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。
全部动态
AI 相关资讯全量信息流 · 11 条
10月21日
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。
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
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。
6月18日
模型10:55
TxBench-PP基准测试：AI Agent在临床前药理学任务中表现不佳想看看AI在药物发现中到底行不行？这个基准测试用4800条轨迹告诉你，Claude Opus 4.8和GPT-5.5都还差得远，最高才59.3%的通过率。