最新 AI 新闻与行业动态

论文 Agent 与开发者精选73°09:23

AgentAudit：AI智能体全生命周期信任评估框架

AgentAudit能全面评估AI智能体表现，发现任务完成表现相似但信任度差异巨大的模型，比传统通过/失败基准更精准。

#AgentAudit #AI智能体 #评估框架 #Claude

arXiv: OpenAI@Shrey Nag 等 5 人原文

论文 Agent 与开发者精选00:47

Agent优化在于工具边界而非模型本身

LangSmith团队发布新论文，教你如何通过工具边界优化提升Agent可靠性，比单纯改提示词更有效。

#PRISM #LangSmith #Agent #工具边界

Harrison Chase@hwchase17原文

论文 Agent 与开发者精选10:34

AI模型处理用户分歧的权威管理研究

这篇论文揭示了AI模型如何应对用户质疑，不同模型在权威转移和坚持原主张上的差异很有意思。

#GPT-5.2 #DeepSeek 7B #大语言模型 #对话分析

arXiv: DeepSeek@Riyadh Alnasser 等 4 人原文

论文 Agent 与开发者多源确认10:33

RAME框架在谷物育种信息提取任务中夺冠

DeepSeek团队用RAME框架在谷物育种信息提取任务击败GPT-5.5，代码已开源。

#RAME #DeepSeek-V4-Flash #GPT-5.5 #信息提取

事件专题

arXiv: DeepSeek@Hang Zhao, Jiahao Wang4 个信源在谈原文

论文 Agent 与开发者多源确认精选73°09:22

Substrate-Aware AI Agents: Execution Context as a First-Class Input

Claude、GPT-5和Gemini在代码生成时加入执行约束后，代码效率大幅提升，最高快3.1倍。

#Claude #GPT-5 #Gemini #智能体

事件专题

arXiv: OpenAI@Manu Agrawal11 个信源在谈原文

论文中美对照精选73°02:17

腾讯发布环境进化论文解决智能体训练难题

腾讯这篇论文解决了智能体RL的环境供应瓶颈，提出不依赖智能体弱点就能提升环境难度的方法。

#Tencent #环境进化 #智能体 #强化学习

elvis@omarsar0原文

论文多源确认11:23

终端智能体环境演化方法研究

研究人员提出环境演化方法，让终端智能体训练环境持续变难，在Qwen模型上提升了18%性能。

#环境演化 #终端智能体 #Qwen3.6 #Claude Opus

事件专题

arXiv cs.AI@Zhiyuan Fan 等 12 人4 个信源在谈原文

论文 Agent 与开发者精选73°10:02

HarnessDev基准评测LLM创建Agent Harness能力

ByteDance团队推出HarnessDev基准，首次评测LLM能否自己创建Agent执行框架，发现模型间harness迁移性极差。

#HarnessDev #Agent #LLM #ByteDance

事件专题

shao__meng@shao__meng2 个信源在谈原文

论文精选73°10:48

LLMPEDIA：大模型参数化知识百科

LLMPEDIA 让你能直接查看和比较三大模型的知识准确性，发现它们在 MMLU 外的真实表现。

#LLMPEDIA #GPT-5-mini #DeepSeek-V3.2 #Llama-3.3-70B

事件专题

arXiv: DeepSeek@Muhammed Saeed, Simon Razniewski2 个信源在谈原文

论文中美对照04:33

Qwen团队发布电商智能体基准测试

Qwen团队测试了18个模型在365天电商运营中的表现，GPT-5.6 Sol盈利最多但效率不高，Qwen3.8-Max-Preview在开源模型中领先。

#Qwen #GPT-5.6 #E-Commerce Bench #智能体

elvis@omarsar0原文

论文精选12:20

ECGQuest：心电图语言模型评测与微调基准

ECGQuest为心电图领域语言模型提供了首个专业评测基准，微调让小模型接近大模型表现。

#ECGQuest #GPT-5 #DeepSeek-R1-Distill-Qwen-14B #微调

arXiv: DeepSeek@Mohammadsina Hassannia 等 3 人原文

论文精选73°10:18

多图像物体幻觉基准MIOH发布

MIOH基准帮你看清多模态模型在复杂视觉推理中的真实表现，GPT-5和Gemini-2.5-Pro也不例外。

#MIOH #多图像物体幻觉 #MLLMs #GPT-5

arXiv cs.AI@Joonki Min 等 7 人原文

论文78°09:33

LoopArena：模型作为管理者的可测量基准

LoopArena 基准首次单独测量模型作为'管理者'的能力，发现 GPT-5.5 在长程任务中表现最佳，但成功率仍不足 25%。

#LoopArena #Qwen3.7-Plus #GPT-5.5 #Claude Opus

事件专题

shao__meng@shao__meng2 个信源在谈原文

论文精选09:20

多智能体LLM交接中的边界元数据崩溃

多智能体系统交接时边界信息容易丢失，明确约束可大幅降低隐私泄露风险。

#多智能体 #LLM #GPT-5 #DeepSeek-R1-32B

arXiv: DeepSeek@Yian Wang 等 4 人原文

论文精选73°17:19

研究评估人类与大语言模型的心智化能力

这篇论文用经济游戏测试了四大模型家族的心智化能力，发现GPT-5能灵活调整推理深度，表现超过人类。

#GPT-5 #DeepSeek #Gemini 2.0 #心智化

arXiv: DeepSeek@Aamir Sohail 等 5 人原文

论文09:25

LocalLSTC：用于本地GUI代理的长期短期控制架构

LocalLSTC通过时间组织控制信息，显著提升了本地GUI代理的性能，值得研究。

#LocalLSTC #长期短期控制 #GUI代理 #Qwen3.6-27B

arXiv cs.AI@Weiming Li 等 3 人原文

论文 Agent 与开发者11:29

Recursive Experiential-Working Memory Evolution for Long-Horizon Agent Harnesses

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。

#Recuris #递归记忆架构 #GPT-5.6 Sol #Claude Opus 5

事件专题

arXiv cs.AI@Zhaochen Yu 等 8 人2 个信源在谈原文

论文11:11

StepGuard：学习级联防护与安全-效用平衡

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。

#StepGuard #安全防护 #级联防护 #数据生成

arXiv cs.AI@Zhijie Zheng 等 8 人原文

论文多源确认10:18

模型发布如何塑造Reddit对对话式AI系统的看法

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。

#对话式AI系统 #模型发布 #用户感知 #Reddit讨论

事件专题

arXiv: OpenAI@Vahid Rahimzadeh 等 3 人11 个信源在谈原文

论文多源确认10:24

LLM-Enhanced Commit Message Generation via Issue Information: An Exploratory Study

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。

#LLM #Commit Message Generation #ISAC #GPT-5.5

事件专题

arXiv: DeepSeek@Zongen Ren 等 5 人5 个信源在谈原文

论文多源确认10:16

LLMs在语法工程中的实用性评估：Cantonese ParGram资源和控制实验

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。

#GPT-5.4 #语法工程 #LLMs #Cantonese ParGram

事件专题

arXiv: OpenAI@Chit-Fung Lam5 个信源在谈原文

论文10:34

Repo0：设计驱动零到全代码生成

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。

#代码生成 #大型语言模型 #Repo0 #功能覆盖率

arXiv: DeepSeek@Silin Chen 等 8 人原文

论文11:38

连续代码世界模型中的采样验证风险法则

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

#Code World Model #GPT-5.x #连续控制 #采样验证

arXiv cs.LG@Javier Aguilar Martín原文

论文02:56

Artificial Analysis 发布 Search Index 基准

选搜索 API 有参考了，Search Index 测了 7 家，Parallel 和 Exa 排名靠前。

#Artificial Analysis #Search Index #Parallel #Exa

官方账号Decoder@Matthias Bastian原文

论文15:25

PIHF：将后训练强化学习引入上下文学习的新方法

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。

#PIHF #上下文学习 #强化学习 #罕见病诊断

arXiv cs.AI@Minh-Ha Nguyen, Cathy Shyr原文

论文10:27

上下文压缩的隐性代价：智能体交互成本测量

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。

#上下文压缩 #智能体 #GPT-5.5 #DeepSeek

arXiv: DeepSeek@Shuyu Liu原文

论文 Agent 与开发者10:26

重新审视生成式AI在入门面向对象编程测评中的表现：2026年见解

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。

#ChatGPT-5.2 #DeepSeek-V3 #Gemini 2.5 Flash #Claude Sonnet 4.5

arXiv: DeepSeek@Marina Lepp, Joosep Kaimre原文

论文精选10:23

StateM 运行时实现 Terminal-Bench 2.1 95.3% 原始准确率

StateM 不改模型权重，光靠升级执行系统就把 GPT-5.6 在终端测试的准确率拉到 95.3%，成本只要 15 美元，值得看看它的思路。

#StateM #GPT-5.6 #DeepSeek-V4 #智能体

arXiv: DeepSeek@Ziheng Qin 等 4 人原文

论文10:21

PACE-Bench：动态环境下基于代码演进的物理适应基准

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。

#PACE-Bench #GPT-5.5 #Qwen3-14B #物理适应

arXiv cs.AI@Yuhao Zhan 等 4 人原文

论文多源确认10:19

重新思考自动程序修复：Bug复杂度、故障定位与LLM成本效率

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。

#DeepSeek #GPT-5 #自动程序修复 #故障定位

事件专题

arXiv: DeepSeek@Junchi Liu 等 6 人11 个信源在谈原文

论文多源确认83°00:33

研究反驳Anthropic与OpenAI：自主AI研究尚不可及

普林斯顿和英国AI安全所让Claude和GPT-5写论文，全拒，打脸Anthropic和OpenAI。

#Claude Opus 4.8 #GPT-5.6 Sol #Anthropic #OpenAI

事件专题

官方账号Decoder@Jonathan Kemper11 个信源在谈原文

论文 Agent 与开发者12:10

QuoteBench：匹配分数掩盖命令路径失败

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。

#QuoteBench #GPT-5.6-sol #编程助手 #智能体

arXiv cs.AI@Shangao Li 等 4 人原文

论文 Agent 与开发者18:39

LoRA微调让小型开源模型胜任数学隐喻编码任务

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。

#LoRA #微调 #DeepSeek-R1 #Mistral 7B

arXiv: DeepSeek@Liang Zhang 等 4 人原文

论文多源确认18:38

中国前沿大模型并非铁板一块：实验室间合作均衡差异显著

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。

#DeepSeek V4 Pro #Qwen3-Max #Kimi K2.5 #GLM-5.1

事件专题

arXiv: DeepSeek@Francisco León Zúñiga Bolívar5 个信源在谈原文

论文17:56

LLM验证新框架：选择性精修提升医疗问答准确率

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。

#GPT-5.5 #DeepSeek-R1 #MedQA #MedReason

arXiv: OpenAI@Uma Ranjan 等 12 人原文

论文11:13

完全二叉树的行路径宽度下界问题获解

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。

#GPT-5.6 #OpenAI #图论 #路径宽度

事件专题

arXiv: OpenAI@Jędrzej Hodor, Piotr Micek2 个信源在谈原文

论文多源确认11:13

Fisher-R1：训练LLM代理实现可靠假设检验

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。

#Fisher-R1 #P-Bench #假设检验 #智能体

事件专题

arXiv cs.AI@Jiacheng Miao 等 4 人4 个信源在谈原文

论文12:27

Video-DeepResearch：下一代多模态深度研究智能体

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。

#Video-DeepResearch #多模态 #智能体 #GRPO

arXiv cs.AI@Zhen Fang 等 20 人原文

论文多源确认10:03

UrbanAgent：跨系统城市任务的工具增强智能体框架

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。

#UrbanAgent #Urban-Eval #智能体 #MCP/工具

事件专题

arXiv: DeepSeek@Jiayu Cao 等 9 人8 个信源在谈原文

论文多源确认09:58

LLM评审与人类同行评审对齐程度如何

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。

#GPT-5.4 #Gemini 3.1 Pro #Claude Opus 4.6 #论文评审

事件专题

arXiv: OpenAI@Abraham Camelo-Guerrero, Jairo Diaz-Rodriguez11 个信源在谈原文