全部动态

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%。

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。

OpenAI用GPT-5.5/5.6开发的翻译教学工具，让学生既能操作工作流又能评估AI决策。

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。

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。

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。

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。

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。

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%。

论文提出DARWIN，用进化算法同时生成攻击和训练防护，在DeepSeek-V4-Pro和GPT-5.5上攻击成功率超高，安全召回率也强。

想看看AI在基因组监测上多不靠谱？新基准BioSecBench-Surveillance测了16个模型，最好才一半正确，细节值得细读。

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。

想看最强的AI在实时观察任务上有多弱吗？ActiveVision让GPT-5.5和Claude Fable 5原形毕露，人类碾压它们。

这篇论文用Claude Code和OpenAI Codex实测了记忆注入攻击，发现一旦恶意指令写入记忆，后续会话都危险，搞AI安全的一定要看看。

这篇论文提出沙漏推理，让GPT-5.5和Gemini 3.1 Pro在ARC-AGI、ChipBench等基准上大幅提升，不是靠新模型，而是靠精巧的推理结构设计，值得搞推理的人看看。

想了解用非英语自然语言写代码任务的基准？RuBench用俄语从真实提交中挖了25个任务，还抓到了模型被悄悄替换的证据。

想看看AI智能体怎么自己迭代策略吗？EvoPolicyGym这个新基准让GPT-5.5跑了16个强化学习环境，全部拿到前两名。

想搞形式化验证代码生成？这篇论文的 AxDafny 用验证器做迭代修复，把 Dafny 编程题的验证成功拉到 92.7%，比之前的最好方法还高 6.5 个百分点。

如果你对多语言OCR或印地语文本识别感兴趣，这篇论文揭示了主流模型在天城体上的真实差距，尤其是GPT-5.5表现不如开源Qwen3-VL-8B。

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。

这篇论文提出了一个可扩展的框架，用GitHub Issues来测试LLM智能体找论文代码的复现问题，比现有手动基准好很多，值得看。

动物福利问题有了AI专属的代理基准TAC，实测Claude Opus 4.7刚过一半，加个提示词能暴增60%，暴露了模型在实际行动中的盲区。

这篇论文测试了GPT-5.5、Claude Opus 4.7和Qwen3-Coder-Next用智能体写并行Julia代码，在超算上跑192核，发现小规模还行，大规模容易死锁或OOM，开源模型最差。做HPC或Julia并行开发的人值得看。

做基因组学分析的团队终于有了一个可复现的AI能力评估标准——EpiBench揭示了当前最强模型在专业科学判断上的天花板，做生物信息学工具开发或AI+生命科学研究的建议点开看看差距在哪。

做多语言智能体或网页浏览任务的团队会立刻意识到差距——韩语场景下最强模型准确率不到一半，说明现有评估严重偏向英语。做韩语 NLP 或本地化产品的开发者可以直接用这个基准测试自己的模型。