AA-PersonalityBench：MiMo-V2.6-Pro 34% 回复以提问收尾居首
看看谁最爱反问：MiMo-V2.6-Pro 三成回复结尾抛问题，DeepSeek V4.1 Flash 几乎从不，对比很直观。
全部动态
AI 相关资讯全量信息流 · 36 条
11月6日
11月4日
Google DeepMind 与 Stanford 论文：提示图中的红心能让代码模型从 0% 递归变 100%
DeepMind 和 Stanford 发的论文，往编码提示里塞一张红心图，Claude Opus 4.7 和 GPT-5.4 就全改成递归写法了，做图像智能体的得看看。
11月3日
Google DeepMind 论文：简单图形可隐蔽操纵多模态 AI 决策
DeepMind 拿 Claude、Gemini、GPT 做实验，塞张红心图就能让 AI 从循环改成递归，它们还毫无察觉，挺有意思的研究。
11月1日
研究称约 6% 的 agent skill 文件绕过人类检查，现有扫描器漏检严重
扫了 153 万个 skill 文件，发现一堆让 agent 不经确认就干活的指令，扫描器还查不出来，自己写 skill 的都该看看怎么防。
10月29日
Google DeepMind 与 Stanford 研究：图片符号能隐秘操纵模型写递归代码
DeepMind 和 Stanford 发现一张红心图片就能让 GPT-5.4 百分百写递归代码，而且思维链里完全看不出来，做 agent 的都该看看。
10月17日
Epoch AI 测算：开源模型网络攻击能力仅落后闭源 6-7 个月
Epoch AI 测了个网络攻击能力榜单，Zai 的 GLM-5.3 拿 160 分，分数压过 GPT-5.4，开源只落后闭源半年多。
10月16日
自改进 Agent 接受 harness 修改前应在独立新任务上验证
讲自改进 Agent 怎么防止改坏自己：新改动先在独立任务上跑赢旧版才准上线，还给了 GPT-5.4-nano 在 SpreadsheetBench 拿 77.58% 的例子。
10月15日
Claude Haiku 5.5发布Agent Arena评测
Claude Haiku 5.5发布，成本低廉，在Agent Arena评测中表现优异。
10月4日
Microsoft 论文 ScholarEvolve：从已发表研究中自动演化 Agent 框架
Microsoft 这篇 ScholarEvolve 不改模型、只改 harness，就让 Qwen3.5-27B 在 AppWorld 上涨了 14 个点，思路很新颖。
9月28日
SkillGym：用 2,756 个技能环境微调后，Qwen3.5-35B-A3B 在 Terminal-Bench 2.1 提升 19.10 分
把技能文档变成 2756 个训练环境直接练进模型权重，微调后的 Qwen3.5-35B-A3B 在终端基准上超过了 Claude Sonnet 4.6，思路很新颖。
9月22日
Question's Gambit：检索前先走一步，GPT-5.5 涨 7 个点
智能体出发前先搜一轮，GPT-5.5 在 BrowseComp-Plus 涨 7 个点，做深度研究智能体的可以试试这招
9月20日
DAIR.AI 与 MIT 合作提出 SIFT 算法，将代码生成效率提升 10 倍
DAIR.AI 和 MIT 新方法 SIFT，用 LLM 判定器筛选，把代码生成效率提升 10 倍，比 DGM 算法快很多。
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10日
Agent优化在于工具边界而非模型本身
LangSmith团队发布新论文，教你如何通过工具边界优化提升Agent可靠性，比单纯改提示词更有效。
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
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
GPT-5.4 与 GPT-5.4 mini 将退出 ChatGPT 登录端
OpenAI 把 GPT-5.4 从 ChatGPT 聊天里撤了，8月31日生效；想继续用就走 API 或 Codex，开发者不受影响。
GPT-5.4性能对标Luna，价格低至约十三分之一
OpenAI拿GPT-5.4对打Luna，同分但价格只要人家的1/13，做应用的成本要崩了。
7月31日
GPT-5.6 全系降价提速，Luna 降幅 80%
OpenAI 把 Luna 价格砍了八成，Terra 也降了 20%，Sol 还多了个 2.5 倍速的 Fast 模式，用 API 和 Codex 的朋友可以省一笔了。
ChatGPT app与Codex CLI自动审查升级至GPT-5.6 Luna，降价约10倍
OpenAI把自动审查换成了更便宜的Luna，成本直接打一折，用ChatGPT或Codex的赶紧试试。
7月28日
7月17日
GPT-5.6 Sol Pro几乎饱和prinzbench基准
GPT-5.6 Sol Pro把prinzbench刷到91分，比前代高出一截，连从未解出的题都快能答了，基准加速饱和太明显。
6月30日
Codex 因消耗速度过快重置使用限制
Codex 修复了消耗过快的问题，还免费重置了额度，现在用起来更准确省钱了。
6月28日
DeepSeek Pro Max 模式在编码基准上超越 GPT-5.4、Gemini 3.1 Pro 等
DeepSeek 拿 Pro Max 模式在 LiveCodeBench 等三大编码基准上直接碾压 GPT-5.4 和 Claude Opus 4.6，分数拉满，但还没开放下载，先来围观一下。
6月26日
AI实时解说世界杯项目：GPT-5.4-mini+ElevenLabs生成多语言解说
开源项目，用GPT-5.4-mini看比赛画面实时生成解说，还能切换法语，挺有意思的。
6月24日
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。
OpenAI API 半年内发布30+模型与工具升级
搞API开发的朋友，OpenAI 这半年偷偷发了这么多新模型和Agent工具，GPT-5.5和实时翻译很实用，赶紧看看你漏了哪个。
6月18日
GPT-5.4助力药物化学关键反应改进
OpenAI的GPT-5.4这次不是聊天，而是真帮化学家改进了药物反应，和Molecule.one的AI配合，从文献到实验跑通了
GPT-5.4联合Maria AI将药物化学从文献推进到实验验证
OpenAI展示了GPT-5.4跟专业工具配合，在药物化学里找到了更高效的反应路线，成果很实在。
6月6日
Agent Arena 发布真实世界智能体排行榜，GPT-5.5 High 领先
做智能体开发和评测的团队终于有了一个贴近真实工作场景的排行榜——Agent Arena 用 30 万+ 任务和 200 万+ 工具调用数据，告诉你哪个模型在写代码、做研究、处理文档时真正靠谱，值得点开看看你的模型排第几。
6月4日
LLM智能体记忆不可靠：反复重写反而更糟
做AI智能体开发的团队会立刻警觉——你精心设计的记忆系统可能在悄悄退化。这篇论文用实验数据戳破了「自动总结记忆」的幻觉，建议所有用LLM做长期任务的开发者点开看看，别让记忆成为瓶颈。
产品05:36
微软 Frontier Tuning：从租用智能到真正掌控 AI企业 AI 团队终于能摆脱通用模型的限制——Frontier Tuning 让模型真正学会你的业务逻辑，效率提升 10 倍且数据不外流，做定制化 AI 落地的团队值得深入研究。
6月2日
OpenAI GPT-5.5/5.4 和 Codex 登陆 Amazon Bedrock
AWS 用户终于能在 Bedrock 上直接调用 GPT-5.5/5.4 和 Codex，做多步编码和数据分析的团队可以省去自建推理基础设施的麻烦，按量付费自动扩缩，值得试试。
5月28日
DeepSWE 新基准发布：GPT-5.5 领先，小米模型表现亮眼
这个基准测试解决了现有 coding benchmark 数据污染问题，做 AI 编程模型评估的团队可以直接参考排行榜，小米模型的表现值得一试。
Datacurve 发布 DeepSWE：更难、更真实的编程基准测试
做 AI 模型评估或选型的团队，DeepSWE 能帮你看到模型在长周期软件工程任务上的真实差距，建议关注这个新基准。
5月27日
OpenAI Codex oAuth 修复，Sub2APl 用户需更新
如果你在用 Sub2APl 或 OpenAI Codex 做自动化开发，这个 oAuth 修复直接关系到你的 API 调用是否正常，建议立即更新避免中断。
5月17日
LLM智能体记忆不可靠：反复重写反而更糟，清华等团队新研究
做智能体系统或记忆管理的开发者，这篇论文戳中了记忆重写的致命缺陷——原始经验比精炼总结更可靠，看完你会重新思考记忆存储策略。
5月16日
MiniMax-M2.7 开源模型性能媲美 GPT-5，推理速度 440+ tokens/s
开源模型首次在性能上追平顶级闭源模型，且推理速度和成本优势巨大，做 AI 应用开发或模型选型的团队值得立即体验。
5月13日
Interfaze混合架构：专精任务吊打Gemini/Claude/GPT
做 OCR、视觉或音频处理的团队，终于有了一个又准又快又便宜的替代方案——Interfaze 用混合架构把通用大模型的痛点解决了，建议直接看博客跑一下自己的用例。