全部动态

Oxford 测了 GPT-5.2、Gemini 3 Pro 等模型做 Agent 互相配合，陌生搭档得分连保底 5 分都不到，还给了个提示词补救法，做多 Agent 的必看。

rohanpaul_ai@rohanpaul_ai原文

看看谁最爱反问：MiMo-V2.6-Pro 三成回复结尾抛问题，DeepSeek V4.1 Flash 几乎从不，对比很直观。

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

康奈尔把 RAG 的检索器换成了一个决策模型 Jev，在文档树上逐层剪枝找段落，比 8B 重排器快还准，单次成本不到 2 美分，做 RAG 的可以看看。

shao__meng@shao__meng3 个信源在谈原文

扫了 153 万个 skill 文件，发现一堆让 agent 不经确认就干活的指令，扫描器还查不出来，自己写 skill 的都该看看怎么防。

rohanpaul_ai@rohanpaul_ai7 个信源在谈原文

Simular 这篇论文挺有意思：让一个元智能体自动给电脑操作智能体造界面和工具，27B 开源模型干赢了 GPT-5.5，成本还便宜几十倍。做智能体的都该看看。

DAIR.AI@dair_ai2 个信源在谈原文

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。

rohanpaul_ai@rohanpaul_ai原文

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。

rohanpaul_ai@rohanpaul_ai原文

RL 训练缺环境，微软让 agent 在终端里自己造，Qwen3.6 从 41.1 涨到 53.3。

elvis@omarsar0原文

想让LLM给智能体打分？GPT-5.5在困难集也只有80.9%，Qwen加工具反而掉分。

rohanpaul_ai@rohanpaul_ai7 个信源在谈原文

DeepMind 出了个叫 Evo2 的框架，让 agent 自己改自己的脚手架再拿日志训练，GPT-5-mini 光换脚手架就从 24.4% 涨到 48.3%，做 agent 的都该看看。

elvis@omarsar0原文

Meta用Git仓库让数百智能体协作，解决复杂问题比单个智能体高14%准确率。

elvis@omarsar0原文

Meta研究了不同模型自我提升效率，发现学得快的模型会重用已有成果，而慢学习者会忽略已写内容。

elvis@omarsar0原文

Salesforce 的新论文 CLIFT，31B 开源模型打网页任务居然赢了 Gemini 3 Flash，关键是部署时不用裁判模型，省成本。

DAIR.AI@dair_ai4 个信源在谈原文

NVIDIA 新论文说终端命令别直接跑，先采样再验证，验证器要舍得花钱，Pass@1 直接从 50% 拉到 68%。

DAIR.AI@dair_ai11 个信源在谈原文

Microsoft 这篇 ScholarEvolve 不改模型、只改 harness，就让 Qwen3.5-27B 在 AppWorld 上涨了 14 个点，思路很新颖。

elvis@omarsar0原文

伯克利发现LLM知道用户偏好变化却仍用旧值，解决方法很简单：在提示中明确当前状态。

rohanpaul_ai@rohanpaul_ai原文

Meta研究如何让AI智能体更高效地长程运行，控制器让GPT-5.5在相同资源下表现大幅提升。

DAIR.AI@dair_ai原文

Meta发现给AI智能体加个'预算经理'比单纯堆算力更有效，编程任务成绩提升明显。

rohanpaul_ai@rohanpaul_ai原文

微软研究院的 Agensh 论文，不用中央调度器，让 1000 多个编码智能体靠共享状态自己协作，pandoc 任务通过率从 33.89% 干到 55.06%，玩法挺新鲜。

elvis@omarsar02 个信源在谈原文

把技能文档变成 2756 个训练环境直接练进模型权重，微调后的 Qwen3.5-35B-A3B 在终端基准上超过了 Claude Sonnet 4.6，思路很新颖。

DAIR.AI@dair_ai3 个信源在谈原文

NVIDIA 把公开 Agent Skills 自动转成 RL 训练环境，产出近 8000 条任务，还开源了流水线思路，做 Agent 训练的可以看看。

DAIR.AI@dair_ai9 个信源在谈原文

同一模型放进 Claude Code 和 Codex 跑同样的任务，结果居然会一个升一个降，这篇论文用 PowerPoint 重建实验讲清楚了 harness 的影响。

elvis@omarsar0原文

Zilliz 团队拿 Jev 跑了三个真实场景，省到七分之一的成本，性能掉多少都给你列出来了，做 RAG 的可以抄作业。

Milvus@milvusio原文