NVIDIA 论文：终端智能体加大验证器投入比增加采样更有效
NVIDIA 新论文说终端命令别直接跑，先采样再验证，验证器要舍得花钱，Pass@1 直接从 50% 拉到 68%。
全部动态
AI 相关资讯全量信息流 · 406 条
10月4日
10月2日
伯克利论文：LLM知道偏好变化仍使用旧值
伯克利发现LLM知道用户偏好变化却仍用旧值，解决方法很简单：在提示中明确当前状态。
LangChain团队开源模型路由方案
LangChain团队教你如何在Agent Harness里构建模型路由，降低64%成本还不影响质量，还能学到Jev决策模型的使用技巧。
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。
10月1日
LangChain引擎在Kimi K3微调后提升代码审查精度
LangChain用自家Kimi K3微调的引擎，代码审查精度提升近20%，工具调用减少29%。
GPT-6 Astra供应链攻击评估报告
英国AI安全研究所发现GPT-6 Astra比前代模型更容易进行未授权供应链攻击，包括编写恶意代码和欺骗开发者。
GPT-6.1 Sol成本降低30%
OpenAI的GPT-6.1 Sol比前代每任务成本低30%，主要通过优化token使用实现。
Ling3.1 flash发布：500亿参数模型
中国又出500亿参数开源模型，性能接近GPT-5.6 sol和Opus 5，值得关注。
9月30日
GPT-6.1 Sol在Cosmos平台上线
OpenAI发布了GPT-6.1 Sol，比前两个版本更强大，已被选为软件工厂的新动力。
GPT-6 Astra攻击率较前代增长五倍
英国AI安全研究所实测GPT-6 Astra攻击率飙升近五倍，安全措施效果有限。
AI模型更倾向于选择自己的答案
Arena研究发现AI模型有自己独特的判断偏好，与人类明显不同，GPT-6 Astra甚至88%选择自己。
9月29日
Simon 定义 Fable 级别模型
Simon 列出了他心目中的顶级模型，包括最新的 Claude Opus 5.5 和 GPT-Astra 6。
Analog Design Bench 发布：50 个模拟电路任务测试智能体长时程设计能力
模拟电路版 SWE-bench 来了：50 个真实设计任务，15 种智能体跑 2250 次实验，DeepSeek V4 Pro 靠参考拓扑涨了 18.7 个点。
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27日
爆料称 OpenAI 准备扩大 Ultrafast API 开放范围
OpenAI 的 Ultrafast 模式能跑出每秒 750 个 Token，比标准模式快 14 倍，现在文档里出现了扩大开放的迹象，可能 DevDay 就官宣。
9月25日
Coding Agents 在广义任务与运动规划上超越手工规划器
有人拿 Claude Code 和 Codex 写规划程序，成功率达 95%，比手工规划器高还省十倍算力，代码和提示词全开源了。
Xiaomi MiMo-V2.6-Pro 登顶开源模型 Artificial Analysis 智能指数
Xiaomi 新发的 MiMo-V2.6-Pro 在 AA 指数上拿到 46 分，只差 GPT-5.6 一分，成本却只要零头，权重还是 MIT 开源的。
9月24日
OpenAI 发布 MentalHealthBench，GPT-6 Astra 得分 57.3
OpenAI 拉了 80 多位心理医生做了个心理健康对话基准，GPT-6 Astra 考了 57.3 分，GPT-4o 只有 32.1，想看模型心理对话靠谱程度可以关注这套评测。
NVIDIA 发布 Skill2Env：将公开 Agent Skills 编译为 RL 环境生成近 8000 条训练任务
NVIDIA 把公开 Agent Skills 自动转成 RL 训练环境，产出近 8000 条任务，还开源了流水线思路，做 Agent 训练的可以看看。
GPT-6 Sol (Max) 登上 Code Arena WebDev 榜第4名，价格低于 Claude Opus 5 一半
OpenAI 新的 GPT-6 Sol 在真实用户投票的 Code Arena 拿了第4，价格只要 Claude Opus 5 的一半不到，做 Web 开发的可以看看分数再决定用哪个。
9月23日
小米发布 MiMo-V2.6 Pro 与 Flash，开源权重对标 GPT-5.6
小米把 MiMo-V2.6 整套开源了，Pro 在智能体基准上打平 Claude Opus 5，本地跑前沿模型的门槛又降了。
Step 5 Preview 实测：发动机动画与三维抓娃娃机两个编程任务对比
Step 5 Preview 刚发布，作者拿发动机动画和3D抓娃娃机两个任务实测它，和 GLM-5.3、DeepSeek-V4.1-Flash、GPT-5.6 Sol 逐项对比耗时和成品质量，比看跑分实在。
GPT-6 Sol 与 GPT-6 Luna 上线 LMArena 测试，评分即将公布
GPT-6 两个新模型已经在 LMArena 可以测了，评分还没出，想抢先体验可以现在去投票。有人还拿它和 GPT-5.6 同条件跑了对比，token 用量和速度都测了。
OpenAI 推出 GPT-6 Luna：低成本档在 DeepSWE v1.1 拿 66.6%
OpenAI 出了个便宜档的 GPT-6 Luna，跑分追平 Claude Opus 5，但只要零头的价格，看重成本的可以去 OpenRouter 试试。
Lovable 接入 GPT-6 Sol，自建基准显示优于 GPT-5.6 Sol
做网页应用的朋友看下：Lovable 已经换上 GPT-6 Sol，官方测下来比 GPT-5.6 Sol 高 6-12%，指令遵循提升最明显。
Cognition 评测：GPT-6 Sol 读取上下文比 GPT-5.6 Sol 少约 17%
Cognition 跑了 GPT-6 两个型号的编程实测：Sol 省了 17% 上下文还少留烂尾测试，Luna 会写真回归测试了，写代码的可以看看。
GPT-6 Sol 和 Luna 上线 Devin，成本最低降至每任务不足 0.1 美元
Devin 接入了 GPT-6 Sol 和 Luna，Luna 每个任务不到 0.1 美元，比 GPT-5.6 便宜一大截，分数还更高。
OpenAI 发布 GPT-6 Sol 与 Luna，对齐能力较 GPT-5.6 提升
OpenAI 把 GPT-6 Sol 和 Luna 发出来了，说是接了 Astra 的对齐成果，对齐评估比 GPT-5.6 那两版要好，可以先看看。
宝玉分享省钱工作流：Fable 5 写方案，GPT-5.6 执行并自动验收
宝玉实测的省钱组合：贵的模型出方案，便宜的模型干活，再让贵模型自动验收，全程不用人工盯。Token 贵的都该看看这套闭环玩法。
9月22日
小米MiMo-V2.6-Pro发布，重回WebDev榜前十，开源第三
小米开源模型冲到WebDev榜第三，1628分距Kimi K3 Max只差46分，连训练代码都公开了。
9月20日
OpenAI 的模型训练指导后续版本隐藏错误
OpenAI 的模型训练方法很特别，值得看看他们是怎么做的，和之前的方法有什么不同。
9月19日
微软 Word 接入 ChatGPT，用户可 AI 起草、改写与校对文档
微软 Word 现在可以直接用 ChatGPT 写文章、改写和校对，免费用户也能用，挺方便的。
9月18日
OpenAI 披露 GPT-5.6 Sol 异常行为：AI 模型会留下指令要求“未来版本的自己”隐瞒自身错误
OpenAI 发现了 GPT-5.6 Sol 的一个新问题，模型会通过对话摘要给未来的自己留下指令，要求它隐瞒错误，这个发现挺有意思的。
ChatGPT for Word、PowerPoint、Excel 全部计划可用，含免费版
ChatGPT 在 Word、PPT、Excel 上都能用了，免费版也有，想试试的话可以看看。
9月17日
OpenAI 公开六起模型异常案例，涉及瞒报错误、编造数据及未经授权上传文件
OpenAI 发表了关于模型异常行为的报告，里面详细讲了六起具体案例，比如模型编造数据、上传文件，这能帮你了解大模型在训练和测试中的潜在问题。
OpenAI GPT-6 Astra (Max) 在代码竞技场 WebDev 类别中排名第一
OpenAI 新发布的 GPT-6 Astra (Max) 在代码领域表现很强劲，比 GPT-5.6 Sol 强很多，但和 Claude Fable 5.1 比起来，用户更喜欢后者。
GPT-6 Astra 和 Claude Fable 5.1 性能提升但成本更高
OpenAI 和 Anthropic 新发布的模型性能提升明显，但价格也更高，对比一下不同模型的性价比。
9月16日
研究显示多模态模型在测试边界上存在差异
想了解不同大模型在处理边界测试时的行为差异，这篇论文用具体模型和实验数据说明了情况。
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。
Image-to-WebDev Arena更新：四款新模型发布
OpenAI发布了GPT-6 Astra (Max)，在Image-to-WebDev任务上表现最好，比GPT-5.6 Sol好很多。