Stanford 论文：更多信息会让部分 LLM 谈判智能体收益下降
Stanford 测了 10 个 LLM 谈判，发现给模型更多信息反而可能让 Claude Opus 5.5 收益从 94% 掉到 64%，选模型时得连信息量一起测。
全部动态
AI 相关资讯全量信息流 · 43 条
11月8日
11月6日
OpenAI 发布 LifeVal 基准：169 个日常任务测评智能体
OpenAI 拿 169 个真实生活任务测各家模型，发现模型老忘掉你几周前说过的话，做记忆助手的建议跑一下这个基准。
清华与UC Berkeley发布uni-robot-agent：让开源模型控制真实机器人
清华和伯克利做的开源机器人控制框架，让Qwen这类便宜模型在真实机械臂上干赢GPT-6和微调过的π0.5，成本还便宜95%，代码在GitHub上可以自己跑。
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。
11月5日
协作智力基准发布：18 个模型当队友，最高只拿 82.2 分
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。
清华 × 伯克利开源 uni-robot-agent：Qwen 借助该框架在 RoboDojo 分数从 1.90 升至 31.39
清华和伯克利开源了套机器人 Agent 框架，Qwen 不做任何机器人训练就能上真机干活，分数翻了十几倍，框架设计细节也很扎实。
11月4日
MIT CSAIL 提出"权重空间编程"：GPT-6 可直接改写神经网络权重
MIT CSAIL 说 GPT-6 已经能直接改神经网络权重，连 Qwen3.5-0.8B 都被它编辑过，这个方向叫权重空间编程，挺新鲜的。
Allen AI 发布 StateBench：GPT-6 Sol 与 Claude Opus 5.5 状态追踪准确率仅 13%
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。
Simon Willison 实测 GPT-6 Astra 直接解读模型权重的方法
有人用 Qwen 3.8 27B 在笔记本上复现了 GPT-6 Astra 读权重的方法，跑了 45 分钟，过程和结论都写在博客里。
MIT CSAIL用GPT-6 Astra编辑Qwen3.5-0.8B权重，改动0.016%参数使MATH-500提升6倍
MIT让GPT-6 Astra直接改Qwen3.5-0.8B的权重，不训练只动0.016%参数，MATH-500从7.9%冲到48.1%，思路很像给模型做基因编辑。
测试显示 GPT-6.1 Sol 在研究任务上引用造假率为 0%
有博主测了各代模型编造参考文献的情况，GPT-6.1 Sol 造假引用降到 0%，长上下文丢事实也有改善，做文献调研的可以看看。
11月3日
GPT-6 Astra 直接改写 Qwen3.5-0.8B 权重，数学能力提升 6 倍
有人让 GPT-6 直接手改 Qwen 小模型的权重，不改 99.98% 的参数，数学就涨了 6 倍，全程零训练零梯度，思路很邪门，推荐看看原文。
研究称 LLM 可直接改写神经网络权重，GPT-6 Astra 微调 Qwen3.5-0.8B 数学能力提升至 6 倍
有人让 GPT-6 Astra 直接改 Qwen3.5-0.8B 的权重，不动一行训练代码，数学就快了 6 倍，这思路挺新鲜。
用 GPT-6 Astra 直接改 Qwen3.5-0.8B 权重，数学能力提升 6 倍
有人让 GPT-6 Astra 不训练直接改 Qwen3.5-0.8B 的权重，数学提升 6 倍，思路很新鲜，帖子不长值得看看。
不训练不算梯度：GPT-6 Astra 改 0.016% 权重，Qwen3.5-0.8B 数学正确率升 6 倍
MIT 那篇权重空间编程的博客，让 GPT-6 直接手改 Qwen 小模型的权重，数学分涨 6 倍，里面几个失败条件也讲得挺实在。
GPT-6 Astra 直接改写 Qwen3.5-0.8B 权重，数学能力提升最高 6 倍
有人让 GPT-6 Astra 手改 Qwen3.5-0.8B 的权重，不动训练流程，数学就快了 6 倍，思路很新奇。
MIT CSAIL 用 GPT-6 Astra 直接改写 Qwen 0.8B 权重，数学能力提升 6 倍
MIT 团队不训练不微调，直接让 GPT-6 Astra 改 Qwen 0.8B 的权重，改 0.016% 参数数学就快 6 倍，脑洞很新。
MIT 研究：编辑 0.016% 权重让 Qwen3.5-0.8B 的 MATH-500 成绩从 7.9% 升至 48.1%
Qwen3.5-0.8B 做数学题经常卡在死循环里烧 32K token，MIT 找到出问题的两层，只改 0.016% 权重就把 MATH-500 从 7.9 分拉到 48.1 分。
MIT CSAIL 提出 Weight-Space Programming：让 GPT-6 Astra 直接读写权重
MIT 团队让 GPT-6 Astra 直接改 Qwen3.5-0.8B 的 0.016% 权重，不训练不跑梯度，数学成绩翻了六倍，思路很新鲜。
用 GPT-6 Astra 直接改写 Qwen3.5-0.8B 权重，数学成绩提升至 6 倍
有人让 GPT-6 不训练、不调参，直接手改 Qwen3.5-0.8B 的 0.016% 权重，数学成绩涨到 6 倍，这篇博客讲了具体怎么做到的。
MIT CSAIL 发现 GPT-6 Astra 可直接改写模型权重提升性能
MIT 团队让 GPT-6 Astra 直接改 Qwen3.5-0.8B 的权重，只动 0.016% 就把数学分数从 7.9% 拉到 48.1%，完全不用训练，做法挺新奇。
MIT 研究：直接改 0.016% 权重让 Qwen 小模型数学成绩从 7.9% 升至 48.1%
MIT 用 GPT-6 Astra 直接改 Qwen 小模型 0.016% 的权重，数学分数从 7.9% 拉到 48.1%，不用梯度训练，方法本身就很反直觉。
GDPval 后继基准发布，Ethan Mollick 指出缺少人类基线
Ethan Mollick 聊了 GDPval 的后继基准，还发现 GPT-6 Pro 能挑出评分错误，做模型评测的可以看看
10月27日
论文：低成本验证器 Jev 在 RAG 事实核验上接近 GPT-6 Astra
做 RAG 的朋友看看这篇：Jev 成本只有 GPT-6 Astra 的 1/187，准确率几乎持平，但它漏放无依据主张的比例高不少，选型时得盯这个指标。
10月25日
Google DeepMind 联合多所高校发布论文：GPT-6-Astra 解出 50 道未发表物理题中的 49 道
GPT-6-Astra 在新基准里解出 49/50 道研究级物理题，每道不到 3 美元，还能对比联网和不联网的差距。
10月22日
GPT-6-Astra 机器人基准接近饱和，但物理验证与纠错仍是短板
有人把 GPT-6-Astra 扔进 12 个机器人基准实测，分数很高但一个回合烧 900 万 token 跑两小时，落地还早。
10月21日
Artificial Analysis 按人格特质聚类：同实验室模型风格相近
Artificial Analysis 把各家模型按 30 项人格特质聚类，GPT-6 居然和 Claude 一族，挺有意思的视角。
10月20日
论文05:49
DiscoveryRSI：用递归自我改进做科研假设生成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。
10月17日
北大与 Samsung 论文：慢模型离线指导快模型，实时游戏得分从 13.51 升至 24.19
北大和 Samsung 做了个 RealtimeBench，测试里 GPT-6.1-sol 思考太久反而输给快模型 Jev，再用 TORSI 让慢模型离线写指令带快模型，得分翻到 24.19。
10月16日
Nick Cammarata 新文：神经元可解释性研究曾被误读，Qwen3-32B 审计显示 90% 神经元有明确职能
Zoom In 论文作者自己出来纠正旧结论，Qwen3-32B 上 90% 神经元有明确职责，做可解释性的人应该看看这篇。
10月14日
LangChain 在 Open SWE 中验证路由器置于 harness 内可省 64% 成本
LangChain 给 Open SWE 编程智能体装了个路由器，973 个线程测下来每个省 2/3 的钱，成功率还没掉，做法细节都公开了。
10月13日
Artificial Analysis 发布 AA-3D 基准：21 个模型盲测比拼 3D 场景搭建
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。
10月9日
Epoch发布自动化评估报告
Epoch用AI评估自己的工作，Claude和GPT-6表现最好但还不够
LMArena 分析智能体错误归因：GPT-6 Luna 误归因率达 53.1%
LMArena 拆了个挺冷门的问题：智能体会把话安到你头上。GPT-6 Luna 误归因率 53.1%，看看各家模型差在哪。
10月7日
OpenAI 公开 722 篇 AI 数学论文
OpenAI 把内部数学模型做的 722 篇论文全开源了，包含黎曼猜想等难题，还附带了形式化证明。
10月5日
在提示词里加一句"Don't cheat"能让 GPT-6 Astra 作弊率从 47.4% 降到 2.8%
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。
9月30日
AI模型更倾向于选择自己的答案
Arena研究发现AI模型有自己独特的判断偏好，与人类明显不同，GPT-6 Astra甚至88%选择自己。
9月25日
JEV 论文：廉价评审级联可省约 43% 评测成本
一篇讲怎么省评测钱的论文：便宜的 JEV 先判断，拿不准的才丢给 GPT-6，成本砍掉四成多，准确率几乎不掉。
9月22日
Fireworks 实测：完美路由通过率 97.6%，成本不到最佳单模型 1/3
Fireworks 测了 18 个模型：最贵的只在 3 个任务上是唯一最优，路由的想象空间很大。
9月18日
学术研究在大型模型时代面临挑战，经典方法被GPT-6 Astra超越
Michael Black作为研究者，分享了自己对学术AI现状的观察和思考，特别是大型模型如何改变传统研究范式，很值得AI从业者参考。
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
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