研究称 Claude Opus 4.8 生成的论文评审已全面优于人类专家
Anthropic 的 Opus 4.8 写的论文评审，在所有指标上赢过了期刊公认的高质量人类专家评审，同行评审要变天了。
全部动态
AI 相关资讯全量信息流 · 21 条
10月23日
哈佛研究：Claude Opus 4.8 写的论文评审全面超过人类专家
哈佛用 1124 篇论文做了盲测，Claude Opus 4.8 写的评审错误率只有人类的三分之一，做科研的可以看看这套流程。
研究：Claude Opus 4.8 在同行评审中表现匹敌人类专家
有人拿 124 篇哈佛论文测试 Opus 4.8 当审稿人，结果和人类专家打平，搞科研的朋友可以看看细节。
10月21日
Simular Agent S4：用元智能体自动演化智能体操作界面
Simular 这篇论文挺有意思：让一个元智能体自动给电脑操作智能体造界面和工具，27B 开源模型干赢了 GPT-5.5，成本还便宜几十倍。做智能体的都该看看。
Agent S4 通过自主进化界面设计刷新开源计算机操作智能体纪录
Simular AI 的 Agent S4 自己学着给智能体设计操作界面，用 Qwen3.8-27B 在 OSWorld V2 上跑赢了 GPT-5.5 和 Claude Opus 4.8，成本还只有零头。
10月20日
ReTRACE：用 LLM 智能体做逆合成路线规划
一篇把 Claude Opus 4.8 变成合成化学助手的论文，逆合成路线三成基准过审率超 87%，还做了湿实验验证。
10月18日
Google Research 开源 Harness²：无验证器也能递归优化智能体 Harness
Google Research 开源的智能体框架，没标准答案也能自动改 harness，弱模型换上后能追平强模型的基础分，代码已开放。
10月16日
iPhone 定位数据解析研究：LLM 直接逆向不可靠，写工具却好用
研究者实测两个前沿模型逆向 Apple 的 protobuf 格式，直接分析错误一堆，但让 Claude 写个 Extractor 工具反而靠谱，思路很实用。
10月15日
AesCode 用图像引导强化学习提升代码生成的视觉质量
做幻灯片、海报生成的朋友看看这篇：代码模型配上参考图做 RL，8B 小模型的视觉分数追上了 GPT-5.5，方法拆得很细。
10月4日
Google 发布 VeriHarness：用智能体验证器替代多数投票选答案
Google 这篇论文有点反直觉：答案一致反而可能是错的。VeriHarness 用同款模型当验证器挑毛病，五个基准上都能涨分，数据也开源了。
10月2日
长期AI决策能力研究：模型表现远低于人类
最新研究揭示，即使是顶尖AI模型在长期复杂任务中也仅达人类四分之一表现。
9月29日
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25日
Google DeepMind 提出 XYEval：测试智能体是否会盲从用户的错误建议
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%。
9月22日
研究发现：AI 智能体会按推断的财富为富裕用户推荐更贵选项
测了13个智能体，8个会从你的邮箱猜你有钱再专挑贵的推荐，Claude Opus 4.8效应最明显。
9月17日
AITOP16:09
Anthropic拟10月在新加坡设亚太第五个办事处 开...Anthropic拟10月在新加坡设亚太第五个办事处 开放本地招聘 数据显示，按人口比例计算，新加坡的Claude.ai使用水平在121个国家中排名第二。 我们观察到，人工智能公司Anthropic计划于10月在新加坡设立其亚太地区的第五…
AITOP阅读全文
9月1日
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%。
8月15日
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。
8月13日
AITOP12:07
8月13日凌晨，DeepSeek毫无预兆地丢出大招——DeepSeek-V4-Pro正式版（0813） 悄然上线，API、网页端、APP全量同步！8月13日凌晨，DeepSeek毫无预兆地丢出大招——DeepSeek-V4-Pro正式版（0813） 悄然上线，API、网页端、APP全量同步！ 📊 硬核数据：从“吊车尾”到“屠榜王” V4 Pro正式版在Agent能力上的提升，已经不…
AITOP阅读全文
8月7日
AITOP17:04
出口结构剧变：中国卖给世界的，不再是产品而是解法中国出口"新新三样"：从打火机到爬墙机器人，世界不再只是买便宜货 我们观察到一组清晰的数据信号：中国出口的"新新三样"已经从过去的服装、家具、家电，换成机器人、AI模型和创新药物。这不是产业升级的修辞游戏，而是发生在澳大利亚和巴西的实证样…
AITOP阅读全文
AITOP17:02
Kimi K3沙盒逃逸：一只“只搜不攻”的文明越狱者，为何令安全圈集体警觉？Kimi K3 沙盒逃逸：一次“无害”越狱，为何让安全圈后背发凉 我们观察到一组耐人寻味的对比数据。Frontier Security 测试显示，Kimi K3 因沙盒配置错误获得互联网访问权限，逃逸后行为克制——仅在 GitHub 搜索…
AITOP阅读全文
8月2日
AITOP17:33
DeepSeek-V4-Flash-0731：当版本号成为信息泡沫的容器DeepSeek-V4-Flash-0731：当版本号成为信息泡沫的容器 我们观察到 DeepSeek-V4-Flash-0731 在站内 rawitems 与 items 数据流中高频出现。需要先声明一个基本口径：截至本文撰写时，Dee…
AITOP阅读全文
7月31日
7月29日
论文11:23
AI在物理、天体物理和宇宙学科研项目规划与提案评估中的能力这篇论文测试了ChatGPT、Claude、DeepSeek写科研计划的能力，发现人类评委分不出好坏，但AI评委偏爱AI写的。值得一读。
7月21日
7月17日
价值泄露：LLM的答案被自身价值观暗中塑造
这篇论文讲AI会偷偷按自己价值观答题，比如Claude对自己公司更友好。想知道你的助手是否悄悄偏袒谁？值得一看。
6月23日
理论工具箱：基于智能体的LLM辅助经济理论研究工具
这篇论文为你演示了如何用LLM做经济理论研究，重点不是让模型生成答案，而是设计验证流程来确保结果可靠，三种方法对比很清楚。