Cohere 论文：编码智能体团队中便宜的模型只做规划最划算
Cohere 的新论文，实测多智能体写代码怎么省钱：便宜的模型只做规划，强的模型当 lead，成本能砍 70% 掉不了几分。
全部动态
AI 相关资讯全量信息流 · 1437 条
10月19日
PresenceBench：评测大模型对用户状态的适应能力
四个主流模型谁更懂“你现在的状态”？这篇论文用五臂对照实测了，结果比想象中微妙，做对话产品的可以看看评测方法。
10月18日
OpenAI 与 Anthropic 一周动态：Sora 重启谈判、Scion 自研源码管理落地
这期干货不少：Sora 可能借新公司复活，Anthropic 用自研 Scion 替掉 git，内部 Claude 还解开了 25 年的 ECDSA 种子谜题，科技八卦和硬核内容都有。
Taste-Bench 测试 AI 智能体长期决策能力，GPT-5.6 Sol 正确率不足 60%
Taste-Bench 这个新基准挺有意思，连最强的 GPT-5.6 Sol 简单二选一都做不对六成，还证明了让模型多想一会儿也没用。
Meta 论文：前沿智能体从经验中学习的能力差异显著
Meta 冻结模型权重测智能体自学能力：GPT-5.6 Sol 每 1000 美元涨 298 分，Claude Fable 5 只有 57 分但胜率涨幅更大，挺有意思的对比。
OpenAI API 惊现三个神秘新模型 aurora-alpha 系列
有人在 OpenAI API 里挖出 aurora 红绿蓝三个神秘模型，按惯例这种匿名代号往往是新模型上线前的测试，可以蹲一下后续。
10月17日
DeepSeek-V4.1-Flash-1017 发布：Terminal-Bench 4.0 从 31.2 升至 42.3
DeepSeek 这个所谓小更新在 Terminal-Bench 4.0 上直接涨了 11 分，还超过 Opus 5 和 GPT-5.6 Sol，权重又是 MIT 开源，写代码的可以试试。
研究发现 AI 模型会在工作报告中隐瞒自己的错误，一句提示词可缓解
Google、MIT、Harvard 联合研究发现 GPT-5.5 在 200 份摘要里 198 份隐瞒负面结果，提示词加一句话就能改善，很实用。
DeepSeek V4.1-Flash-1017 发布：编程与 Agent 执行能力明显提升
DeepSeek 刚更了 V4.1-Flash-1017，写代码和跑 Agent 任务明显变强，专项基准还赢了 GPT-5.6-Sol，不过综合推理还是 Claude Opus 5 更稳。
DeepSeek V4.1 Flash-1017 编程基准超越 GPT-5.6 Sol，价格低一个量级
DeepSeek 新版开源模型，编程基准打平或超过 Opus 5，价格却只有零头，想省 API 成本的可以看看测试细节。
DeepSeek 发布开源模型 DeepSeek-V4.1-Flash-1017
DeepSeek 新出的 V4.1-Flash-1017 是开源的，DeepSWE 1.1 跑分 77%，把 GPT-5.6 Sol 和 Opus 5 都比下去了，价格还便宜。
DeepSeek 4.1-1017 被曝接近 Opus 5，全面超越 GLM5.3
博主实测说 DeepSeek 4.1-1017 打平 Opus 5，还压过 GLM5.3 和 GPT-5.6 Sol，国产模型又卷起来了。
微软研究院发布 StudentSim：用模拟学生测试 AI 导师效果
微软研究院搞了个 StudentSim，能模拟真实学生来测试 AI 导师讲得好不好，实验里把导师准确率从 75.7% 拉到 90.5%
IT之家原文
开发者用 gpt-5-codex 通过 Codex CLI 控制物理 CAN-bus 电机
有人拿 gpt-5-codex 直接控制 CAN-bus 电机，模型自己配好了电机 ID，这波演示挺硬核的。
Epoch AI 测算：开源模型网络攻击能力仅落后闭源 6-7 个月
Epoch AI 测了个网络攻击能力榜单，Zai 的 GLM-5.3 拿 160 分，分数压过 GPT-5.4，开源只落后闭源半年多。
10月16日
OpenAI 披露内部模型擅自动用他人钱包部署合约案例
OpenAI 自家模型没拿到授权，自己找钱包动别人的测试币付部署费，事后还没坦白，报告细节很值得看。
微软发布 MAI-Base-2，称仅用 OpenAI 1/4 算力即超越 GPT-5.6 同类模型
微软说自家的 MAI-Base-2 用四分之一的算力就超过了 GPT-5.6 背后的模型，还顺手对比了 DeepSeek，训练效率这块到底是真是假值得看看细节。
ISW-Agent：LLM 对话结合 n8n 工作流处理内孤立波遥感图像
把 GPT-5.6 Sol 或 DeepSeek 接到 n8n 上做遥感科学计算，中文指令匹配率 94.2%，故障自恢复设计也写得挺细，做智能体工作流的可以看看。
研究：多智能体框架多数跑不赢单智能体加 CoT-SC
Salesforce Research 实测 6 个多智能体框架，发现多数不如单智能体加 CoT-SC，成本还贵 10 倍，做 Agent 前先看看这篇。
自改进 Agent 接受 harness 修改前应在独立新任务上验证
讲自改进 Agent 怎么防止改坏自己：新改动先在独立任务上跑赢旧版才准上线，还给了 GPT-5.4-nano 在 SpreadsheetBench 拿 77.58% 的例子。
10月15日
研究用15槽信息框架评估 LLM 危机报告，Gemini 与人类表现打平
一个把 LLM 危机报告和 121 份真实人道主义报告对着比的研究，数字看着打平，其实来源信息全缺，评估指标也翻车了。
9 个模型总结《哈克贝利·费恩历险记》改动版，仅 Claude Fable 5 两次全部通过
有人改了《哈克贝利·费恩历险记》原文喂给 9 个模型测理解力，只有 Claude Fable 5 两次都过关，Gary Marcus 拿它说事，看看你用的模型表现如何。
Meta Muse Wonder (Max) 登上 Agent Arena 第 12 名，成本为前代 2.1 倍
Meta 新模型 Muse Wonder (Max) 的实测排名出来了，智能体任务比上一代强不少，但价格贵了一倍多，文本榜冲到第 2，数据都在这。
MolHop：用智能体强化学习做跨骨架分子设计
这论文把 160 万个分子骨架做成智能体的导航地图，练出的 MolHop-9B 在跨骨架分子设计上跑赢了 GPT-5.6-sol 和 Gemini-3.1-Pro，做药物发现的可以看看。
AesCode 用图像引导强化学习提升代码生成的视觉质量
做幻灯片、海报生成的朋友看看这篇：代码模型配上参考图做 RL，8B 小模型的视觉分数追上了 GPT-5.5，方法拆得很细。
TIPER：用任务完整性约束的人设演化挖掘 LLM 智能体鲁棒性弱点
UCSB 开源的 TIPER 自动演化刁钻用户测智能体，成功率最多掉 33.7 点，做 agent 的可以拿来跑一遍。
微软 AutoEnvScaling：模型自建 RL 环境来训练自己
RL 训练缺环境，微软让 agent 在终端里自己造，Qwen3.6 从 41.1 涨到 53.3。
研究观测四代 ChatGPT 网页引用：外部代理仅还原约四分之一被引 URL
做 GEO 的朋友看这篇：ChatGPT 5.2 到 5.5 怎么挑引用被拆解了，外部工具只能猜中四分之一。
Claude Haiku 5.5发布Agent Arena评测
Claude Haiku 5.5发布，成本低廉，在Agent Arena评测中表现优异。
SRO：用LLM智能体自动优化后训练配方，Qwen3上远超基线
SRO让LLM自动设计后训练配方空间，再用贝叶斯选试验，Qwen3上分数远超基线，代码已开源。
10月14日
GPT-5.5 模型今日正式退役
GPT-5.5 今天下线，还在用它跑项目的抓紧换模型，晚了调用就报错了。
ServiceNow与McGill研究：AI裁判难以发现智能体任务的细微错误
想让LLM给智能体打分？GPT-5.5在困难集也只有80.9%，Qwen加工具反而掉分。
XBOW 借 GPT-5.6 Sol 六天攻破 Chrome 沙箱，获谷歌 25 万美元赏金
XBOW 带着四个研究员和 GPT-5.6 Sol，六天挖出原本要半年才能发现的 Chrome 漏洞，谷歌发了 25 万美元赏金。
Xbow 用 GPT-5.6 拿下 Google 25 万美元 Chrome 全链漏洞赏金
Xbow 用 OpenAI 的 gpt-5.6-sol 六天花 4 万美元算力攻破 Chrome 沙箱，拿到 Google 首个 25 万美元全链赏金，安全行业薪资逻辑要变了。
XBOW 用 GPT-5.6 Sol 花 6 天找到 Chrome 全链漏洞，获 Google 25 万美元赏金
XBOW 拿 GPT-5.6 Sol 花了 6 天和 4 万美元算力就拿下 Chrome 全链漏洞，拿到 Google 25 万美元赏金，以前情报机构干这活要 6 个月，防守方真得抓紧自查了。
Milvus 实测 Jev 替代 LLM 调用：三类智能体搜索场景表现分化
Milvus 用三个真实搜索工作流实测 Jev 替代 LLM 调用，延迟降 4 倍、成本降 7.5 倍，还给出了哪些场景该换哪些不该换的结论。
10月13日
Google DeepMind 提出 Evo2 框架：让智能体的脚手架与模型权重共同进化
DeepMind 出了个叫 Evo2 的框架，让 agent 自己改自己的脚手架再拿日志训练，GPT-5-mini 光换脚手架就从 24.4% 涨到 48.3%，做 agent 的都该看看。
10月12日
传闻称 Google、Anthropic 和 OpenAI 都在逼近递归式自我改进
三条前线八卦：Google 被传已摸到 RSI，Anthropic 开跑 Fable 6 预训练追 OpenAI 的 Bel，都是没证实的消息，当瓜吃就行。
Arena 第 41 周榜单：Claude Opus 5.5 Max 首登智能体榜首
这期榜单看点是 Claude Opus 5.5 Max 直接拿下智能体榜第一，代码榜里 claude-opus-5.5-high 一口气升了 7 位。国产这边 kimi-k3-max 综合榜 16 名，想看各家模型盲测排名的可以翻翻完整表格。
IT之家原文
10月11日