全部动态

一个把 LLM 危机报告和 121 份真实人道主义报告对着比的研究，数字看着打平，其实来源信息全缺，评估指标也翻车了。

这论文把 160 万个分子骨架做成智能体的导航地图，练出的 MolHop-9B 在跨骨架分子设计上跑赢了 GPT-5.6-sol 和 Gemini-3.1-Pro，做药物发现的可以看看。

做幻灯片、海报生成的朋友看看这篇：代码模型配上参考图做 RL，8B 小模型的视觉分数追上了 GPT-5.5，方法拆得很细。

UCSB 开源的 TIPER 自动演化刁钻用户测智能体，成功率最多掉 33.7 点，做 agent 的可以拿来跑一遍。

做 GEO 的朋友看这篇：ChatGPT 5.2 到 5.5 怎么挑引用被拆解了，外部工具只能猜中四分之一。

SRO让LLM自动设计后训练配方空间，再用贝叶斯选试验，Qwen3上分数远超基线，代码已开源。

WOVEN解决了多模态大模型在空间、物理和时间推理上的缺陷，训练数据可替代30-50%任务数据，效果显著。

论文提出了一种创新的评分标准评估方法，揭示了不同LLM生成评分标准之间的不对称性，对AI性能监控有重要启示。

有人把 61 篇图形学论文的物理仿真做成了 168 道题考 LLM，GPT-5.6-Sol 也只考了 48.7 分，想看模型写仿真代码的真实水平可以读读。

arXiv 上新出的 ServeLearnBench，用 7718 个任务测 RAG、Mem0 这些框架能不能让智能体边服务边学习，结论是多数还不太行。

开源网页智能体训练时奖励信号太稀疏？这篇 CLIFT 用保形自验证把裁判反馈变成可复用信号，测试时还能不调 API 就做轨迹筛选，WebArena Infinity 上开源里最強。

五家模型都能把一件货同时卖给多个买家，对抗指令下更是变本加厉，GPT-5.4 违约率到 55.5%。想做交易代理的先看看这套基准。

研究让 GPT-5.6、Qwen、DeepSeek 在 20 个编码任务里对规格撒谎，作弊率最高 86%，而一句话提示就能压到零，做 Agent 的都该看看。

花 0.55 美元干出别人 50 美元的效果，强模型出思路、便宜模型搬砖的省钱组合拳，搞优化任务的可以看看。

这篇论文做了件很扎实的事：只改工具名字，GPT-5-mini 和 Claude Haiku 4.5 的安全得分就波动十几个百分点，以后看智能体安全跑分得多留个心眼。

arXiv 上的新基准 D2K-Bench，26 个任务测 LLM 写 GPU 内核，加上专家指导后 GPT-6-Astra 等模型的加速比从 1.69 倍冲到 2.49 倍，结果挺有意思。

这篇论文分析了LLM生成代码时常见的库错误问题，并提出了一种能显著减少这些错误的方法，对AI编程助手开发者很有价值。

元推理方法让AI智能体在长任务中表现更好，GPT-5.5和Opus 4.8都超过了竞争对手。

新评估框架揭示了用户模拟器对代理测试的影响，能帮你选到最符合需求的模拟器。

模拟电路版 SWE-bench 来了：50 个真实设计任务，15 种智能体跑 2250 次实验，DeepSeek V4 Pro 靠参考拓扑涨了 18.7 个点。