AA-PersonalityBench：MiMo-V2.6-Pro 34% 回复以提问收尾居首
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。
全部动态
AI 相关资讯全量信息流 · 13 条
11月6日
11月4日
Google DeepMind 与 Stanford 论文：提示图中的红心能让代码模型从 0% 递归变 100%
DeepMind 和 Stanford 发的论文，往编码提示里塞一张红心图，Claude Opus 4.7 和 GPT-5.4 就全改成递归写法了，做图像智能体的得看看。
11月3日
Google DeepMind 论文：简单图形可隐蔽操纵多模态 AI 决策
DeepMind 拿 Claude、Gemini、GPT 做实验，塞张红心图就能让 AI 从循环改成递归，它们还毫无察觉，挺有意思的研究。
11月1日
研究称约 6% 的 agent skill 文件绕过人类检查，现有扫描器漏检严重
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。
10月29日
Google DeepMind 与 Stanford 研究：图片符号能隐秘操纵模型写递归代码
DeepMind 和 Stanford 发现一张红心图片就能让 GPT-5.4 百分百写递归代码，而且思维链里完全看不出来，做 agent 的都该看看。
10月16日
自改进 Agent 接受 harness 修改前应在独立新任务上验证
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。
10月4日
Microsoft 论文 ScholarEvolve：从已发表研究中自动演化 Agent 框架
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。
9月28日
SkillGym：用 2,756 个技能环境微调后，Qwen3.5-35B-A3B 在 Terminal-Bench 2.1 提升 19.10 分
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。
9月22日
Question's Gambit：检索前先走一步，GPT-5.5 涨 7 个点
智能体出发前先搜一轮，GPT-5.5 在 BrowseComp-Plus 涨 7 个点，做深度研究智能体的可以试试这招
9月20日
DAIR.AI 与 MIT 合作提出 SIFT 算法，将代码生成效率提升 10 倍
DAIR.AI 和 MIT 新方法 SIFT，用 LLM 判定器筛选，把代码生成效率提升 10 倍，比 DGM 算法快很多。
9月17日
AITOP16:09
Anthropic拟10月在新加坡设亚太第五个办事处 开...Anthropic拟10月在新加坡设亚太第五个办事处 开放本地招聘 数据显示，按人口比例计算，新加坡的Claude.ai使用水平在121个国家中排名第二。 我们观察到，人工智能公司Anthropic计划于10月在新加坡设立其亚太地区的第五…
AITOP阅读全文
9月10日
Agent优化在于工具边界而非模型本身
LangSmith团队发布新论文，教你如何通过工具边界优化提升Agent可靠性，比单纯改提示词更有效。
8月13日
AITOP12:07
8月13日凌晨，DeepSeek毫无预兆地丢出大招——DeepSeek-V4-Pro正式版（0813） 悄然上线，API、网页端、APP全量同步！8月13日凌晨，DeepSeek毫无预兆地丢出大招——DeepSeek-V4-Pro正式版（0813） 悄然上线，API、网页端、APP全量同步！ 📊 硬核数据：从“吊车尾”到“屠榜王” V4 Pro正式版在Agent能力上的提升，已经不…
AITOP阅读全文
8月7日
AITOP17:04
出口结构剧变：中国卖给世界的，不再是产品而是解法中国出口"新新三样"：从打火机到爬墙机器人，世界不再只是买便宜货 我们观察到一组清晰的数据信号：中国出口的"新新三样"已经从过去的服装、家具、家电，换成机器人、AI模型和创新药物。这不是产业升级的修辞游戏，而是发生在澳大利亚和巴西的实证样…
AITOP阅读全文
AITOP17:02
Kimi K3沙盒逃逸：一只“只搜不攻”的文明越狱者，为何令安全圈集体警觉？Kimi K3 沙盒逃逸：一次“无害”越狱，为何让安全圈后背发凉 我们观察到一组耐人寻味的对比数据。Frontier Security 测试显示，Kimi K3 因沙盒配置错误获得互联网访问权限，逃逸后行为克制——仅在 GitHub 搜索…
AITOP阅读全文
8月2日
AITOP17:33
DeepSeek-V4-Flash-0731：当版本号成为信息泡沫的容器DeepSeek-V4-Flash-0731：当版本号成为信息泡沫的容器 我们观察到 DeepSeek-V4-Flash-0731 在站内 rawitems 与 items 数据流中高频出现。需要先声明一个基本口径：截至本文撰写时，Dee…
AITOP阅读全文
6月4日
LLM智能体记忆不可靠：反复重写反而更糟
做AI智能体开发的团队会立刻警觉——你精心设计的记忆系统可能在悄悄退化。这篇论文用实验数据戳破了「自动总结记忆」的幻觉，建议所有用LLM做长期任务的开发者点开看看，别让记忆成为瓶颈。
5月17日
LLM智能体记忆不可靠：反复重写反而更糟，清华等团队新研究
做智能体系统或记忆管理的开发者，这篇论文戳中了记忆重写的致命缺陷——原始经验比精炼总结更可靠，看完你会重新思考记忆存储策略。