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。
全部动态
AI 相关资讯全量信息流 · 415 条
9月29日
9月25日
研究剖析 83 个智能合约审计 Skill 的设计与实际效果
有人收集了 83 个智能合约审计 Skill 做系统评测，发现效果主要看模型，Codex/GPT-5.5 检测分提升 22.8%，还开源了语料，做 agent 开发的可以看看。
9月23日
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。
9月22日
GPT-6 Astra 零微调操控机器人，RoboDojo 42 项任务居首
Astra 不微调直接当机器人策略，42 项任务拿下 22.48%，GPT-5.5 只有 0.88%。
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
EvoOntology：自进化本体层让数据智能体 DDR-Bench 平均涨 17.8 分
给数据智能体挂个会自进化的本体层，GPT-5.5 在 DDR-Bench 多拿 26.7 分，做法可直接抄。
9月16日
量子经典混合架构QART提升长时推理性能
这个研究挺有意思，用量子经典混合架构QART来提升长时推理，在几个测试上效果比DeepSeek V4和GPT-5.5好不少。
OpenAI GPT-5.5 将于 10 月 14 日下线：覆盖 ChatGPT 与 Codex，官方建议迁移至新模型
OpenAI 要下线 GPT-5.5 了，用 ChatGPT 和 Codex 的用户得赶紧换到新模型，比如 GPT-5.6 Sol 或 GPT-6 Astra。
ChatGPT 将在 10 月 14 日停止 GPT-5.5 服务
ChatGPT 要停 GPT-5.5 了，用 Codex 的得赶紧换 GPT-5.6 Sol 或 GPT-6 Astra。
OpenAI 将继续提供 GPT-5.5 API 和 Codex 会话
OpenAI 说 GPT-5.5 还能用，但 ChatGPT 本身要停了，得改用新版本。
9月14日
LLM作为裁判评估中，去偏置会降低判断精度
这个研究很实用，它告诉你怎么用LLM作为裁判评估时，去偏置操作会带来什么后果，比如会降低判断精度，所以想用这个方法的人一定要看看。
9月9日
RAME框架在谷物育种信息提取任务中夺冠
DeepSeek团队用RAME框架在谷物育种信息提取任务击败GPT-5.5，代码已开源。
CosineAI训练专用编程模型Lumen Outpost
CosineAI用生产代码训练出专精编程模型，成本比GPT-5.5低3倍，还支持Fortran和Verilog。
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。
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3日
Repo-To-Skill：将GitHub仓库提炼为AI技能
DisCo代理把GitHub仓库变成可重用技能，在多个AI研究基准上大幅提升性能，比无技能版本表现更好。
9月2日
Harness-of-Harness框架实现多日自主软件开发
HoH框架让AI编码代理能持续改进软件，在三个基准测试中平均提升52%，还能自主开发完整游戏。
LoopCAT：本地化开源翻译教学工具
OpenAI用GPT-5.5/5.6开发的翻译教学工具，让学生既能操作工作流又能评估AI决策。
LangChain与Fireworks合作优化AI推理成本
LangChain和Fireworks合作，用微调Qwen模型替代GPT-5.5等昂贵模型，评估智能体轨迹成本降低100倍。
9月1日
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%。
FactoryAI 推出 Droid Shield 代码秘密检测工具
FactoryAI 用微调 Qwen 模型打造了比 GPT-5.5 更强、更快的代码秘密检测工具 Droid Shield。
8月28日
8月26日
8月25日
LLM-Enhanced Commit Message Generation via Issue Information: An Exploratory Study
研究ISAC框架，了解如何利用问题信息提升LLM生成提交信息的效果，与现有方法相比有显著提升。
8月24日
8月23日
Inherent发布Faraday智能体，复现能力超GPT-5.5与Claude Opus 4.8
Inherent新推Faraday智能体，小模型大能力，强化学习助其超越GPT-5.5与Claude Opus 4.8，值得关注。
IT之家原文
8月20日
阿里发布 Qwen-UI-Agent，主打让模型真正“会用”每一块屏幕
阿里刚发了 Qwen-UI-Agent，能直接操作手机电脑屏幕，移动端比 GPT-5.6 Sol 高 12 个点，还能在真实手机上跑任务，以后帮你自动查地址、订高铁、整理文件应该更靠谱了。
IT之家原文
8月18日
论文10:27
上下文压缩的隐性代价：智能体交互成本测量这篇论文用GPT-5.5和DeepSeek实测发现，压缩上下文会让智能体反复重新查工具，任务成功率却没变。想知道为什么只看完成率会骗人，可以读读。
StateM 运行时实现 Terminal-Bench 2.1 95.3% 原始准确率
StateM 不改模型权重，光靠升级执行系统就把 GPT-5.6 在终端测试的准确率拉到 95.3%，成本只要 15 美元，值得看看它的思路。
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17日
论文10:21
PACE-Bench：动态环境下基于代码演进的物理适应基准想看看AI在规则变了之后能不能自己改代码？PACE-Bench 专门测这个，目前最强的 GPT-5.5 也只解决了 Statics 子集的三分之二，离满分还远得很。
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12日
8月10日
OpenAI取消ChatGPT免费版纯文本对话次数限制
OpenAI取消免费版聊天次数限制，换用Luna模型，还加了Think按钮，日常用更自由。
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。
模型变强后什么会崩？十场演讲盘点
十场演讲全是坑：人会盲信骗人AI，GPT-5.5 假重构，litellm 被黑三小时才暴露。别太信AI。
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
OpenAI发布GPT-5.6更新：默认升级Luna，错误率降68%
GPT-5.6来了：免费用户默认Luna，事实错误率比5.5降68%，还有思考滑块和Think按钮，写代码可以拉高深度。