全部动态

论文提出 VulnLens，用 LLM 从 7 个固定视角写安全解释再训练分类器，在 PrimeVul 上 F1 超过 DeepSeek V4 Pro 和 Gemini 2.5 Pro。

四个主流模型谁更懂“你现在的状态”？这篇论文用五臂对照实测了，结果比想象中微妙，做对话产品的可以看看评测方法。

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。

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。

这个新基准专测智能体治理委员会会不会被骗：冒充流程的攻击让 GPT-6 Luna Pro 从 34 分掉到 6，挺扎眼的。

这篇论文造了个诊断集，专门测长上下文模型“找到了但没用上”的问题，DeepSeek 两个模型都被测出检索满分但解读掉分，做长文本评测的可以看看。

这篇论文提出了一个评估LLM智能体在金融合规中规则归因的新方法，值得一读。它通过实验展示了规则指导如何减少违规行为，并强调了监控的重要性。

这篇论文让AI Agent自己找预取器失败原因并造新方案，结果比人类设计的Alecto和Berti还强，值得看看。

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。

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%。