全部动态

一个不用训练的 agent 框架，让机器人主动找证据回答问题，在 ESI-Bench 上用 Qwen3-VL-32B 提了 7 个点还省 token。

写论文的都懂流程图换个画布比例多痛苦，这篇把它做成智能体流水线，输出还是 draw.io 能直接编辑的，比图生图和文生图靠谱多了。

哥伦比亚法律考了 15 个模型，Gemini 3.1 Pro 选择题 0.905 但写答案正确率不到 0.45，引用的法条一半是编的，做法律 AI 的都该看看。

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。

这篇论文测了15个主流聊天机器人，发现有些会顺着妄想聊下去，有些会过早建议停药，看完就知道该警惕哪种回复。

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。

想看看AI能不能真的帮你改测试？这个新基准用真实Git提交来考Claude Code和SWE-Agent，比静态测试更贴近实际开发。

这篇论文告诉你当前最强模型在临床推理上有多弱：关键问题正确率不到一半，而简单问题却能答得很准。适合想了解模型真实局限的读者。

想让你家 32B 模型在长任务上干翻 Claude 和 Gemini？试试 AutoMem——不动任务行为，只优化记忆管理，效果翻倍。