全部动态

Recuris模型在长时程任务中显著提升了GPT-5.6 Sol和Claude Opus 5的表现，是长时程智能体驱动的递归记忆架构的一个突破。

StepGuard 通过自动数据生成和动态平衡学习，显著提高了安全防护的准确率，同时保持了效用。与 GPT-5.4 相比，防护效果更佳，值得一看。

这篇论文通过分析Reddit上的讨论，揭示了模型发布如何影响用户对对话式AI系统的看法，对于了解AI产品与用户互动有重要意义。

研究ISAC框架，了解如何利用问题信息提升LLM生成提交信息的效果，与现有方法相比有显著提升。

这篇论文评估了LLMs在语法工程中的实用性，特别是针对Cantonese ParGram资源，与GPT-5.4相比，gpt-oss-120b表现稍逊。研究有助于了解LLMs在语法工程中的优势和局限性。

Repo0通过GPT-5 mini和DeepSeek V3.2实现了更高的功能覆盖率和通过率，是设计驱动零到全代码生成的创新框架。与RPG相比，性能提升显著。

GPT-5.x修复代码模型缺陷的实验揭示了采样验证的局限性

PIHF把强化学习的迭代改进搬到了上下文学习里，用语言模型当执行器，专家审阅改进，罕见病诊断上Recall@1提升明显，值得一看。

这篇论文用GPT-5.5和DeepSeek实测发现，压缩上下文会让智能体反复重新查工具，任务成功率却没变。想知道为什么只看完成率会骗人，可以读读。

这篇论文拿五个主流AI模型去考大学OOP期末题，结果都比学生平均分高，但抽象类和图形题还是会翻车，想看AI编程能力真实段位的可以读读。

想看看AI在规则变了之后能不能自己改代码？PACE-Bench 专门测这个，目前最强的 GPT-5.5 也只解决了 Statics 子集的三分之二，离满分还远得很。

论文实测三种LLM的修复能力，发现便宜的DeepSeek-V3.2成本效率反超GPT-5，选模型前值得一看。

这篇论文用 QuoteBench 拆穿了只看匹配分数的假象，原来 GPT-5.6-sol 的分数是负 64 和正 60 抵消出来的，部署配置一变排名就翻，评估编程智能体前该看看。

想知道小模型微调后能不能干过大厂API？这篇用2千多条真实学生数据实测，DeepSeek-R1 1.5B微调后比GPT-5 mini还稳。

想知道中国大模型是不是都一个样？这篇论文用囚徒困境测了DeepSeek、Qwen、Kimi和GLM，发现它们合作倾向差别挺大，别再把它们当铁板一块了。

这篇论文教你怎么用弃权信号做推理精修，不用建知识图谱，医疗问答准确率直接涨9.6个点，GPT-5.5和DeepSeek-R1都试过。

OpenAI的GPT-5.6 Sol Pro帮人解决了一个2022年的数学难题，想知道AI怎么证明图论下界？看这篇。

开源模型Fisher-R1专治假设检验，比GPT-5.4和DeepSeek-V4-Pro都强，最难任务能提26%，搞数据分析的可以看看。

Video-DR 让 AI 边看视频边上网核实信息，35B 参数干翻 Claude-4.5-Sonnet，还开源了，值得试试。

想解决城市服务碎片化问题？这个框架把LLM和代码、API、MCP接起来，跑通跨系统任务，成功率比最强基线高10个点。

让GPT-5.4、Gemini 3.1和Claude 4.6评审300篇ICLR论文，发现它们能区分录用和拒稿，但分不清oral和poster，Gemini给分偏高。用AI审稿前先看看这个。

Ehrhart猜想等号情形被GPT-5.6-sol等AI证明了，数学证明也能这么玩。

OpenMLE把自我改进变成可跑全栈，Frontis-MA1在4090上71.21%，代码模型都开源。

elvis@omarsar0原文

化学论文里找结论太费劲？AskChem 把 14.7 万篇论文拆成带引用的声明，直接搜观点还能看来源，AI 也能通过接口调。

Tycho让AI在ARC-AGI-3里边玩边建模，GPT-5.6和Opus 5都满分通关，动作效率还胜过人类基线。

生命科学智能体可以直接用自然语言查文献了，EMBL AI Librarian在LitQA2上比网页搜索高8分，代码已开源。

这篇论文把七种识别安全漏洞报告的方法拉到一起比了比，结果SetFit最猛，GPT-5.2反而拉胯。做漏洞管理的人可以参考。

让模型自己从零写ASP规则，Claude、GPT-5等九个模型限时1小时。CLEVR有人拿满分，GQA上GPT-5跌到41.8%。

想自动生成分子IUPAC名称？试试NISPO，开源、基于RDKit，在1亿分子上验证准确率98.1%。

用联合国投票数据测了四个大模型的政治立场，发现DeepSeek最亲法，GPT-5最亲俄，跟开发者国家不一样。

这篇论文用70道政治题+12种人格提示，测了GPT-5、Claude、Grok等7个模型，发现提示词比模型本身更能左右回答方向。想了解AI怎么被‘带节奏’的可以看看。

这篇论文研究了AI模型评估结论过时的速度，发现模型发布后近一年结论可能已失效。如果你做AI评测或读评测报告，它能帮你判断证据是否还新鲜。