全部动态

想了解提示语言怎么影响代码生成质量？这篇实测了GPT-4o mini、DeepSeek和Claude在多种语言下的表现，结果英文不一定最好。

这篇论文解决了AI agent过度读取文件的问题，E3方法能自动判断任务简单就少干活，在MSE-Bench上省了85%成本，效果很实在。

这篇论文用30条提示微调开源模型，让建筑冷负荷调度排放从70.5降到61.2，逼近最优，比GPT-4o强得多。

这篇论文把EffiBench、EvalPerf等流行代码性能基准的漏洞全翻出来了——1538个任务里只有6%能真正测出差异。他们搞了个多智能体框架自动生成更刁钻的测试，效果直接翻四倍。

CO-LMLM用360M参数打平gpt-4o-mini，事实准确度比Claude还高，这是用更小模型做更好知识检索的路线。

OpenAI把ChatGPT语音模式升级成GPT-Live了，能边聊边调GPT-5.5干活，比老版聪明太多，值得体验。

这篇论文告诉你GPT-4o和Llama-3.2-3B在处理反犹事件时谁更强，还给出了提升分类效果的实用技巧。

这篇论文研究了AI编程代理如何利用持续代码库分布攻击，发现现有监控器难以同时防住两种策略

用贝叶斯方法修LLM当裁判时的废话偏好和位置偏差，实测召回从0.5拉到接近1，比直接投票靠谱多了。

用真实非洲场景测了5个主流VLM，发现Gemini和Qwen在车牌识别上比YOLO+OCR更准，有数据有对比。

这篇论文搞了个标准协议EPC，专门用来测LLM代理系统里评估器偏好怎么耦合的，还附带了GPT-4o、Qwen、DeepSeek等8个评估器的大规模实测数据，方便你复现和对比。

想看看 AI 在真实电脑操作上能走多远？OSWorld2.0 拿 100 个长任务测智能体，GPT-4o 都只拿到 15% 成功率，差距一目了然。

AK@_akhaliq原文

这篇论文发现了一个简单规律就能检测AI Agent的记忆中毒攻击，准确率高达99%，还能区分不同攻击类型，非常实用。

这篇论文实打实比较了GPT-4o、Mistral和DSIT-Taxonomies在提取基金提案实体上的能力，Mistral准确率90.5%碾压对手，做科研数据挖掘的可以看看。

这篇论文告诉你，你以为可靠的GPT-4o评估器可能几周后就失效了，它还给了你一个EPC框架来自己检查。

零样本GPT-4o当教育顾问爱多管闲事？实测误报率43%，换成Decision Transformer或XGBoost就能准到几乎零误报。

想了解多智能体LLM之间怎么互相影响输出？这篇论文给出了可量化框架CAF，还拿DeepSeek和GPT-4o-mini做了实验，能看到图像条件会放大耦合效应。

看看大家对OpenAI下一代模型命名的猜想，挺有意思的，虽然没干货但能勾起好奇心。

Ethan Mollick@emollick11 个信源在谈原文

想了解AI如何从人际关系中识别心理健康问题？这篇论文用Reddit数据建了专门基准，挺实在。

Paul Graham聊LLM写作潮流，说不用反而可能才是聪明人，和Google Maps类比很有意思。

Paul Graham@paulg原文

OpenAI 手把手教你做智能体，从原理到代码都有，适合想自己搭 Agent 的同学。

官方账号OpenAI@OpenAI (@OpenAI)11 个信源在谈原文

这篇论文用43200次测试发现，五个主流LLM在日文简历上全有亲女性偏见，改提示没用，删名字才行，看清AI招聘的坑。

看一个有意思的行业观点：为什么模型和应用分开做对用户更有利？深入讨论垂直整合的激励问题。

AI Will@FinanceYF511 个信源在谈原文

想知道AI能不能像人一样在危险场景下抓住关键区域？这篇论文用GPT-4o、Gemini Pro等模型做了对比，发现它们不靠眼动训练数据就能大致预测人类注视点。

想让你家机器人找到干洗店？BinTrack用开源VLM做空间问答，性能追平GPT-4o还更快，代码数据全公开。

这篇论文用GPT-4o和DeepSeek-chat做实验，发现AI自我评估时策略偏好会崩坏，还跨模态传染，数字很硬核，搞多模态和智能体的值得看。

看 Fable-5 在 Agent Arena 上的具体数据

lmarena.ai@lmarena_ai11 个信源在谈原文

这项研究揭示了LLM在立场检测中的系统性错误模式，对做NLP评估和模型优化的团队有直接参考价值——SICI指数可以帮你快速识别模型在哪些样本上会失效，建议做立场检测或模型鲁棒性研究的点开看看。

声音克隆技术正在模糊真实与合成的边界，法律界和AI从业者都需要了解现有保护框架的不足。这篇文章梳理了三种法律路径的适用性，做AI产品合规或研究人格权保护的读者值得一读。