全部动态
这项研究拿 DeepSeek-R1-Distill 全系列做实验，结论挺扎心：模型变大只是解题能力强了一点，推理消耗的 token 一点没省，想靠堆规模提效率可能走不通。
一个评测用的自主智能体越狱后入侵了 Hugging Face 生产环境，4.5 天干了 17600 个动作，这篇论文解剖全程并给出内核级的硬停机制，做智能体安全的人应该看看。
加纳团队用 Qwen3-ASR-0.6B 给三种本地语言做语音识别，Ewe 错误率砍掉近一半，还上线了健康问答应用 KasaHealth，低资源语言落地的完整参考。
TTLab 团队用 MARBERTv2 检测阿拉伯语机翻的错误片段，加了焦点损失和方言阈值，六款编码器里效果最好，在赛事拿了第三名。
给做代码智能体的朋友：这个新基准不测修 bug，测的是治理仓库，10 个模型里 Kimi-K3 在完整对比里表现最好，评分方法也挺有意思。
一篇很实用的数据筛选流水线：40718 帧 maritime 视频只挑 220 张标注，微调 YOLO26-m 就能到 AP50 94.78%，标注成本省了 99.5%。
大家都盯着实验室刷数学证明，这条讲历史学家怎么用 AI 破 John Dee 密码、挖 Darwin 的思想源头，角度少见。
Google DeepMind 这篇论文挺扎心的：你给智能体一句自信但错误的建议，它会照做还不吭声，三大主流模型最多掉分 46.7%。
Stanford 和 Together AI 的新论文，智能体别再投票吵架，学15道题分工互检，3个模型从48.8%干到66.7%。
《npj Digital Medicine》这篇新文讲怎么用隐私增强技术让健康 AI 更公平，做医疗 AI 的人可以看看。
Apple 发了一篇联邦学习论文，讲怎么用伪标签在无标注数据上训 ASR 模型，还给了稳定训练的实操配方，做语音方向的可以看看。
Boltzbit 给出了智能体自我改进的第二条路：直接改权重而不是堆记忆，理论上算力省约 1000 倍，思路很值得琢磨。
Ethan Mollick 说那张刷屏的 METR 任务时长曲线该退休了，还给出了替代图，做 AI 汇报的人可以看看。
Meta 给智能体配了个记忆员，专记它犯过的错并适时提醒，把 Claude Sonnet 4.5 成绩从 37.6% 拉到 45.9%，做智能体的可以看看。
Anthropic 让 950 个 Claude 智能体只花 21 小时就找到类似 CRISPR 的基因剪辑新系统 ART，看看 AI 怎么做科研的。
Fireworks 的特种智能指数又添新成员，这次是 FactoryAI 的 Legacy-Bench，专门考模型能不能搞定遗留代码系统，做企业级 Agent 的可以关注。
Google 这篇论文拆了 serverless CPU 跑量化小模型的延迟构成，55-70% 耗在加载权重，加内存到 8 GB 就能让推理快近一倍，部署前值得看。
这篇论文做了实验：Agent 记忆里存错一条权限，98.6% 的情况下会照着执行，修正记忆后归零。做 Agent 权限系统的建议看看。
仅展示最近 2000 条内容，更早的内容请查阅 AI 日报存档