ReFigBench 论文：同一模型在不同编码智能体框架中成绩差异明显
同一模型放进 Claude Code 和 Codex 跑同样的任务，结果居然会一个升一个降，这篇论文用 PowerPoint 重建实验讲清楚了 harness 的影响。
全部动态
AI 相关资讯全量信息流 · 230 条
9月23日
9月22日
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
9月16日
9月9日
9月4日
HarnessDev基准评测LLM创建Agent Harness能力
ByteDance团队推出HarnessDev基准，首次评测LLM能否自己创建Agent执行框架，发现模型间harness迁移性极差。
9月2日
9月1日
8月28日
8月26日
8月18日
Hypha AI用GPT-5.6 Luna做文档提取，成本为GPT-5.5的1/18
OpenAI官方晒了组省钱实测：Hypha AI用GPT-5.6 Luna把文档提取成本降到1/18，准确率还保住98%；RogoAI靠工具调用省了21%输入token。
8月15日
27B参数智能体Faraday复现论文击败Claude Opus 4.8和GPT-5.5
一个叫Faraday的27B智能体，把论文复现变成强化学习任务，在测试集上赢了Claude Opus 4.8和GPT-5.5，还把编码agent当工具用，有点意思。
8月14日
GPT-5.6 Sol 低推理强度超越 GPT-5.5 高推理强度
OpenAI 的 GPT-5.6 Sol 在低推理强度下就超过了 GPT-5.5 的高推理强度表现，还更省 Token，你可以直接上手试试。
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9日
文档解析评测：Gemini 3 Flash最强，但前沿模型视觉能力原地踏步
Jerry Liu说别急着用前沿模型做文档OCR，LlamaParse在表格图表上准确率涨了15%，还能自己搭ParseBench跑评测。
8月8日
Agent Arena：Opus 5 token消耗升至21k，GPT-5.6-Sol效率反升
看Opus 5和GPT-5.6-Sol在同一基准上的表现，一个越强越费token，一个越强越省，挺有意思的对比。
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
Fireworks AI和Arize AI研讨会：对比GPT-5.5、Kimi K3等10模型成本
马上有一场AI模型成本对比直播，看GPT-5.5和Kimi K3等10个模型谁完成任务更省钱，还能直接提问。
8月6日
8月4日
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
8月1日
7月31日
7月28日
7月24日
Arize AI 与 Fireworks AI 测试 10 模型，Kimi K3 接近 GPT-5.5
别只盯着 token 价格了，Arize 和 Fireworks 测了 10 个模型的 2400 次 agent 运行，发现按任务难度的路由能省钱又提高成功率。Kimi K3 还追平了 GPT-5.5。
每周超3亿人用ChatGPT咨询健康，GPT-5.6 Sol提升复杂问题表现
OpenAI公布新数据，每周3亿人用ChatGPT问健康，还出了GPT-5.6 Sol专门优化复杂问答，免费用户也能体验升级。
7月23日
Harness Handbook：静态分析辅助智能体自改进的论文
这篇论文给那些维护大型生产级智能体框架的人一个精准的定位方法，把分散的运行时行为映射到源码，实测提升成功率、降低token消耗，值得细看。
7月21日
Andreessen 在 Rogan 访谈中称 AGI 已到来，并分享 17 条 AI 见解
Andreessen 在 Rogan 播客里聊了3小时，17条干货，包括AGI已到来、用AI看病、年赚5000万的AI程序员等，观点很猛但记得自己验证。
7月18日
7月17日
AI协助解决统计学开放问题：GPT-5.6证明BH过程无法控制FDR
AI真的在推动数学进步了：GPT-5.6只用90分钟就找到了统计学里一个经典开放问题的反例，而5.5版本折腾20小时都没搞定。这篇报告值得所有关心AI科研能力的人看。
Kimi K3 内部跑分三战全胜，超 Opus 4.8 和 GPT-5.5
Kimi 新模型 K3 跑分赢了 Opus 4.8 和 GPT-5.5，2.8 万亿参数还带百万上下文，解码快到飞起，技术细节值得细看。
Kimi K3 Max在内部知识工作基准上超越Claude Opus和GPT-5.5
Kimi K3 Max在三个内部知识工作基准上全面超过Claude Opus和GPT-5.5，适合关注智能体工作流的人看看。
7月16日
GPT-5.6 Sol Pro解决统计学重要开放问题：BH程序在相关数据下无法控制FDR
AI帮你揭开了统计学25年的难题：GPT-5.6 Sol Pro用90分钟证明BH方法在相关数据下会失效，比人类20小时还准。