全部 AI 动态 · AITOP

论文10:30

TAC基准测试：AI旅行代理会预订斗牛吗？前沿模型隐含动物福利评估

动物福利问题有了AI专属的代理基准TAC，实测Claude Opus 4.7刚过一半，加个提示词能暴增60%，暴露了模型在实际行动中的盲区。

#TAC #动物福利 #AI Agent #基准测试

事件专题

arXiv: DeepSeek@Jasmine Brazilek 等 6 人2 个信源在谈原文

模型 Agent 与开发者多源确认精选76°08:16

NVIDIA GEAR 发布 ENPIRE：AI 编程 agent 自主操控真实机器人做实验

NVIDIA 和 CMU 搞了个能自己跑实验的机器人系统，AI agent 操控真实机器人干活，成功率99%，还开源了。

#ENPIRE #NVIDIA GEAR #机器人操控 #智能体

事件专题

宝玉@dotey11 个信源在谈原文

模型中美对照多源确认04:01

GLM 5.2 在 FrontierSWE 基准排名第三，超越 GPT-5.5

GLM 5.2 在编码基准上干掉了 GPT-5.5，开源里最强，值得关注。

#GLM 5.2 #FrontierSWE #GPT-5.5 #开源模型

事件专题

elvis@omarsar011 个信源在谈原文

模型中美对照多源确认73°03:37

Z AI发布开源模型GLM-5.2，百万token上下文窗口

Z AI的GLM-5.2开源，百万token上下文，数学和编程全面超过GPT-5.5，值得试玩。

#GLM-5.2 #Z AI #Opus 4.8 #GPT-5.5

事件专题

The Rundown AI@therundownai7 个信源在谈原文

行业多源确认88°03:36

美国强制Anthropic关闭Fable 5和Mythos 5模型

美国政府让Anthropic关了两个模型，理由含糊，还禁止外国人访问。有人猜是因为Anthropic之前没接五角大楼的军事合同。

#Anthropic #Fable 5 #Mythos 5 #GPT-5.5

事件专题

@koltregaskes@koltregaskes11 个信源在谈原文

模型 Agent 与开发者多源确认精选15:49

OpenRouter推出Fusion API，多模型协同以一半成本接近Claude Fable 5水平

OpenRouter用多个便宜模型拼出顶级效果，成本砍半但性能追上Claude Fable 5，预算有限又想用好模型可以试试。

#OpenRouter #Fusion #Claude Fable 5 #多模型协同

事件专题

IT之家10 个信源在谈原文

模型中美对照多源确认77°12:42

传闻OpenAI或在6月23日推出GPT-5.6，成本降至Fable三分之一

传GPT-5.6成本更低、上下文超长，还能提升智能体编程，6月23日可能有动作，值得关注后续。

#GPT-5.6 #OpenAI #上下文窗口 #智能体编程

事件专题

berryxia@berryxia11 个信源在谈原文

模型中美对照多源确认12:25

谷歌更新 Android Bench 榜单：Gemini 3.5 Flash 成本最贵，约 DeepSeek V4 Flash 的 17.5 倍

谷歌新榜单实测，Gemini 3.5 Flash 在安卓开发任务中得分低、成本高，性价比远不如 DeepSeek V4 Flash。

#Android Bench #Gemini 3.5 Flash #GPT-5.5 #DeepSeek V4 Flash

事件专题

IT之家11 个信源在谈原文

模型精选12:08

Cua与Snorkel AI发布Cua-Bench：评测Agent在KiCad上的Computer Use能力

想看看AI Agent在专业软件上到底行不行？Cua-Bench用KiCad的25道真实任务给模型打分，最强的也只过了6道，从零建电路全挂。看完你就知道瓶颈在哪了。

#Cua-Bench #KiCad #GPT-5.5 #Claude Sonnet 4.5

shao__meng@shao__meng原文

论文精选11:17

组合推理深度预测临床AI失败：EHR问答实证

这篇论文用实验告诉你，临床AI回答EHR问题时，推理步骤越多越容易翻车。Claude、GPT-4o和GPT-5.4都逃不过，部署前得重点防多步推理。

#Claude Sonnet #GPT-4o #GPT-5.4 #MedAlign

事件专题

arXiv cs.AI@Sanjay Basu2 个信源在谈原文

模型中美对照多源确认10:07

Claude Fable 5 在 Epoch Capabilities Index 上以 161 分超越 GPT-5.5 Pro

Claude Fable 5 刚在 Epoch 能力指数上以 161 分微弱领先 GPT-5.5 Pro，这是 Anthropic 一年多来首次登顶，你可以看看它具体强在哪。

#Claude Fable 5 #GPT-5.5 Pro #Anthropic #Epoch Capabilities Index

事件专题

Gary Marcus@GaryMarcus11 个信源在谈原文

论文多源确认10:05

Agentic AI生成并行Julia代码的可扩展性研究

这篇论文测试了GPT-5.5、Claude Opus 4.7和Qwen3-Coder-Next用智能体写并行Julia代码，在超算上跑192核，发现小规模还行，大规模容易死锁或OOM，开源模型最差。做HPC或Julia并行开发的人值得看。

#GPT-5.5 #Claude Opus 4.7 #Qwen3-Coder-Next #Julia

事件专题

arXiv: Anthropic@Linus Bantel 等 4 人11 个信源在谈原文

产品精选09:12

datasette-agent 0.3a0 新增 execute_write_sql 工具，需用户批准写数据库

Simon Willison 发布的 datasette-agent 新版本让你可以安全地用自然语言操作数据库，写操作需要你点头，还能用 --unsafe 一键自动批准，适合快速原型。

#datasette-agent #execute_write_sql #datasette #AI工具

官方账号Simon Willison’s Weblog原文

技巧 Agent 与开发者多源确认13:34

多模型协作编码：Claude Fable 5 + GPT-5.5 Codex

双模型协作，治编码通病

#Claude Fable 5 #GPT-5.5 Codex #编程助手 #提示词工程

事件专题

Geek@geekbb11 个信源在谈原文

模型11:12

5款AI模型运行虚拟城镇15天，结果迥异

AI也会寻找规则漏洞

#Claude Sonnet 4.6 #GPT-5 Mini #Gemini 3 Flash #Grok 4.1 Fast

AI Will@FinanceYF5原文

技巧 Agent 与开发者多源确认精选11:11

用GPT-5.5 High做计划，Composer和DeepSeek执行，省钱又高效的工作流

省钱开发新功能的实际方法

#GPT-5.5 High #Composer 2.5 #DeepSeek v4 pro #review-forge

事件专题

Viking@vikingmute4 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

技巧 Agent 与开发者多源确认精选04:21

如何有效运行自主长期编码智能体：Opus 4.8 + GPT-5.5 实践

Opus 4.8 规划 + GPT-5.5 执行，长期智能体实战配方

#Opus 4.8 #GPT-5.5 #Deepseek #Qwen

事件专题

elvis@omarsar06 个信源在谈原文

模型中美对照22:57

开源模型GLM-5.2进入Agent Arena，挑战GPT-5.5和Claude-Opus-4.7

看看GLM-5.2在Agent Arena能排第几

#GLM-5.2 #Zai_org #Agent Arena #GPT-5.5

事件专题

lmarena.ai@lmarena_ai2 个信源在谈原文

模型 Agent 与开发者精选20:47

微软SkillOpt仅用Markdown文件让GPT-5.5提升23点

微软用Markdown文件让GPT-5.5涨23分

#SkillOpt #GPT-5.5 #微软 #智能体

官方账号Decoder@Jonathan Kemper原文

模型中美对照多源确认73°18:21

Claude Fable 5 在 FrontierMath 最难题目上领先 GPT-5.5 13 个百分点

Anthropic 新模型数学碾压 GPT-5.5

#Claude Fable 5 #GPT-5.5 #FrontierMath #Anthropic

事件专题

官方账号Decoder@Matthias Bastian11 个信源在谈原文

模型中美对照多源确认16:54

Moonshot 发布开源模型 Kimi K2.7 Code，每 token 价格比 GPT-5.5 和 Claude 低 12 倍

编程省钱利器，12倍性价比

#Kimi K2.7 Code #Moonshot AI #GPT-5.5 #Claude Opus 4.8

事件专题

官方账号Decoder@Matthias Bastian8 个信源在谈原文

行业多源确认16:21

美国政府强制Anthropic全球禁用Claude Fable 5和Mythos 5

政府出手封杀Anthropic两款模型

#Anthropic #Claude #Fable 5 #Mythos 5

事件专题

官方账号Decoder@Matthias Bastian11 个信源在谈原文

技巧 Agent 与开发者多源确认精选13:09

如何有效运行自主长时编码智能体：Opus 4.8规划+GPT-5.5执行

Opus 4.8+GPT-5.5分工跑长任务

#Opus 4.8 #GPT-5.5 #Deepseek #Qwen

事件专题

elvis@omarsar08 个信源在谈原文

模型中美对照精选72°13:08

FrontierMath v2 上线：GPT-5.5 和 Google AI 领跑

数学基准更新，GPT-5.5和Google AI成绩亮眼

#FrontierMath #GPT-5.5 #Google #Epoch AI

官方账号Epoch AI@EpochAIResearch原文

技巧 Agent 与开发者多源确认13:02

Opus 4.8和GPT-5.5组合使用技巧

Opus 4.8规划+GPT-5.5执行

#Opus 4.8 #GPT-5.5 #工作流 #提示词工程

事件专题

elvis@omarsar07 个信源在谈原文

行业多源确认83°12:59

Claude Fable 5 因美国政府指令从 Arena 下架，此前排名第一

最强模型被下架，原因值得关注

#Claude Fable 5 #Anthropic #Arena #AI安全

事件专题

lmarena.ai@lmarena_ai11 个信源在谈原文

技巧 Agent 与开发者多源确认精选11:12

OpenAI WebRTC Audio Session 更新，支持文档上下文和 GPT-Realtime-2 模型

用 GPT-Realtime-2 模型边聊边读文档

#OpenAI #WebRTC #GPT-Realtime-2 #音频对话

事件专题

官方账号Simon Willison’s Weblog7 个信源在谈原文

行业政策与合规多源确认精选11:04

Claude Fable 5 因美国指令暂停，作者称不如 Opus 4.8 和 GPT-5.5

Fable 5 被停，看看大家选谁

#Claude #Fable 5 #Opus 4.8 #GPT-5.5

事件专题

elvis@omarsar011 个信源在谈原文

行业多源确认10:21

Cognition 移除 Claude Fable 5 模型访问权限

模型被禁，Devin 换方案

#Claude Fable 5 #Cognition #Devin #Anthropic

事件专题

Cognition@cognition_labs11 个信源在谈原文

论文09:50

Nature Medicine研究发现通用LLM在临床任务上超越专用医疗AI

通用模型在医疗任务上反超专用AI

#GPT-5.2 #Gemini 3.1 Pro #Claude Opus 4.6 #Nature Medicine

rohanpaul_ai@rohanpaul_ai原文

模型中美对照精选09:47

华为云与MiniMax M3模型开源首发适配，提供Tokens算力支持

华为云联手MiniMax，M3多模态模型开源

#MiniMax #M3 #华为云 #昇腾

事件专题

IT之家2 个信源在谈原文

模型中美对照多源确认09:46

MiniMax M3 开源模型加入 Agent Arena 评测

看看 MiniMax M3 在 Agent 任务中能排第几

#MiniMax M3 #Agent Arena #GPT-5.5 #Claude-Opus-4.7

事件专题

lmarena.ai@lmarena_ai11 个信源在谈原文

产品 Agent 与开发者多源确认73°15:09

Artificial Analysis 更新编程智能体排行：DeepSWE 取代 SWE-Bench Pro，Claude Fable 5 登顶

基准测试更新直接影响了主流编程智能体的排名，做 AI 编程工具选型或评估模型能力的开发者值得关注——Claude Fable 5 新登顶，Codex 也大幅提升，建议点开看具体得分和对比。

#编程智能体 #基准测试 #Claude Fable 5 #GPT-5.5

事件专题

官方账号Artificial Analysis@ArtificialAnlys11 个信源在谈原文

模型中美对照多源确认88°12:49

Claude Fable 5 发布，AI 智能指数登顶领先 GPT-5.5

Claude Fable 5 在多项智能和代理基准上碾压竞品，做 AI 应用开发或模型选型的团队值得关注——它可能是目前最强的通用推理和工具调用模型。

#Claude Fable 5 #Anthropic #推理模型 #智能体

事件专题

官方账号Artificial Analysis@ArtificialAnlys11 个信源在谈原文

模型中美对照多源确认73°12:39

GPT-5.5 在评测中登顶，效率也最优

GPT-5.5 在评测中不仅性能第一，还兼顾了 token 和成本效率，做模型选型的团队可以直接参考这个结果来优化预算。

#GPT-5.5 #OpenAI #模型评测 #效率

事件专题

官方账号Noam Brown (OpenAI 推理)@polynoamial11 个信源在谈原文

技巧 Agent 与开发者精选12:32

模型编程能力强弱体现在代码直觉，最难训练

这个案例戳中了AI编程的深层痛点——代码直觉比参数更重要，做复杂逻辑开发的团队看完会重新评估模型选择。

#编程助手 #代码直觉 #模型能力 #bug修复

karminski-牙医 (AI工具)@karminski3原文

论文 Agent 与开发者精选10:41

Recursive Agent Harness：递归智能体框架提升长上下文推理

RAH 解决了长上下文推理中智能体扩展性的核心瓶颈，做复杂编码任务或智能体系统的开发者可以直接参考其设计思路，效果提升显著。

#递归智能体 #长上下文推理 #智能体框架 #编码智能体

arXiv: Anthropic@Elias Lumer 等 4 人原文

论文多源确认10:15

EpiBench：AI智能体在表观基因组学分析中的可验证基准

做基因组学分析的团队终于有了一个可复现的AI能力评估标准——EpiBench揭示了当前最强模型在专业科学判断上的天花板，做生物信息学工具开发或AI+生命科学研究的建议点开看看差距在哪。

#基准测试 #表观基因组学 #AI智能体 #GPT-5.5

事件专题

arXiv cs.AI@Harihara Muralidharan 等 5 人11 个信源在谈原文

产品 Agent 与开发者多源确认07:27

OpenAI 收购 Ona，强化编程助手 Codex 云环境与安全能力

做 AI 编程和智能体部署的开发者值得关注——Ona 的云环境技术解决了 Codex 在生产环境中的安全与长任务执行痛点，建议点开了解具体能力提升。

#编程助手 #Codex #OpenAI #云环境

事件专题

IT之家11 个信源在谈原文