在谈原文

Perplexity 实测 GPT-OSS-120B 做搜索代理，BrowseComp+ 拿了 64.0%，比 ColBERT 高 4.9 分还搜得更少，搞 RAG 的可以看看。

官方账号Perplexity@perplexity_ai原文

有人拆解模型内部注意力头，发现检索分工跟任务阶段有关，做长上下文和 Agent 的值得看看。

Teortaxes@teortaxesTex原文

AI训练中的基础问题研究，提出解决超大规模异步训练信用分配的新思路

Teortaxes@teortaxesTex原文

Zapier的AutomationBench基准测试被多家前沿实验室引用，但评分者存在严重缺陷，修复后评分差异达27.9%。

rohanpaul_ai@rohanpaul_ai5 个信源在谈原文

Stanford 拿 5 个模型实测发现，多个智能体抢共享资源时互相覆盖，Opus 5 团队只拿到 30% 价值，单智能体能拿 64%，做多智能体系统前建议先看看。

rohanpaul_ai@rohanpaul_ai3 个信源在谈原文

这篇论文提出了一种新颖的蒸馏方法，让小模型智能体更好地利用harness信息，性能超越大模型教师。

elvis@omarsar0原文

Amazon在COLM会议分享LLM超权重和多智能体编排技术，想了解前沿AI研究的人别错过。

官方账号Amazon Science@AmazonScience原文

Meta AI 出的论文，把研究智能体拆成元推理器加执行器，专门解决跑长任务时不知道下一步研究啥的问题，做 agent 的可以看看。

DAIR.AI@dair_ai原文

Amazon AGI 新出了个循环扩散语言模型，平均分同时压过扩散和自回归两类基线，代码和权重都放出来了，可以自己跑跑看。

Aran Komatsuzaki (论文推介)@arankomatsuzaki原文

Yann LeCun 圈子的人发了 H-JEPA，把世界模型按抽象层级拆开做规划，Visual AntMaze 成功率从 18% 干到 73%，算力还更省。

Aran Komatsuzaki (论文推介)@arankomatsuzaki原文

Meta论文揭示双代理审查比单代理预算提升效果更好，Claude Code和Codex组合错误率降低。

rohanpaul_ai@rohanpaul_ai原文

Google 发的这篇论文很实用：给智能体加个想法排序地图加审计员，比 ScientistOne 快 3 倍出结果，做 agent 的可以抄作业。

rohanpaul_ai@rohanpaul_ai原文

做智能体评测的值得看：PAIR 教你怎么定位压缩到底丢了什么信息，还提醒你压缩先伤稳定性再伤成功率，自己跑 eval 时要多次对比。

DAIR.AI@dair_ai原文

MIT 实测 GPT-4o、Claude 这些模型玩拍卖游戏，发现让它们“多想想”反而更差，一句话说明规则就能把错误率从 4.2% 降到 0.2%，写提示词的都该看看。

rohanpaul_ai@rohanpaul_ai原文

JHU 和 CMU 让 4B 小模型自己改 agent 的 harness 代码，效果反超 35B 教师模型，做 agent 开发可以试试这思路。

rohanpaul_ai@rohanpaul_ai2 个信源在谈原文

上海AI实验室的SkillGym把技能文件变成沙箱任务再微调，Qwen3.5-35B-A3B在Terminal-Bench 2.1涨了19个点，连不带技能文件都更强了。

rohanpaul_ai@rohanpaul_ai3 个信源在谈原文