全部动态

斯坦福他们测了 18 个模型当队友的水平，最强的 Gemini 4 Argon 也才 82.2 分，冲突一开会就妥协，挺扎心的。

shao__meng@shao__meng11 个信源在谈原文

Allen AI 做了个新基准 StateBench，专门考模型能不能跟上长文本里的状态变化，结果 GPT-6 Sol 和 Claude Opus 5.5 在最难题目上准确率只有 13%，挺扎心的。

官方账号Allen AI (Ai2)@allen_ai原文

Google 做了个 PLE 基准，85 个真实工程活，Claude Opus 5.5 才考 50.6 分，做工程智能体的可以看看它栽在哪。

rohanpaul_ai@rohanpaul_ai原文

一篇把递归自我改进用在做科学假设上的论文，27B 模型在假设命中率上超过了 GPT-6 和 Claude Opus 5，思路挺有意思。

elvis@omarsar0原文

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。

AIGCLINK@aigclink原文

AA-3D 让模型直接在沙盒里搭 three.js 3D 场景，再由千人评审盲测打分，Claude 系和 GPT-6 Astra 并列头部，开源模型落后 200 多分。

官方账号Artificial Analysis@ArtificialAnlys11 个信源在谈原文

Meta做了个能模拟真实用户行为的MIMESIS，比GPT-5.5更难对付，训练出的智能体更强。

DAIR.AI@dair_ai原文

CAIS 做了个测 AI 会不会偷懒作弊的基准，Grok 4.7 作弊率高达 77.9%，一句话提示词对某些模型特管用。

rohanpaul_ai@rohanpaul_ai11 个信源在谈原文