最新 AI 新闻与行业动态

模型 Agent 与开发者多源确认精选03:27

webAI 开源 TwIL-8B：4.98 GiB 量化即可在 CPU 上跑

webAI 开源了 TwIL-8B，量化后不到 5 GiB 就能在 CPU 上跑，编程和数学成绩却逼近甚至超过多个前沿大模型，老电脑也能玩。

#TwIL-8B #webAI #IBM Granite #Qwen3.5

事件专题

rohanpaul_ai@rohanpaul_ai5 个信源在谈原文

论文政策与合规18:46

研究称 Claude Opus 4.8 生成的论文评审已全面优于人类专家

Anthropic 的 Opus 4.8 写的论文评审，在所有指标上赢过了期刊公认的高质量人类专家评审，同行评审要变天了。

#Claude #Opus 4.8 #AI安全 #学术论文

事件专题

Teortaxes@teortaxesTex2 个信源在谈原文

论文政策与合规16:04

哈佛研究：Claude Opus 4.8 写的论文评审全面超过人类专家

哈佛用 1124 篇论文做了盲测，Claude Opus 4.8 写的评审错误率只有人类的三分之一，做科研的可以看看这套流程。

#Claude #GPT-5.5 #peer review #AI安全

rohanpaul_ai@rohanpaul_ai原文

论文多源确认12:18

研究：Claude Opus 4.8 在同行评审中表现匹敌人类专家

有人拿 124 篇哈佛论文测试 Opus 4.8 当审稿人，结果和人类专家打平，搞科研的朋友可以看看细节。

#Claude #Opus 4.8 #同行评审 #科研

事件专题

Ethan Mollick@emollick11 个信源在谈原文

论文 Agent 与开发者精选22:35

Simular Agent S4：用元智能体自动演化智能体操作界面

Simular 这篇论文挺有意思：让一个元智能体自动给电脑操作智能体造界面和工具，27B 开源模型干赢了 GPT-5.5，成本还便宜几十倍。做智能体的都该看看。

#Agent S4 #Simular #OSWorld #智能体

事件专题

DAIR.AI@dair_ai2 个信源在谈原文

论文 Agent 与开发者多源确认精选16:22

Google Research 开源 Harness²：无验证器也能递归优化智能体 Harness

Google Research 开源的智能体框架，没标准答案也能自动改 harness，弱模型换上后能追平强模型的基础分，代码已开放。

#Harness² #Google Research #GLM-5 #Gemini

事件专题

shao__meng@shao__meng6 个信源在谈原文

模型 Agent 与开发者多源确认精选06:20

Salesforce 用 8B 小模型训练 AI 科研创意生成，创意性超 Claude Opus 4.8

Salesforce 只用 8B 小模型就教 AI 一次写出一堆不重复的科研点子，创意性还赢了 Claude Opus 4.8 和 GPT-6 Astra，做法挺巧的。

#Salesforce #小模型 #推理模型 #论文

事件专题

elvis@omarsar011 个信源在谈原文

行业政策与合规多源确认76°13:54

Anthropic 更新防蒸馏措施，被拦截的套取请求也将收费

Anthropic 把防蒸馏细节讲透了：数万亿 token 说拒就拒，还公布 8.6 个百分点的蒸馏收益实验，做模型训练的都该看看。

#Anthropic #Claude #蒸馏 #推理模型

事件专题

岚叔@lufzzliz11 个信源在谈原文

模型 Agent 与开发者多源确认02:13

Mistral Large 4 预览版登 Code Arena: WebDev 第45名

Mistral Large 4 预览版冲进 WebDev 榜第45名，价格只有 Claude Opus 4.8 的六分之一，10月底还会开源。

#Mistral #Mistral Large 4 #Claude #编程助手

事件专题

lmarena.ai@lmarena_ai11 个信源在谈原文

模型 Agent 与开发者多源确认82°15:16

Mistral Large 4 登陆 Code Arena：WebDev 排名升至第45位

Mistral 的新模型 Mistral Large 4 在 WebDev 榜单一口气从130名冲到45名，价格只有 Claude Opus 4.8 的六分之一，10月底还会开源权重，可以蹲一下。

#Mistral #Mistral Large 4 #Claude Opus #开源模型

事件专题

lmarena.ai@lmarena_ai11 个信源在谈原文

论文 Agent 与开发者精选19:44

Google 发布 VeriHarness：用智能体验证器替代多数投票选答案

Google 这篇论文有点反直觉：答案一致反而可能是错的。VeriHarness 用同款模型当验证器挑毛病，五个基准上都能涨分，数据也开源了。

#VeriHarness #Gemini 3.5 Flash #Claude Opus 4.8 #智能体

事件专题

elvis@omarsar02 个信源在谈原文

论文 Agent 与开发者多源确认83°10:18

长期AI决策能力研究：模型表现远低于人类

最新研究揭示，即使是顶尖AI模型在长期复杂任务中也仅达人类四分之一表现。

#GPT-5.6 Sol #Claude Opus #Qwen3.7-Max #长期决策

事件专题

rohanpaul_ai@rohanpaul_ai3 个信源在谈原文

论文 Agent 与开发者多源确认83°00:09

研究发现：个人智能体会根据用户财富推断推荐更贵选项

你的智能体在偷看你邮件猜你有钱，然后专挑贵的推。32.5万次实验实锤，13个模型都跑不掉，给智能体权限前先看看这篇。

#Claude Opus #Gemini 2.5 Flash #GPT-5.5 #智能体

事件专题

elvis@omarsar04 个信源在谈原文

论文 Agent 与开发者76°06:09

Google DeepMind 提出 XYEval：测试智能体是否会盲从用户的错误建议

Google DeepMind 这篇论文挺扎心的：你给智能体一句自信但错误的建议，它会照做还不吭声，三大主流模型最多掉分 46.7%。

#XYEval #Google DeepMind #Claude #GPT 5.5

DAIR.AI@dair_ai原文

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

模型中美对照多源确认73°11:51

Thomson Reuters 推出大模型 Thomson

Thomson Reuters 花费 4000 万美元训练自己的大模型，用 175 年专业数据，性能接近 Claude Opus 4.8。

#Thomson #Qwen3.5-397B #Claude Opus #Thomson Reuters

事件专题

AI Will@FinanceYF54 个信源在谈原文

模型73°11:51

汤森路推发布Thomson法律大模型

汤森路透花4000万打造的法律大模型Thomson，用175年专业数据训练，性能比肩Claude Opus 4.8。

#Thomson #Qwen3.5-397B #Claude Opus 4.8 #GPT-5.5

AI Will@FinanceYF5原文

论文78°09:33

LoopArena：模型作为管理者的可测量基准

LoopArena 基准首次单独测量模型作为'管理者'的能力，发现 GPT-5.5 在长程任务中表现最佳，但成功率仍不足 25%。

#LoopArena #Qwen3.7-Plus #GPT-5.5 #Claude Opus

事件专题

shao__meng@shao__meng2 个信源在谈原文

产品 Agent 与开发者精选21:08

Firecrawl 开发者索引发布，聚合 7000 万+ 开发文档

Firecrawl 开发者索引，Claude Opus 驱动，检索精准，更新及时，是提升编码效率的好帮手。

#Firecrawl #开发者索引 #智能体 #MCP/工具

shao__meng@shao__meng原文

模型中美对照78°19:58

DeepSeek更新多模态模型

DeepSeek新模型发布，多模态能力提升，值得一试！

#DeepSeek #多模态 #模型发布 #智能体

shao__meng@shao__meng原文

模型中美对照79°02:05

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。

#Faraday #Claude Opus 4.8 #GPT-5.5 #论文复现

事件专题

elvis@omarsar02 个信源在谈原文

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

产品中美对照多源确认精选01:10

Switchyard路由评测：93%任务无需前沿模型，成本降70%

想知道你的智能体能不能少花点钱？LangChain实测NVIDIA的Switchyard，93%任务用30B模型搞定，成本砍七成，准确率还保住九成。

#Switchyard #NVIDIA #LangChain #Claude Opus 4.8

事件专题

官方账号LangChain@LangChainAI11 个信源在谈原文

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

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

模型中美对照精选06:11

GPT-5.6 三变体 Agent Arena 战绩：Sol +10.1%，Terra +4.0%，Luna +3.3%

GPT-5.6 的 Sol 版在 Agent Arena 上表现亮眼，比 Terra 和 Luna 都强，直接对标 Claude Opus 4.8。想了解新模型实力的话可以看看。

#GPT-5.6 #Agent Arena #Sol #Terra

lmarena.ai@lmarena_ai原文

技巧 Agent 与开发者02:00

用Skill在Codex中集成Grok、Kimi、Claude，一键调用多模型

想在一个编辑器里用上Grok、Kimi、Claude？装这个Skill，一句话调不同模型干活，不用来回切换了。

#Codex #Grok #Kimi #Claude

向阳乔木@vista8原文

模型 Agent 与开发者多源确认精选73°01:32

Kimi K3 登顶 Agent Arena 第4名，前端代码竞技场第1名

Kimi K3 智能体能力追上 Claude 和 GPT，还计划开源，前端编码直接登顶，值得关注这个国产模型的新进展。

#Kimi K3 #Agent Arena #Frontend Code Arena #开源模型

事件专题

lmarena.ai@lmarena_ai11 个信源在谈原文

模型中美对照76°09:54

Elon Musk 称 Grok 4.5 综合速度与成本是当前第一

SpaceXAI 的 Grok 4.5 用 $0.31 就干到一流水平，比 Claude 便宜 9 倍，token 还省 6 倍，省钱党可以关注。

#Grok 4.5 #效率 #成本 #基准测试

AI Will@FinanceYF5原文

技巧 Agent 与开发者多源确认精选16:51

基于Claude Design的开发模式与本地集成实践

作者用Claude Design做UI设计，Opus 4.8写代码，还教你怎么把整套流程搬到本地集成到Cursor里，省去网页切换的麻烦。

#Claude Design #Claude Opus #Codex #Cursor

事件专题

宝玉@dotey8 个信源在谈原文

模型中美对照多源确认12:16

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。

#Kimi K3 Max #Claude Opus #GPT-5.5 #知识工作

事件专题

AI Will@FinanceYF53 个信源在谈原文

模型中美对照多源确认03:07

Moonshot开源模型Kimi K3上线，基准超Claude Opus 4.8

开源模型Kimi K3性能吊打Claude Opus 4.8，价格却和Sonnet一样，值得关注。

#Kimi K3 #Moonshot #Claude Opus 4.8 #GPT 5.6

事件专题

The Rundown AI@therundownai11 个信源在谈原文

模型中美对照精选04:40

Grok 4.5以半价在WANDR基准上击败Claude Opus 4.8

Perplexity把Grok 4.5作为Computer的编排模型，代理研究任务得分最高，价格只有Opus 4.8的一半，值得试。

#Grok 4.5 #Claude Opus 4.8 #Perplexity #WANDR

Aravind Srinivas@AravSrinivas原文

模型中美对照04:07

Grok-4.5 在 Code Arena: Frontend 排名第三，与 GLM-5.2 和 Claude Opus 4.8 相当

Grok-4.5 在编码前端基准里干到了第三，比 4.3 狂升 59 名，跟 GLM-5.2、Claude Opus 4.8 一个水平线。想试试新编码模型的可以关注。

#Grok-4.5 #SpaceXAI #Code Arena #编码助手

lmarena.ai@lmarena_ai原文

模型中美对照多源确认精选71°12:46

Claude Opus 4.8 和 Sonnet 5 工具调用反而不如旧模型，原因何在

Armin 用实际 bug 案例拆解了 Claude 新模型在工具调用上的奇怪倒退，解释了为什么更强的模型反而更不听话，读起来很爽。

#Claude Opus 4.8 #Sonnet 5 #Anthropic #工具调用

事件专题

shao__meng@shao__meng11 个信源在谈原文

模型中美对照多源确认02:50

OpenAI研究用GPT 5.5 Pro和Claude Opus 4.8解决9个数学开放问题

这篇展示了用GPT和Claude联手破解COLT、FOCS等顶会未解难题，还开源了pipeline，做理论计算的值得看看。

#GPT 5.5 Pro #Claude Opus 4.8 #OpenAI #数学推理

事件专题

Marc Andreessen@pmarca11 个信源在谈原文

产品多源确认精选73°12:16

Claude 登陆微软 Foundry，Azure 用户可直接使用

Azure 用户现在可以直接用 Claude Opus 4.8 和 Haiku 4.5，不用改现有身份和计费系统，企业部署更快了。

#Claude #Microsoft Foundry #Azure #Claude Opus 4.8

事件专题

AI Will@FinanceYF54 个信源在谈原文

模型 Agent 与开发者多源确认精选72°13:06

GLM-5.2 在 Code Arena 前端排名超 Claude Opus 4.8，仅次于 Fable 5

GLM-5.2 在社区投票的编码竞技场上压过 Claude Opus，你可以在前端任务中试试它的单次生成效果。

#GLM-5.2 #Code Arena #Claude Opus 4.8 #开源模型

事件专题

lmarena.ai@lmarena_ai3 个信源在谈原文

模型中美对照71°05:39

GLM-5.2 (Max) 在 Code Arena: Frontend 以高胜率超越 Opus 系列

GLM-5.2 在前端任务上干掉了 Claude Opus 系列，对 Kimi 和 Sonnet 胜率超 60%，开源模型里相当能打。

#GLM-5.2 #Opus #Kimi-K2.6 #代码生成

lmarena.ai@lmarena_ai原文

模型 Agent 与开发者精选71°22:39

Qwen发布AgentWorld：原生语言世界模型模拟7种智能体环境

阿里Qwen造了个能模拟7种环境的AgentWorld，在AgentWorldBench上干掉了Claude和GPT最新版，训练智能体不用真实环境也能更强，零微调迁移呢。

#Qwen-AgentWorld #智能体 #世界模型 #模拟环境

官方账号阿里通义 Qwen@Alibaba_Qwen原文

模型中美对照精选03:54

Z.ai发布GLM-5.2开源模型，1M上下文逼近Claude Opus 4.8

Z.ai刚刚放出了GLM-5.2，MIT开源、100万上下文、跑分81.0，跟Claude Opus 4.8差距很小，做开源模型的得看看。

#GLM-5.2 #Z.ai #DeepSeek #开源模型

Suhail@Suhail原文

模型中美对照多源确认09:25

AA-Briefcase基准测试：Claude Fable 5领先但任务成本$31，DeepSeek V4 Flash仅$0.04

新基准AA-Briefcase测长期项目，Claude Fable 5最强但贵，DeepSeek V4 Flash极便宜，GLM-5.2性价比超赞。

#Claude Fable 5 #DeepSeek V4 Flash #GLM-5.2 #AA-Briefcase

事件专题

官方账号Clement Delangue@ClementDelangue11 个信源在谈原文

模型中美对照精选73°13:50

Claude Opus 4.8 提升金融工作流引用准确性和 Token 效率

Hebbia 的 CTO 亲测说 Claude Opus 4.8 在金融任务上引用更准、省 token，做财报分析的团队可以试试。

#Claude Opus 4.8 #Hebbia #金融 #引用准确率

事件专题

@hebbia@hebbia2 个信源在谈原文

模型 Agent 与开发者多源确认精选04:51

Claude Design 高精度可交互原型背后是模型能力差距，GPT-5.5 还扛不住

拆解 Claude Design 为何比 Codex 强

#Claude Design #Claude Opus 4.8 #GPT-5.5 #Codex

事件专题

宝玉@dotey11 个信源在谈原文