全部动态
Anthropic 拿智能烤箱和安卓电视盒子做实验，30B 参数的小模型都能复制一半流程，GLM-5.2 级别的能跑通全程，这个结论有点吓人。
SambaNova 拉上 Stanford、CMU 等四所高校发了篇论文，专门研究智能体跑长任务为什么会掉链子，做 agent 的可以看看。
斯坦福 Chris Manning 发推说 LLM 和视觉世界模型可能没那么不同，正好回应最近关于语言模型有没有世界理解的那场争论。
Anthropic 红队真刀真枪测了 AI 蠕虫，只有 GLM-5.2 能自己传遍 8 台服务器，还买了 15 台电视盒子拆着跑模型，细节很扎实。
Google 的 AMIE 聊天系统第一次进了真实诊所，诊断和医生对上 90%，还上了 The Lancet，医疗圈值得看看。
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。
Apple 给出了一种新的长任务智能体压缩方案：不再按固定 token 数截断，而是让模型自己调用工具决定何时总结，避免丢掉中间结果。
一篇讲怎么同时优化智能体和评分器的论文，DUET 在 Finance Agent Benchmark 拿到 96.5%，比 GEPA 和 SkillOpt 都高，做法很实在。
Apple 把散落在各台 Mac 里闲置的 GPU 攒成一张虚拟大显卡跑推理，思路挺新，做 ML 的可以看看这篇论文。
显存不够跑 RL 的朋友看过来，NVIDIA 这个 LoGRA 比用 LoRA 还省显存，7B 模型省了近一半，精度基本不掉。
Goodfire 的 Tom McGrath 讲他们怎么从模型内部信号里抓到作弊行为，还做成几乎零成本的监测器，做 AI 安全的可以看看。
Ai2 做了个叫 TutorMoments 的测试，看模型辅导作业是引导你自己想还是直接给答案，Astra 和 Opus 5.5 都被测了，提示词写细一点分数明显更高。
Anthropic 发了个安全研究报告，测试前沿模型能不能在脱离数据中心的情况下自己复制自己，做 AI 安全的应该看看原文。
Goodfire 的 Tom McGrath 聊可解释性，讲清了模型写出的推理和脑子里实际想的事可能不一样，还有怎么用内部信号抓模型作弊，做 AI 安全的别错过。
微软研究院一口气放了六项研究，有让 AI 学会主动问清楚的，有改 KV-cache 省内存的，做机器人和做工程的都能翻翻。
一篇优化理论新论文，处理一半梯度拿不到、得靠函数值猜的场景，复杂度界和实验都给全了，做双层优化或 performative 学习的可以看看。
一群研究者做了个叫 AgentSWE 的基准，25 个任务专门测编程智能体能不能真的按需求造出智能体，结果没一个过关，还总结了三种典型翻车模式。
斯坦福团队扒了 25 万条真实对话，发现大家用 AI 不是偷懒，是学习。数据挺有意思，做产品的可以看看。
Salesforce 做了个 ANCHOR 基准，专门测 AI 陪伴产品聊久了会不会忘事变脸——结果模型记用户近况的能力基本等于瞎猜，做陪伴应用的可以看看。
Microsoft 研究员发现智能体越聊越僵，清空聊天记录、只留工作区，同算力下成绩能提升 66%，做 Agent 的可以看看。
跑了120万次调用才发现，temperature 0 的语义查询结果也会变，三个知名基准的结论不少站不住，做数据管线的人该看看。
Nvidia 发的这篇论文教你在花大钱 post-train 之前，用一个便宜方法挑出最适合做 agent 的基座模型，和 SWE-bench 排名对得上 0.964。
Google 这份白皮书把 MCP、A2A、A2UI、AP2 一套协议讲透了，做 Agent 开发的话这些连接标准迟早要碰，先存着。
arXiv 上的新论文，把 in-context learning 搬进系统辨识，不用先估模型就能零样本预测，还能生成带不确定性的合成数据，做控制或建模的可以看看。
仅展示最近 2000 条内容，更早的内容请查阅 AI 日报存档