全部 AI 动态 · AITOP

论文多源确认10:24

LLM-Enhanced Commit Message Generation via Issue Information: An Exploratory Study

研究ISAC框架，了解如何利用问题信息提升LLM生成提交信息的效果，与现有方法相比有显著提升。

#LLM #Commit Message Generation #ISAC #GPT-5.5

事件专题

arXiv: DeepSeek@Zongen Ren 等 5 人5 个信源在谈原文

论文多源确认10:16

LLMs在语法工程中的实用性评估：Cantonese ParGram资源和控制实验

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。

#GPT-5.4 #语法工程 #LLMs #Cantonese ParGram

事件专题

arXiv: OpenAI@Chit-Fung Lam5 个信源在谈原文

论文10:34

Repo0：设计驱动零到全代码生成

Repo0通过GPT-5 mini和DeepSeek V3.2实现了更高的功能覆盖率和通过率，是设计驱动零到全代码生成的创新框架。与RPG相比，性能提升显著。

#代码生成 #大型语言模型 #Repo0 #功能覆盖率

arXiv: DeepSeek@Silin Chen 等 8 人原文

技巧 Agent 与开发者11:44

StagedWorkspace：知识工作智能体的版本化工作空间

StagedWorkspace让AI智能体能追踪文件版本，在OfficeQA和APEX测试中大幅提升表现，比单一视图强很多。

#StagedWorkspace #知识工作智能体 #版本控制 #OfficeQA

arXiv cs.AI@Yining Hua 等 6 人原文

论文11:38

连续代码世界模型中的采样验证风险法则

GPT-5.x修复代码模型缺陷的实验揭示了采样验证的局限性

#Code World Model #GPT-5.x #连续控制 #采样验证

arXiv cs.LG@Javier Aguilar Martín原文

论文15:25

PIHF：将后训练强化学习引入上下文学习的新方法

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。

#PIHF #上下文学习 #强化学习 #罕见病诊断

arXiv cs.AI@Minh-Ha Nguyen, Cathy Shyr原文

论文10:27

上下文压缩的隐性代价：智能体交互成本测量

这篇论文用GPT-5.5和DeepSeek实测发现，压缩上下文会让智能体反复重新查工具，任务成功率却没变。想知道为什么只看完成率会骗人，可以读读。

#上下文压缩 #智能体 #GPT-5.5 #DeepSeek

arXiv: DeepSeek@Shuyu Liu原文

论文 Agent 与开发者10:26

重新审视生成式AI在入门面向对象编程测评中的表现：2026年见解

这篇论文拿五个主流AI模型去考大学OOP期末题，结果都比学生平均分高，但抽象类和图形题还是会翻车，想看AI编程能力真实段位的可以读读。

#ChatGPT-5.2 #DeepSeek-V3 #Gemini 2.5 Flash #Claude Sonnet 4.5

arXiv: DeepSeek@Marina Lepp, Joosep Kaimre原文

论文精选10:23

StateM 运行时实现 Terminal-Bench 2.1 95.3% 原始准确率

StateM 不改模型权重，光靠升级执行系统就把 GPT-5.6 在终端测试的准确率拉到 95.3%，成本只要 15 美元，值得看看它的思路。

#StateM #GPT-5.6 #DeepSeek-V4 #智能体

arXiv: DeepSeek@Ziheng Qin 等 4 人原文

论文10:21

PACE-Bench：动态环境下基于代码演进的物理适应基准

想看看AI在规则变了之后能不能自己改代码？PACE-Bench 专门测这个，目前最强的 GPT-5.5 也只解决了 Statics 子集的三分之二，离满分还远得很。

#PACE-Bench #GPT-5.5 #Qwen3-14B #物理适应

arXiv cs.AI@Yuhao Zhan 等 4 人原文

论文多源确认10:19

重新思考自动程序修复：Bug复杂度、故障定位与LLM成本效率

论文实测三种LLM的修复能力，发现便宜的DeepSeek-V3.2成本效率反超GPT-5，选模型前值得一看。

#DeepSeek #GPT-5 #自动程序修复 #故障定位

事件专题

arXiv: DeepSeek@Junchi Liu 等 6 人11 个信源在谈原文

论文 Agent 与开发者12:10

QuoteBench：匹配分数掩盖命令路径失败

这篇论文用 QuoteBench 拆穿了只看匹配分数的假象，原来 GPT-5.6-sol 的分数是负 64 和正 60 抵消出来的，部署配置一变排名就翻，评估编程智能体前该看看。

#QuoteBench #GPT-5.6-sol #编程助手 #智能体

arXiv cs.AI@Shangao Li 等 4 人原文

论文 Agent 与开发者18:39

LoRA微调让小型开源模型胜任数学隐喻编码任务

想知道小模型微调后能不能干过大厂API？这篇用2千多条真实学生数据实测，DeepSeek-R1 1.5B微调后比GPT-5 mini还稳。

#LoRA #微调 #DeepSeek-R1 #Mistral 7B

arXiv: DeepSeek@Liang Zhang 等 4 人原文

论文多源确认18:38

中国前沿大模型并非铁板一块：实验室间合作均衡差异显著

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。

#DeepSeek V4 Pro #Qwen3-Max #Kimi K2.5 #GLM-5.1

事件专题

arXiv: DeepSeek@Francisco León Zúñiga Bolívar5 个信源在谈原文

论文17:56

LLM验证新框架：选择性精修提升医疗问答准确率

这篇论文教你怎么用弃权信号做推理精修，不用建知识图谱，医疗问答准确率直接涨9.6个点，GPT-5.5和DeepSeek-R1都试过。

#GPT-5.5 #DeepSeek-R1 #MedQA #MedReason

arXiv: OpenAI@Uma Ranjan 等 12 人原文

论文11:13

完全二叉树的行路径宽度下界问题获解

OpenAI的GPT-5.6 Sol Pro帮人解决了一个2022年的数学难题，想知道AI怎么证明图论下界？看这篇。

#GPT-5.6 #OpenAI #图论 #路径宽度

事件专题

arXiv: OpenAI@Jędrzej Hodor, Piotr Micek2 个信源在谈原文

论文多源确认11:13

Fisher-R1：训练LLM代理实现可靠假设检验

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。

#Fisher-R1 #P-Bench #假设检验 #智能体

事件专题

arXiv cs.AI@Jiacheng Miao 等 4 人4 个信源在谈原文

论文12:27

Video-DeepResearch：下一代多模态深度研究智能体

Video-DR 让 AI 边看视频边上网核实信息，35B 参数干翻 Claude-4.5-Sonnet，还开源了，值得试试。

#Video-DeepResearch #多模态 #智能体 #GRPO

arXiv cs.AI@Zhen Fang 等 20 人原文

论文多源确认10:03

UrbanAgent：跨系统城市任务的工具增强智能体框架

想解决城市服务碎片化问题？这个框架把LLM和代码、API、MCP接起来，跑通跨系统任务，成功率比最强基线高10个点。

#UrbanAgent #Urban-Eval #智能体 #MCP/工具

事件专题

arXiv: DeepSeek@Jiayu Cao 等 9 人8 个信源在谈原文

论文多源确认09:58

LLM评审与人类同行评审对齐程度如何

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。

#GPT-5.4 #Gemini 3.1 Pro #Claude Opus 4.6 #论文评审

事件专题

arXiv: OpenAI@Abraham Camelo-Guerrero, Jairo Diaz-Rodriguez11 个信源在谈原文

论文多源确认精选12:26

ICC性质T群不满足W$^*$-超刚性：Connes刚性猜想反例

论文给出了Connes刚性猜想的具体反例，两个不同构的ICC性质T群居然有同构的群von Neumann代数，搞算子代数的人值得一看。

#Connes刚性猜想 #ICC群 #性质T #von Neumann代数

事件专题

arXiv: OpenAI@Shuoxing Zhou6 个信源在谈原文

论文多源确认09:27

Ehrhart体积猜想等号情形获证，GPT-5.6-sol等AI参与

Ehrhart猜想等号情形被GPT-5.6-sol等AI证明了，数学证明也能这么玩。

#GPT-5.6-sol #Ehrhart猜想 #Fable 5 #Danus

事件专题

arXiv: OpenAI@Jihao Liu6 个信源在谈原文

论文 Agent 与开发者多源确认精选09:27

论文提出 Ledger 运行时层，把交互历史转为执行状态，提升长程编码智能体

arXiv 新论文做了个 Ledger 层，给编码智能体记账执行状态。GPT-5 mini 在 SWE-bench 从 56.2% 提到 64.2%，成本降 28.9%。

#Ledger #SWE-bench #GPT-5 mini #MiniMax M2.5

事件专题

arXiv: OpenAI@Zehao Wang 等 8 人11 个信源在谈原文

论文12:35

AskChem：面向化学文献的声明中心检索基础设施

化学论文里找结论太费劲？AskChem 把 14.7 万篇论文拆成带引用的声明，直接搜观点还能看来源，AI 也能通过接口调。

#AskChem #化学文献 #文献综述 #证据图

arXiv cs.LG@Bing Yan 等 4 人原文

论文11:56

Tycho：ARC-AGI-3的程序化世界模型主动抽象

Tycho让AI在ARC-AGI-3里边玩边建模，GPT-5.6和Opus 5都满分通关，动作效率还胜过人类基线。

#Tycho #ARC-AGI-3 #Claude Opus 4.8 #GPT-5.6 Sol

arXiv cs.AI@Jens Lehmann 等 3 人原文

论文11:07

EMBL AI Librarian：为AI智能体打造的生命科学知识层

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。

#EMBL AI Librarian #Europe PMC #GPT-5.4 #智能体

arXiv cs.LG@Luigi Sigillo 等 12 人原文

论文10:46

安全漏洞报告自动识别技术比较分析

这篇论文把七种识别安全漏洞报告的方法拉到一起比了比，结果SetFit最猛，GPT-5.2反而拉胯。做漏洞管理的人可以参考。

#SetFit #GPT-5.2 #RoBERTa #漏洞检测

arXiv: OpenAI@Muhammad Laiq原文

论文 Agent 与开发者10:11

从大语言模型蒸馏答案集编程理论

让模型自己从零写ASP规则，Claude、GPT-5等九个模型限时1小时。CLEVR有人拿满分，GQA上GPT-5跌到41.8%。

#答案集编程 #CLEVR #GQA #Claude

arXiv: DeepSeek@Nelson Higuera Ruiz 等 3 人原文

论文精选09:51

ParliamentBench：新基准评估LLM欺骗与推理能力

新基准用《秘密希特勒》测AI说谎，16个模型里GPT-5.4、Kimi K2.5领先。

#ParliamentBench #GPT-5.4 #DeepSeek 3.1 Terminus #AI安全

arXiv: DeepSeek@Niklas Bauer 等 6 人原文

论文多源确认精选09:43

AgentS4D：LLM工作区智能体执行生命周期的运行时风险基准

AgentS4D 用 328 个风险案例测了 20 种智能体组合，发现 66% 的测试任务虽然完成但实际不安全，别光看结果。

#AgentS4D #智能体 #AI安全 #运行时安全

事件专题

arXiv: DeepSeek@Jiajun Zhou 等 6 人6 个信源在谈原文

模型中美对照12:12

SciFigQual-Bench：面向科学图像质量评估的全文本基准

评估论文图表质量？SciFigQual-Bench这个新基准让GPT-5.6-Sol驱动的SFQ-Agent打分，误差比直问模型低43%，更靠谱。

#SciFigQual-Bench #GPT-5.6-Sol #SFQ-Agent #图像质量评估

arXiv cs.AI@Zihan Deng 等 6 人原文

模型多源确认11:22

APEX-Accounting基准：评估九个前端模型会计能力

想看看AI到底能不能做会计？新出的APEX-Accounting基准拿160道真实会计题考了九个模型，最强Claude Fable-5才56%，离实际干活还差得远。

#APEX-Accounting #Claude-Fable-5 #Muse-Spark-1.1 #会计自动化

事件专题

arXiv cs.AI@Julien Benchek 等 11 人3 个信源在谈原文

论文多源确认09:21

NISPO：开源IUPAC名称生成工具，准确率98.1%

想自动生成分子IUPAC名称？试试NISPO，开源、基于RDKit，在1亿分子上验证准确率98.1%。

#NISPO #RDKit #IUPAC命名 #开源工具

事件专题

arXiv: OpenAI@Nicholas T. Runcie 等 3 人11 个信源在谈原文

论文09:16

从联合国投票数据估算大模型的地缘政治偏好

用联合国投票数据测了四个大模型的政治立场，发现DeepSeek最亲法，GPT-5最亲俄，跟开发者国家不一样。

#DeepSeek #GPT-5 #Claude Sonnet #Gemini

arXiv: DeepSeek@Maxim Chupilkin原文

模型12:30

ClinFusion: 面向整体医学理解的视觉中心多模态LLM系统

ClinFusion用新架构统一2D/3D医学图像，在20/24基准上碾压Hulu-Med、Lingshu，甚至超GPT-5.2。医生盲评说它报告最好，值得关注。

#ClinFusion #医学多模态 #视觉编码器 #GPT-5.2

arXiv cs.AI@Hangjie Yuan 等 24 人原文

论文76°12:03

LLM政治对齐可控性审计：上下文框架主导模型立场偏移

这篇论文用70道政治题+12种人格提示，测了GPT-5、Claude、Grok等7个模型，发现提示词比模型本身更能左右回答方向。想了解AI怎么被‘带节奏’的可以看看。

#GPT-5 #Claude #Grok #Gemini

arXiv: DeepSeek@Bartol Bućan 等 8 人原文

模型精选12:01

RareLens: 利用分歧大模型推理实现罕见病全病程护理

罕见病诊断难？RareLens利用多个大模型的差异推理，在各阶段都超越GPT-5等顶尖模型，准确率还高。

#RareLens #GPT-5 #DeepSeek-R1 #Claude-3.7-Sonnet

arXiv: DeepSeek@Xi Chen 等 27 人原文

模型中美对照多源确认11:47

Kimi K3：2.8T参数开源MoE模型，性能接近Claude Fable 5和GPT-5.6 Sol

Kimi 开源了2.8T参数的K3模型，激活104B参数，能处理百万token上下文，视觉能力也不弱，性能直逼Claude和GPT-5.6，适合用来部署或研究。

#Kimi K3 #MoE #开源模型 #多模态

事件专题

arXiv cs.LG@Kimi Team 等 402 人11 个信源在谈原文

论文10:06

生成式AI证据的半衰期：40条记录审计、声明货币性框架及前沿模型辅助研究

这篇论文研究了AI模型评估结论过时的速度，发现模型发布后近一年结论可能已失效。如果你做AI评测或读评测报告，它能帮你判断证据是否还新鲜。

#GPT-5.6 Sol Pro #OpenAI #模型评估 #声明货币性

事件专题

arXiv: OpenAI@Carlo Iacono2 个信源在谈原文

论文精选09:31

前沿LLM规则评估中的异常链崩溃与Aethis神经符号架构

这篇论文揭露了GPT-5.4和Claude在资格评估规则中会莫名崩溃，还给了个能稳定执行的神经符号方案，搞合规或应用LLM的得看看。

#LLM #异常链崩溃 #神经符号架构 #规则评估

arXiv: Anthropic@Paul Simpson 等 3 人原文