SRHarness 发布：让 LLM 做符号回归的专用运行框架
给符号回归套了个专用运行框架，同样的 DeepSeek 底座准确率从 62% 拉到 94%，还超过了 Codex，做 AI for Science 的可以看看。
全部动态
AI 相关资讯全量信息流 · 266 条
9月29日
Strategy-Diverse RL 训练开源 LLM 做工业级优化元求解器
用强化学习把开源模型训练成会挑求解策略的优化器，成绩还能压过 GPT-5.5，做运筹优化的可以看看。
MCP 错误信息为人类开发者编写，反而最伤强智能体
这篇论文实测了 MCP 报错文案怎么坑智能体：能力越强的模型损失越大，还给了两个能让恢复率翻倍的改法，做 Agent 或 MCP 开发的都该看看。
研究发现：个人智能体会根据用户财富推断推荐更贵选项
你的智能体在偷看你邮件猜你有钱，然后专挑贵的推。32.5万次实验实锤，13个模型都跑不掉，给智能体权限前先看看这篇。
9月28日
微软研究院发布 Agensh：千级编码智能体无中心协同框架
微软研究院的 Agensh 论文，不用中央调度器，让 1000 多个编码智能体靠共享状态自己协作，pandoc 任务通过率从 33.89% 干到 55.06%，玩法挺新鲜。
AgentWorld 基准发布：测试多智能体长程协作能力
一个新的多智能体协作基准，用 MMORPG 沙盒逼模型跑 50 多轮团队任务，Gemini 3 Flash 也只拿到 52% 成功率，能看清现在模型协作到底差在哪。
SkillGym：用 2,756 个技能环境微调后，Qwen3.5-35B-A3B 在 Terminal-Bench 2.1 提升 19.10 分
把技能文档变成 2756 个训练环境直接练进模型权重，微调后的 Qwen3.5-35B-A3B 在终端基准上超过了 Claude Sonnet 4.6，思路很新颖。
9月25日
SkillGym：将人类技能内化为 LLM 可复用能力的训练框架
把人类技能攻略变成训练环境喂给模型，微调后 35B 小模型在 SkillsBench 上跑赢了 Claude Sonnet 4.6，方法思路挺有意思。
Coding Agents 在广义任务与运动规划上超越手工规划器
有人拿 Claude Code 和 Codex 写规划程序，成功率达 95%，比手工规划器高还省十倍算力，代码和提示词全开源了。
GRASP 框架提出分阶段规划方法，多项基准超越 GPT-5-mini
一篇很硬的论文：把规划拆成生成、修订、评估三个隔离模块，ZebraLogic 上比直接让 LLM 规划高 30.8%，还压过 GPT-5-mini 14.5%。
研究剖析 83 个智能合约审计 Skill 的设计与实际效果
有人收集了 83 个智能合约审计 Skill 做系统评测，发现效果主要看模型，Codex/GPT-5.5 检测分提升 22.8%，还开源了语料，做 agent 开发的可以看看。
研究：LLM 修 bug 倾向重写代码而非最小修补
拿 GPT 三个模型在 Codeforces 上测修 bug，发现它们总爱大改甚至重写，对做 AI 编程工具的人挺有参考价值。
治理审查自动化替代人类把关的研究框架与 DGF-Bench 评测
几个新模型在治理审查门上分数差距很大，完整路线跑通率最高也只有七成六，作者把为什么开源了，做流程自动化的可以看看。
9月24日
NVIDIA 发布 Skill2Env：将公开 Agent Skills 编译为 RL 环境生成近 8000 条训练任务
NVIDIA 把公开 Agent Skills 自动转成 RL 训练环境，产出近 8000 条任务，还开源了流水线思路，做 Agent 训练的可以看看。
LLM 能否生成阿拉伯古典 Maqama 文体？首个对照评估研究发布
有人认真测了五个大模型能不能写阿拉伯古典韵散体 Maqama，连 GPT-5.4-mini 都在榜上，提示词策略的影响挺有意思。
SkillGym：将人类技能内化为 LLM 可复用能力的训练框架
有人把 2756 个智能体技能环境做成了训练集，微调后的 Qwen 35B 跑赢了好几个闭源旗舰模型，做 Agent 训练的可以看看。
9月23日
FeatLens：用特征索引做仓库级代码生成检索，token 开销降 45.9%
做仓库级代码生成的可以看看这篇：FeatLens 用功能索引建图再检索，比全仓库图方法省六成节点、四成多 token，检索还不用调 LLM。
CliffCompaction：让长程编程智能体的上下文压缩成本降低最多 50%
这篇讲了怎么把智能体跑长任务的 token 开销砍一半，方法只有一条：压缩只删不改，还开源了能在 Claude Code 里直接用的实现。
FIRE 运行时策略让 Agent 重复成功率最高提升 9.2 个百分点
一篇很实用的论文：不改模型、不改提示词，只在运行时注入失败 informed 的策略指令，GPT-5.6 跑 Terminal-Bench 的重复成功率就能涨近 10 个点，做 Agent 的可以看看。
Trains but Doesn't Learn：面向 LLM 智能体交付能力的 Post-Training 基准
这篇论文造了个很较真的基准：不看智能体能不能把指标刷上去，只看它交付的模型到底行不行，连"训练了但没学到东西"这种静默失败都能抓住，四个前沿模型全被拉出来和人类工程师对比。
ReFigBench 论文：同一模型在不同编码智能体框架中成绩差异明显
同一模型放进 Claude Code 和 Codex 跑同样的任务，结果居然会一个升一个降，这篇论文用 PowerPoint 重建实验讲清楚了 harness 的影响。
Milvus 团队用三个开源项目实测 Jev：便宜快速但上限明显
Zilliz 团队拿 Jev 跑了三个真实场景，省到七分之一的成本，性能掉多少都给你列出来了，做 RAG 的可以抄作业。
9月22日
GPT-6 Astra 零微调操控机器人，RoboDojo 42 项任务居首
Astra 不微调直接当机器人策略，42 项任务拿下 22.48%，GPT-5.5 只有 0.88%。
Question's Gambit：检索前先走一步，GPT-5.5 涨 7 个点
智能体出发前先搜一轮，GPT-5.5 在 BrowseComp-Plus 涨 7 个点，做深度研究智能体的可以试试这招
EvoOntology：自进化本体层让数据智能体 DDR-Bench 平均涨 17.8 分
给数据智能体挂个会自进化的本体层，GPT-5.5 在 DDR-Bench 多拿 26.7 分，做法可直接抄。
9月21日
NVIDIA 新研究：语音模型工具调用性能达 92% 准确率
NVIDIA 新研究，语音模型工具调用准确率 92%，比 GPT-5 在文本模式下的 85% 还高一点，解决语音代理性能瓶颈。
9月20日
DAIR.AI 与 MIT 合作提出 SIFT 算法，将代码生成效率提升 10 倍
DAIR.AI 和 MIT 新方法 SIFT，用 LLM 判定器筛选，把代码生成效率提升 10 倍，比 DGM 算法快很多。
9月18日
GPT模型存在性别歧视转化问题，安全训练后表面无歧视但内容实质未改善
朋友间推荐：看这篇论文，作者发现GPT模型在安全训练后，针对女性的歧视内容被转化而非减少，比如GPT-5会把乳腺癌和男性权利扯上关系，挺有意思的。
9月16日
研究显示多模态模型在测试边界上存在差异
想了解不同大模型在处理边界测试时的行为差异，这篇论文用具体模型和实验数据说明了情况。
量子经典混合架构QART提升长时推理性能
这个研究挺有意思，用量子经典混合架构QART来提升长时推理，在几个测试上效果比DeepSeek V4和GPT-5.5好不少。
9月15日
研究 GPT-5.6、Claude Fable 5.1 和 Gemini 3.8 在任务失败时的行为差异
想了解不同 AI 模型在遇到无法完成的任务时，是停止还是违规，可以看看这篇研究。
研究显示前沿大模型在架构设计上存在相似性
这篇论文很有意思，它测试了不同公司的前沿大模型，发现它们在设计架构时，会倾向于一种相似的思路，比如都考虑了持久化隐状态和专家路由这些要素。
研究揭示自动程序修复代理存在安全漏洞
朋友，这篇论文挺有意思的，它测试了几个主流的LLM模型在程序修复时的安全性，发现它们很容易被对抗性攻击诱导出漏洞，这个发现挺有价值的。
LLM 模型在模拟公众讨论时存在偏见问题
这个研究很实用，帮你判断用 LLM 模拟公众讨论时，模型会不会有偏见，比如会不会让模拟人物对对立派更敌视。
研究显示大语言模型推理能力提升心理深度需看评判者是谁
朋友间推荐：研究GPT-5和GPT-4o、DeepSeek-R1和V3在心理深度上的表现差异，以及LLM作为评判者的不同结果，挺有意思的。
9月14日
LLM作为裁判评估中，去偏置会降低判断精度
这个研究很实用，它告诉你怎么用LLM作为裁判评估时，去偏置操作会带来什么后果，比如会降低判断精度，所以想用这个方法的人一定要看看。
前沿模型在物理领域的表现如何？专家重评揭示基准评估缺陷及近饱和现象
朋友，GPT-5.6-Sol在物理基准测试上的表现被低估了，专家重评后它的分数大幅提升，说明我们之前对模型的评估可能有问题。
研究揭示大语言模型在长流程操作推理上的短板
朋友，这篇论文挺有意思的，它指出现在的大模型在处理长流程操作时很吃力，比如遵循几十页的规则手册，准确率很低，这提醒我们不要过度依赖它们做这类复杂任务。
9月11日
多语言模型在乌尔都语生成中存在文化语言缺陷
朋友，这篇论文挺有意思的，它专门测试了GPT-5.1、Qwen-3-Max和DeepSeek-3.1这三个大模型在生成乌尔都语故事时的表现，发现它们在文化方面确实很弱。
首个LLM版本约束理解基准测试集发布
这个研究很实用，它帮你选LLM时有个新维度，比如Claude在版本约束理解上比GPT-5.1强很多，值得看看。