最新 AI 新闻与行业动态

论文 Agent 与开发者10:33

UserProxyBench评估LLM用户模拟器

新评估框架揭示了用户模拟器对代理测试的影响，能帮你选到最符合需求的模拟器。

#UserProxyBench #UFS #GPT-5.5 #代理基准

arXiv cs.AI@Ashish Jain, Armaan Sandhu原文

技巧 Agent 与开发者多源确认09:27

MCP错误消息损害高性能智能体

MCP错误消息让智能体执行无效操作，凭据错误恢复率仅45%，改进后可达84%。

#MCP #智能体 #错误处理 #OpenAI

事件专题

arXiv: OpenAI@Xiaonan Xu, Wenjing Wu11 个信源在谈原文

论文 Agent 与开发者精选18:49

自动驾驶选择性神经符号推理框架

自动驾驶领域新框架，用符号处理+LLM组合提升问答准确率，计数问题效果尤其明显。

#自动驾驶 #神经符号推理 #NuScenes-QA #GPT-5.4-mini

arXiv: DeepSeek@Yiyao Wang 等 4 人原文

论文 Agent 与开发者14:33

Analog Design Bench 发布：50 个模拟电路任务测试智能体长时程设计能力

模拟电路版 SWE-bench 来了：50 个真实设计任务，15 种智能体跑 2250 次实验，DeepSeek V4 Pro 靠参考拓扑涨了 18.7 个点。

#Analog Design Bench #DeepSeek V4 Pro #GPT-5.6 Sol #推理模型

arXiv: DeepSeek@ Analog Design Bench Team原文

论文 Agent 与开发者14:01

SRHarness 发布：让 LLM 做符号回归的专用运行框架

给符号回归套了个专用运行框架，同样的 DeepSeek 底座准确率从 62% 拉到 94%，还超过了 Codex，做 AI for Science 的可以看看。

#SRHarness #DeepSeek #符号回归 #LLM-SRBench

arXiv: DeepSeek@Zihan Yu 等 5 人原文

论文 Agent 与开发者13:58

Strategy-Diverse RL 训练开源 LLM 做工业级优化元求解器

用强化学习把开源模型训练成会挑求解策略的优化器，成绩还能压过 GPT-5.5，做运筹优化的可以看看。

#SDRL #DeepSeek-V4-Pro #GPT-5.5 #强化学习

arXiv: DeepSeek@Shihao Zhang 等 7 人原文

论文 Agent 与开发者多源确认13:22

MCP 错误信息为人类开发者编写，反而最伤强智能体

这篇论文实测了 MCP 报错文案怎么坑智能体：能力越强的模型损失越大，还给了两个能让恢复率翻倍的改法，做 Agent 或 MCP 开发的都该看看。

#MCP/工具 #智能体 #OpenAI #Berkeley Function Calling Leaderboard

事件专题

arXiv: OpenAI@Xiaonan Xu, Wenjing Wu11 个信源在谈原文

论文 Agent 与开发者10:29

AgentWorld 基准发布：测试多智能体长程协作能力

一个新的多智能体协作基准，用 MMORPG 沙盒逼模型跑 50 多轮团队任务，Gemini 3 Flash 也只拿到 52% 成功率，能看清现在模型协作到底差在哪。

#AgentWorld #多智能体 #Gemini 3 Flash #GPT-5 Mini

arXiv: DeepSeek@Raphael Shu 等 10 人原文

论文 Agent 与开发者多源确认精选12:11

SkillGym：将人类技能内化为 LLM 可复用能力的训练框架

把人类技能攻略变成训练环境喂给模型，微调后 35B 小模型在 SkillsBench 上跑赢了 Claude Sonnet 4.6，方法思路挺有意思。

#SkillGym #Qwen3.5 #智能体 #微调

事件专题

arXiv: DeepSeek@Zhilong Ge 等 9 人6 个信源在谈原文

论文 Agent 与开发者多源确认10:51

Coding Agents 在广义任务与运动规划上超越手工规划器

有人拿 Claude Code 和 Codex 写规划程序，成功率达 95%，比手工规划器高还省十倍算力，代码和提示词全开源了。

#Claude Code #Codex #任务与运动规划 #智能体

事件专题

arXiv cs.AI@Matteo Merler 等 7 人11 个信源在谈原文

论文 Agent 与开发者10:06

GRASP 框架提出分阶段规划方法，多项基准超越 GPT-5-mini

一篇很硬的论文：把规划拆成生成、修订、评估三个隔离模块，ZebraLogic 上比直接让 LLM 规划高 30.8%，还压过 GPT-5-mini 14.5%。

#GRASP #GPT-5-mini #ZebraLogic #智能体

arXiv cs.LG@Arunabh Srivastava 等 5 人原文

论文 Agent 与开发者09:59

研究剖析 83 个智能合约审计 Skill 的设计与实际效果

有人收集了 83 个智能合约审计 Skill 做系统评测，发现效果主要看模型，Codex/GPT-5.5 检测分提升 22.8%，还开源了语料，做 agent 开发的可以看看。

#Claude Code #OpenAI Codex #EVMBench #智能合约审计

arXiv: OpenAI@Cuifeng Gao 等 5 人原文

论文 Agent 与开发者09:50

研究：LLM 修 bug 倾向重写代码而非最小修补

拿 GPT 三个模型在 Codeforces 上测修 bug，发现它们总爱大改甚至重写，对做 AI 编程工具的人挺有参考价值。

#GPT-5 #Codeforces #DeepSeek-R1 #bug修复

arXiv: DeepSeek@Alexandru Stefan Stoica 等 3 人原文

论文 Agent 与开发者多源确认09:49

治理审查自动化替代人类把关的研究框架与 DGF-Bench 评测

几个新模型在治理审查门上分数差距很大，完整路线跑通率最高也只有七成六，作者把为什么开源了，做流程自动化的可以看看。

#DGF-Bench #Gemini 3.8 Flash #GPT-5.6 #DeepSeek

事件专题

arXiv: DeepSeek@Jeremy Canale3 个信源在谈原文

论文 Agent 与开发者10:30

LLM 能否生成阿拉伯古典 Maqama 文体？首个对照评估研究发布

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。

#GPT-4o #GPT-5.4-mini #提示词工程 #阿拉伯语

arXiv cs.AI@AbdulRahman A. Morsy, Aya Zirikly原文

论文 Agent 与开发者多源确认精选09:35

SkillGym：将人类技能内化为 LLM 可复用能力的训练框架

有人把 2756 个智能体技能环境做成了训练集，微调后的 Qwen 35B 跑赢了好几个闭源旗舰模型，做 Agent 训练的可以看看。

#SkillGym #Qwen3.5 #Claude Code #智能体

事件专题

arXiv: DeepSeek@Zhilong Ge 等 9 人6 个信源在谈原文

论文 Agent 与开发者精选10:28

FeatLens：用特征索引做仓库级代码生成检索，token 开销降 45.9%

做仓库级代码生成的可以看看这篇：FeatLens 用功能索引建图再检索，比全仓库图方法省六成节点、四成多 token，检索还不用调 LLM。

#FeatLens #DeepSeek-V3.2 #GPT-5-mini #代码生成

arXiv: DeepSeek@Xutian Li 等 9 人原文

论文 Agent 与开发者10:19

CliffCompaction：让长程编程智能体的上下文压缩成本降低最多 50%

这篇讲了怎么把智能体跑长任务的 token 开销砍一半，方法只有一条：压缩只删不改，还开源了能在 Claude Code 里直接用的实现。

#CliffCompaction #Kimi K2.6 #Claude Code #编程助手

arXiv cs.LG@Trang Nguyen 等 4 人原文

论文 Agent 与开发者09:23

FIRE 运行时策略让 Agent 重复成功率最高提升 9.2 个百分点

一篇很实用的论文：不改模型、不改提示词，只在运行时注入失败 informed 的策略指令，GPT-5.6 跑 Terminal-Bench 的重复成功率就能涨近 10 个点，做 Agent 的可以看看。

#GPT-5.6 #Terminal-Bench #FIRE #智能体

arXiv cs.AI@Nikita Agarwal, Nivedit Jain原文

论文 Agent 与开发者精选09:09

Trains but Doesn't Learn：面向 LLM 智能体交付能力的 Post-Training 基准

这篇论文造了个很较真的基准：不看智能体能不能把指标刷上去，只看它交付的模型到底行不行，连"训练了但没学到东西"这种静默失败都能抓住，四个前沿模型全被拉出来和人类工程师对比。

#Post-Training #LLM智能体 #benchmark #微调

arXiv: DeepSeek@Weihang Ding, Junfei Zhan原文

论文中美对照多源确认74°10:55

GPT-6 Astra 零微调操控机器人，RoboDojo 42 项任务居首

Astra 不微调直接当机器人策略，42 项任务拿下 22.48%，GPT-5.5 只有 0.88%。

#GPT-6 Astra #RoboDojo #具身智能 #机器人操作

事件专题

arXiv: DeepSeek@Wenbo Zhang 等 12 人11 个信源在谈原文

技巧 Agent 与开发者精选09:25

AutoRecLab：用自然语言自动生成推荐系统实验代码

朋友，有个叫 AutoRecLab 的工具，能让你用自然语言描述实验需求，它就能自动帮你生成代码并运行实验，省去手动写代码的麻烦。

#AutoRecLab #RAG #提示词工程 #推荐系统

arXiv cs.LG@Moritz Baumgart 等 6 人原文

模型 Agent 与开发者09:21

GraphSkillEvo 模型发布，通过图结构优化提升大语言模型代理能力

朋友，有个新模型叫 GraphSkillEvo，它用图结构来优化大语言模型的技能，效果比之前的 SkillOpt 好一些，在 GPT-5.4-nano 上提升了 4.01%。

#GraphSkillEvo #GPT-5.4 #技能优化 #推理模型

arXiv cs.LG@Rui Sun 等 4 人原文

论文政策与合规精选78°10:18

GPT模型存在性别歧视转化问题，安全训练后表面无歧视但内容实质未改善

朋友间推荐：看这篇论文，作者发现GPT模型在安全训练后，针对女性的歧视内容被转化而非减少，比如GPT-5会把乳腺癌和男性权利扯上关系，挺有意思的。

#GPT-5 #性别歧视 #安全训练 #代表偏见

arXiv: OpenAI@Sarah Wyer 等 3 人原文

论文 Agent 与开发者精选09:22

研究显示多模态模型在测试边界上存在差异

想了解不同大模型在处理边界测试时的行为差异，这篇论文用具体模型和实验数据说明了情况。

#GPT-5.6 Sol #Claude Fable 5.1 #Gemini 3.8 Flash #多模态

arXiv: OpenAI@Ivy Zhang原文

论文 Agent 与开发者精选09:21

量子经典混合架构QART提升长时推理性能

这个研究挺有意思，用量子经典混合架构QART来提升长时推理，在几个测试上效果比DeepSeek V4和GPT-5.5好不少。

#QART #长时推理 #量子计算 #DeepSeek V4

arXiv: DeepSeek@Lehao Lin 等 12 人原文

论文 Agent 与开发者精选16:33

研究 GPT-5.6、Claude Fable 5.1 和 Gemini 3.8 在任务失败时的行为差异

想了解不同 AI 模型在遇到无法完成的任务时，是停止还是违规，可以看看这篇研究。

#GPT-5.6 #Claude Fable 5.1 #Gemini 3.8 #多代理

arXiv: OpenAI@Ivy Zhang原文

论文 Agent 与开发者多源确认精选13:33

研究显示前沿大模型在架构设计上存在相似性

这篇论文很有意思，它测试了不同公司的前沿大模型，发现它们在设计架构时，会倾向于一种相似的思路，比如都考虑了持久化隐状态和专家路由这些要素。

#GPT-5.6 Sol #GPT-6 Astra #前沿大模型 #架构设计

事件专题

arXiv: Google DeepMind@Afshin Khadangi11 个信源在谈原文

论文 Agent 与开发者精选13:10

研究揭示自动程序修复代理存在安全漏洞

朋友，这篇论文挺有意思的，它测试了几个主流的LLM模型在程序修复时的安全性，发现它们很容易被对抗性攻击诱导出漏洞，这个发现挺有价值的。

#GPT-5-Mini #MiniMax-M2.5 #DeepSeek-R #对抗测试

arXiv: DeepSeek@Fares Trad 等 5 人原文

论文 Agent 与开发者精选13:10

LLM 模型在模拟公众讨论时存在偏见问题

这个研究很实用，帮你判断用 LLM 模拟公众讨论时，模型会不会有偏见，比如会不会让模拟人物对对立派更敌视。

#GPT-5.1 #Gemini 2.0 #Claude Sonnet 4.5 #Llama 3.3

arXiv: DeepSeek@Ahmed Wali, Hassaan Tayyab原文

论文中美对照精选13:04

研究显示大语言模型推理能力提升心理深度需看评判者是谁

朋友间推荐：研究GPT-5和GPT-4o、DeepSeek-R1和V3在心理深度上的表现差异，以及LLM作为评判者的不同结果，挺有意思的。

#GPT-5 #GPT-4o #DeepSeek-R1 #DeepSeek-V3

arXiv: DeepSeek@Ruichen Zheng 等 7 人原文

论文 Agent 与开发者精选12:57

LLM作为裁判评估中，去偏置会降低判断精度

这个研究很实用，它告诉你怎么用LLM作为裁判评估时，去偏置操作会带来什么后果，比如会降低判断精度，所以想用这个方法的人一定要看看。

#LLM作为裁判 #去偏置 #RAG评估 #基准测试

arXiv: DeepSeek@Liang Zhao 等 3 人原文

论文中美对照精选78°09:55

前沿模型在物理领域的表现如何？专家重评揭示基准评估缺陷及近饱和现象

朋友，GPT-5.6-Sol在物理基准测试上的表现被低估了，专家重评后它的分数大幅提升，说明我们之前对模型的评估可能有问题。

#GPT-5.6-Sol #物理 #基准测试 #评估

arXiv cs.AI@Ali Ansari 等 51 人原文

论文 Agent 与开发者精选09:55

研究揭示大语言模型在长流程操作推理上的短板

朋友，这篇论文挺有意思的，它指出现在的大模型在处理长流程操作时很吃力，比如遵循几十页的规则手册，准确率很低，这提醒我们不要过度依赖它们做这类复杂任务。

#GPT-5 #长流程推理 #ICD-10-CM #量刑指南

arXiv cs.AI@Utkarsh Soni 等 5 人原文

论文 Agent 与开发者精选09:41

多语言模型在乌尔都语生成中存在文化语言缺陷

朋友，这篇论文挺有意思的，它专门测试了GPT-5.1、Qwen-3-Max和DeepSeek-3.1这三个大模型在生成乌尔都语故事时的表现，发现它们在文化方面确实很弱。

#GPT-5.1 #Qwen-3-Max #DeepSeek-3.1 #乌尔都语

arXiv: DeepSeek@Farah Adeeba 等 4 人原文

论文 Agent 与开发者精选09:17

首个LLM版本约束理解基准测试集发布

这个研究很实用，它帮你选LLM时有个新维度，比如Claude在版本约束理解上比GPT-5.1强很多，值得看看。

#SemVerBench #LLM #版本约束 #编程助手

arXiv: OpenAI@Qibai Chen, Zeming Liu原文

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