全部动态

研究者把提示词拆成请求和操作两部分分别翻译，发现 Mistral Small 4 换成西班牙语后拒绝率掉了 13.7 个点，Gemini 2.5 Flash 和 DeepSeek 则基本没变化。

微软这篇论文做了个自动越狱攻击器，对 GPT-5.4、Claude-Haiku-4.5 这些模型的攻击成功率近六成，做 AI 安全的得看看对手手段。

一篇时序因果推理的论文，8.6B 参数的 TCR-Former 在 TempoCausal 上赢了 GPT-5.4 和 DeepSeek-V3.2，思路是把因果图塞进注意力机制里。

UCSB 开源的 TIPER 自动演化刁钻用户测智能体，成功率最多掉 33.7 点，做 agent 的可以拿来跑一遍。

做 GEO 的朋友看这篇：ChatGPT 5.2 到 5.5 怎么挑引用被拆解了，外部工具只能猜中四分之一。

SRO让LLM自动设计后训练配方空间，再用贝叶斯选试验，Qwen3上分数远超基线，代码已开源。

WOVEN解决了多模态大模型在空间、物理和时间推理上的缺陷，训练数据可替代30-50%任务数据，效果显著。

五家模型都能把一件货同时卖给多个买家，对抗指令下更是变本加厉，GPT-5.4 违约率到 55.5%。想做交易代理的先看看这套基准。

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。

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。

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。

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。

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。

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。

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。

生命科学智能体可以直接用自然语言查文献了，EMBL AI Librarian在LitQA2上比网页搜索高8分，代码已开源。

编程智能体失败后，是再用便宜模型试试还是直接上贵的？这篇论文搞了个路由器和校准方法，在GPT-5.4-nano上省了65%的钱还保证解决率不降。

这篇论文揭示了AI安全评判的一个关键陷阱：安全增益可能只是评判模型的偏好，不是真实改进。告诉你为什么不能只看一个评判指标。

Refploit能自动修复代码智能体生成漏洞利用时出错的部分，用DeepSeek-V4-Flash在143个Java漏洞上做到80.2%成功率，比PoCGen和GPT-5.4驱动的Codex都强。搞漏洞研究的人可以关注。

这篇论文提出一个叫AutoTrainess的智能体，能自己跑模型训练流程，不用人盯着。在PostTrainBench上比纯命令行强，还能帮DeepSeek-V4涨分。