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。
全部动态
AI 相关资讯全量信息流 · 49 条
11月4日
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。
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23日
V4.1 Flash-1017 在 ARC-AGI-2 上略超 Gemini 3.1 Pro Preview
V4.1 Flash-1017 在 ARC-AGI-2 上小胜 Gemini 3.1 Pro Preview，想看推理模型基准对比的可以看看这组数据。
10月22日
AA-PersonalityBench：Gemini 系列模型自信度最高、最不愿承认不确定
Artificial Analysis 测了各家模型的性格：Gemini 全家自信度爆表，几乎从不说"我不确定"，分数都列出来了。
10月15日
Gemini 4 Argon 登上 Epoch 能力指数 165 分，逼近 Opus 5.5 与 GPT-6 Astra
Google 新模型 ECI 拿了 165 分，只差 Opus 5.5 两分，四大模型正面比数字，一看就懂谁强谁弱。
9月29日
Perplexity 红队测试 SPACE 沙箱：108 次运行中 4 个模型借网络访问绕过封锁
Perplexity 拿 9 个模型做沙箱越狱测试，108 次全没逃出 VM，但一开网络就有 4 个钻了空子，连 E2B、Vercel 都有同样的坑，细节很有意思。
9月28日
VoiceArena 发布 Monsoon：50 语言语音数据集让 Telugu 语音识别错误率从 92.7% 降到 16.1%
同一个 Whisper Medium，换个数据集微调就把 Telugu 错误率从 92.7% 干到 16.1%，还故意保留噪声做分层，思路很值得学。
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
谷歌研究发布用于长期任务的agent harness，在定理证明任务上取得新成果
谷歌研究团队发布了新论文，用他们的agent harness在数学证明任务上取得了新进展，和之前的模型相比，这个方法在解决复杂问题上有不同优势。
9月4日
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。
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。
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
7月18日
谷歌 Gemini 3.5 Pro 再度延期，内部压力增大
谷歌的Gemini 3.5 Pro又跳票了，内部还挺内耗。竞争对手都发了新模型，这瓜值得吃。
7月15日
Dilum Sanjaya 开始新系列：用 AI 搭建未来感 UI
他用 Gemini 3.1 Pro 和 Nano Banana 2 做了个超酷的未来 UI 原型，看看 AI 怎么帮设计师实现脑洞。
7月14日
Google 计划发布 Gemini 3.5，内部测试击败 GPT-5.6 和 Fable 5
Google 的新模型 Gemini 3.5 本周就要来了，内部测试居然超过了 GPT-5.6 和 Fable 5，比前代 Pro 版强不少。
7月13日
用GPT Images 2和Gemini 3.1 Pro制作游戏UI与3D资产
有人把GPT Images 2、Gemini 3.1 Pro和Tripo连起来做游戏UI和3D资产，步骤很具体，适合想快速试玩原型的人。
用GPT Images 2 + Gemini 3.1 Pro制作Vibe Coding风格游戏UI工作流
有人把GPT Images 2和Gemini 3.1 Pro、Tripo串起来做游戏UI，2D→3D一步到位，学了这个工作流你也能复刻。
7月3日
斯坦福AutoMem将智能体记忆管理训练为可变技能，32B模型媲美Claude Opus 4.5
斯坦福发了个AutoMem，给智能体装上可训练的记忆模块，让32B模型打平Claude Opus 4.5。省去调任务动作，光改记忆就提升2-4倍，搞长程任务的别错过。
7月1日
Anthropic发布Claude Sonnet 5，Agent能力接近Opus 4.8
Anthropic的Sonnet 5来了，Agent能力接近最贵的Opus，价格才40%。以前会卡住的复杂任务现在能跑完，还自己检查输出。默认模型升级值得一试。
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27日
OpenAI发布GPT-5.6三版本：Sol/Terra/Luna，仅限合作伙伴
这次GPT-5.6发布最特别的是只给20家合作伙伴用。Sol的Ultra模式能自己拆任务干活，性能碾压Claude和Gemini。Terra性价比超高，性能接近上一代但价格减半。
6月25日
Mistral OCR 在 ParseBench 上更新结果，超越 GPT-5.5 接近 Gemini 3.1 Pro
Mistral OCR 在 ParseBench 上打败了 GPT-5.5，离 Gemini 3.1 Pro 也不远，价格还便宜，做文档解析很值。
6月21日
翻译质量对比：Gemini 3.1 Pro 优于 Opus-4.8，工作流无法弥补
别再用 Opus-4.8 硬翻了，试试 Claude Code 的 ultracode 模式+多智能体流水线，实测翻译质量能提升不少。
6月13日
Gemini-SQL2 发布，在 BIRD 基准上创下文本转SQL新纪录
Google 用 Gemini 3.1 Pro 刷新了 SQL 生成最强成绩
6月12日
GPT-5.5 (xHigh) 在 Agent Arena 排名第二，仅次于 Claude Fable 5
做智能体开发和 AI 评测的团队值得关注——GPT-5.5 在用户满意度和故障恢复上反超 Claude，说明 OpenAI 在实用场景上有了实质提升，建议直接去 Agent Arena 跑跑自己的任务。
6月10日
Fable 5、Opus 4.8、Gemini 3.1 Pro、GPT 5.5 模型对比
关注模型迭代节奏的开发者可以快速了解各厂商最新进展，Google 用户会意识到其模型可能落后了。
6月9日
FrontierCode 基准测试：Claude Opus 4.8 仅 13.4%，AI 代码离可合并还很远
FrontierCode 把 AI 编程评测从「能跑就行」升级到「能合并才算数」，做代码质量评估或 AI 编程工具的团队值得关注——它暴露了当前模型在真实代码审查中的致命短板。
6月7日
产品01:13
Agent Arena 上线 Agent Mode：用前沿 AI 智能体完成真实工作Agent Mode 让 AI 智能体从聊天走向真实工作，做自动化、开发或研究的团队可以直接上手测试前沿模型的实际表现，还能影响排行榜排名，值得一试。
6月6日
产品03:21
Mistral 3.5 加入 Arena Agent Mode，可执行复杂真实任务Arena 的 Agent Mode 让开发者能直接对比主流模型在真实复杂任务上的表现，做智能体应用选型的团队值得亲自上手测试，结果会直接影响排行榜。
6月5日
Arena 推出 Agent Mode，支持 GPT-5.5/Claude Opus 4.7 等模型
Arena 的 Agent Mode 让开发者可以直接对比前沿模型在真实任务中的表现，做 AI 评测或选型的团队值得一试。
选2-3个最聪明模型就够了，时间比Token贵
这条建议直击AI用户选模型的痛点——不是越多越好，而是选对2-3个最聪明的。经常用AI做复杂任务的开发者或创作者，看完会重新思考自己的模型组合，省下时间比省Token更划算。
Agent Mode 上线：AI 智能体能力在 Arena 中可评测
Arena 的 Agent Mode 解决了 AI 评测脱离实际任务的问题，做智能体应用或选型的开发者可以直接上手对比 GPT-5.5 和 Claude Opus 4.7 的真实表现，值得一试。
Agent Arena 发布：大规模真实世界智能体评测
智能体评测终于从玩具任务走向真实场景——做 AI 应用或智能体开发的团队，可以直接用 Arena 的评测结果来选模型，比跑基准测试更有参考价值。
6月4日
MiniMax M3 开源模型上线 SiliconFlow：1M 上下文、原生多模态、编码超 GPT-5.5
M3 把编码、长上下文和多模态三合一开源了，做 AI 应用开发的团队可以直接在 SiliconFlow 上低成本试用，编码能力还超过了 GPT-5.5，值得上手体验。
5月30日
GitHub Copilot 中 Gemini 3.5 Flash Token 消耗按 14 倍计算
GitHub Copilot 用户注意了——不同模型 Token 消耗倍数差异巨大，选错模型可能多花十几倍费用，做 AI 编程的团队建议收藏对比表。
5月29日
Claude Opus 4.8 通过 200+ 前端测试，与 Gemini 3.1 Pro 等模型对比
前端开发者可以直观看到 Claude Opus 4.8 在复杂 UI 和游戏生成上的实际表现，对比多个主流模型后能更精准选型，值得点开线程看具体案例。
5月27日
DeepSWE 基准发布：113 个任务覆盖 5 种语言，Claude Opus 超 Claude Code 10 个百分点
做 SWE 智能体评估或开发 AI 编程助手的团队，这个新基准更贴近真实开发场景，值得关注其设计思路和模型表现差异。
5月21日
AI Studio 选 Gemini 3.1 Pro 后 Chat 模式也显示 Model/Agent 分类
AI Studio 悄悄改了 Chat 模式下的模型切换逻辑，做多模型对比或 Agent 调用的开发者可以少点一次按钮，值得试试。
5月20日
ZenMux 免费体验 Gemini 3.5 Flash，77 秒生成递归树动画
AI 开发者可以零成本体验 Google 最新旗舰模型，77 秒生成动画网页展示了其极速推理和 Agent 能力，做创意编程或 Agent 应用的建议立即试用。
ZenMux 免费体验 Gemini 3.5 Flash，77 秒生成递归树动画
Google I/O 刚发布就能免费白嫖，做 Agent 或动画生成的开发者可以立刻上手测试，77 秒出完整 HTML 动画的效率值得一试。