全部动态
Amazon 这篇论文说，把历史实验记录喂给 LLM，它就能提前猜出哪个训练改动有用，OLMo3-100M 上相关性冲到 0.892，比硬堆推理努力管用。
Meta 把多个智能体丢进同一个 Git 仓库，失败记录也不删，结果在 ProgramBench 上比单跑 Codex 高出 14 个百分点。
同一篇摘要换个模型改写，Pangram 的漏检率就从 6.5% 跳到 79.8%，说明检测器认的是模型指纹而不是 AI 痕迹。
有人拿DeepPlanning这个多日旅行规划基准来讨论：harness自己改自己，到哪一步就不管用了。做agent评测的可以看看这个思路。
有人给 DeepSeek V4-Flash 做了个超网络，把上下文直接变成参数，投影塞进每层共享专家 MLP，思路挺野。
做智能体记忆的可以看看：别再用一套 embedding 搜所有记忆了，先分类再按类型检索，三个数据集上 Recall@1 最多涨 16.18%，还附了 TriMEM 数据集。
阿里 Qwen3 模型在训练时套上部署用的执行环境，Spider 2.0 成绩直接翻倍多，做法是把数据库装进沙盒里边跑边学。
Stanford 这篇研究很实用：智能体死循环就改 prompts 和工具，计划烂就上 LoRA 微调，还给了一组具体数字对比。
Sakana AI 发了篇论文叫 MASS，让 Qwen3.6 自己出题自己打分再微调自己，两轮下来性能涨到 1.6 倍，开放式任务也能自我改进了。
Meta 开源的 IdeaScientist，一个 27B 模型自动写科研提案，居然比 Claude Code 和 Codex 的方案还高近 6 个点，做法拆成三个 RL 角色，做 AI-scientist 的必须看。
仅展示最近 2000 条内容，更早的内容请查阅 AI 日报存档