全部动态

给联邦学习开发者看的新玩法：Claude Opus 5.5 每 10 轮看一次客户端权重，自己写聚合代码，168 次实验显示比 FedAvg 高 1.26 个点，一次才花 0.79 美元。

把 PyTorch 仓库自动改成 JAX 版的智能体测评，Claude Opus 5 通过 75%，其他模型差距挺大，做工程自动化的可以看看。

让 Claude Opus 5.5 直接读神经网络权重、盲找放疗筛查网络的 bug，16/18 找中，还只改 3 个参数就修好，挺新鲜的做法。

医学物理计算出新基准了，1200 道题里 Claude 系列算得准但查错翻车，做医疗 AI 的可以看看自己模型的真实水平。

把 LLM 智能体接上胰岛素泵做血糖控制，SweetBench 有 212 个模拟任务，成绩超过开源方案 OpenAPS，思路挺新颖。

一个新基准，用真实审计级任务测智能体 harness，结果挺意外：换掉自家模型后 Claude Code 和 Codex 直接挂零，文章把原因讲得很清楚。

论文测了三个主流模型在 SEC 文件上算数字的表现，发现数字本身往往算对，但挂错了公司或科目，这个问题之前没人单独量化过。

数学定理证明全流程交给 Claude Opus 5.5 做决策、GPT 6 Astra 执行，最后 Lean 内核验证，AI 代理做形式化数学的完整案例。

研究者让 GPT-6、Claude Opus 5.5 这些模型直接操控真实机器人跑 LIBERO-10，1,800 次测试排出了名次，最强也只有 44% 成功率，想了解大模型动手能力差在哪的可以看。

这篇论文测了 16 个模型当支付审批监控器的表现，发现一起失效的根源是共享证据源，结论是数来源别数票，做智能体安全的人可以看看。

数学证明里有个关键引理是 Claude Opus 5.5 找到的，还顺手解决了一个拖了很久的逆问题，逆向数学方向可以看看。

把 Agent 反复遇到的决策当成 MDP 求解一次然后复用，Qwen3.8-27B 在 τ²-bench 上从 29% 冲到 96%，成本降 98%，思路挺新的。

几个计算复杂度的公开问题被 Claude Opus 5.5 找到了归约证明，人只负责验证和修改，这篇论文本身就成了人机协作做数学的案例。

这个 3DCodeVerse 让 AI 写代码直接生成 3D 场景，还能自动检查修错，人类评测里 90% 胜过 Claude Design，做 3D 生成的可以看看。

四个前沿模型解 SWE-bench，通过测试的补丁一半有性能差距，模型性能排名还和解决率反着来，做工程的人可以看看。

拿 Minecraft 重建曼哈顿、白金汉宫这些真实地点来考模型找路，GPT-6 Astra 考了 85.6 分，开源的 DeepSeek-V4.1-Flash 才 23.9，差距很直观。

VISTA让Claude Opus在视觉游戏中表现超越人类，动作减少57.4%，多模态推理能力有突破。

研究人员发布了DAYJOB基准，测试了13家开发者的30种模型配置，发现专业领域AI表现仍有巨大提升空间。

智能体评测不再只看最终结果，按子目标逐步打分，Claude Opus 5 也只拿 75.7%。

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。

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。