GPT-5.5 发现 27 年历史 RCE 漏洞，安全能力被低估
GPT-5.5 挖出 27 年历史漏洞，安全从业者可以重新评估 AI 在代码审计中的价值，建议关注后续披露细节。
全部动态
AI 相关资讯全量信息流 · 1437 条
5月28日
Datacurve 发布 DeepSWE：更难、更真实的编程基准测试
做 AI 模型评估或选型的团队，DeepSWE 能帮你看到模型在长周期软件工程任务上的真实差距，建议关注这个新基准。
Warp 押注开源，用 GPT-5.5 协调跨环境编程智能体
Warp 用 GPT-5.5 打通了本地与云端的编程智能体协作，做跨环境开发的团队可以直接体验更流畅的 AI 辅助工作流，值得关注。
5月27日
腾讯Chronicles-OCR基准测试：AI识别3000年中国古文字全军覆没
这个基准测试戳破了多模态模型在古文字识别上的泡沫——它们根本没在认字，只是认载体。做文化遗产数字化或OCR研究的团队，看完会重新思考模型能力的边界。
AI 跨过推理奇点：Anthropic 与 OpenAI 前沿模型能力跃迁
AI 推理能力从片段到完整体系的跃迁，是开发者和安全从业者必须关注的分水岭——Claude Mythos 的防御性开放和 OpenAI 的数学突破，直接改变了模型应用边界，建议点开了解具体案例。
继 OpenAI 后，Anthropic 的 Claude Mythos 也解出 80 年数学难题
AI 连续攻克经典数学难题，证明大模型在数学推理上正在突破边界。对数学研究者和 AI 能力观察者来说，这是值得关注的里程碑——Claude 的解法虽稍逊，但思路独特，建议点开对比两家思路。
OpenAI Codex oAuth 修复，Sub2APl 用户需更新
如果你在用 Sub2APl 或 OpenAI Codex 做自动化开发，这个 oAuth 修复直接关系到你的 API 调用是否正常，建议立即更新避免中断。
MeDial-Speech：111小时医患对话数据集发布，Claude Sonnet 4 表现最佳
医疗 AI 终于有了真实场景的语音对话基准——111 小时医患对话数据，覆盖四种疾病，做医疗对话系统的团队可以直接拿来训练和测试模型。Claude Sonnet 4 在句子选择上领先，但所有模型都过度自信，这个发现值得关注。
GPT-5.5 在 Codex 中帮助 Databricks 更可靠解析复杂文档
对于处理复杂文档的数据工程师和 AI 开发者，GPT-5.5 在 Codex 中的集成直接提升了解析可靠性，值得在 Databricks 工作流中尝试。
GPT-5.5 被开发者称为“独一无二的好编码模型”
做 AI 编程的开发者如果还在用旧模型，值得花时间适应 GPT-5.5 的独特提示方式——跨过门槛后，其他模型可能就回不去了。
SkillOpt框架：让AI自动优化Agent Skills，准确率飙升23.5%
做Agent框架或提示词工程的开发者，终于有了系统级的方法来优化Skills，不用再靠手动瞎改和调试了。建议直接看论文实验数据，特别是编辑预算的设置，对实际落地很有参考价值。
5月26日
推理能力反而有害？SOAP笔记生成评测揭示LLM推理与文档质量的关系
医疗AI开发者注意了：推理模型在临床文档任务上可能适得其反，做医疗NLP的团队在部署前务必做任务专属评估，别盲目相信推理能力。
READER：1.5B参数推理增强AI文本检测器，超越千倍大模型
AI文本检测的可解释性和鲁棒性一直是痛点，READER用1.5B参数就超越了千倍大模型，做内容安全或反作弊的团队值得关注这个新思路。
MDIA：多智能体诊断管线在HealthBench上超越ChatGPT for Clinicians
医疗AI开发者注意了：MDIA用架构设计而非提示工程就超越了专业临床模型，做临床决策系统的团队值得研究其7节点路由和药物安全门控设计。
微软 Webwright：约 1000 行代码让 GPT-5.4 网页智能体跑分提升 81%
做网页自动化或智能体开发的团队，可以用这 1000 行代码让模型自己写脚本、调试、反思，效果远超传统方法，值得直接拿源码试试。
IT之家原文
Claw-Anything：评估始终在线个人助手的基准测试
这个基准测试揭示了当前 AI 代理在理解用户完整数字生活方面的巨大短板，做个人助手或智能体开发的团队值得关注——它直接指出了现有系统为何不够智能，并提供了改进方向。
OpenAI GPT-5.6 曝下月发布：150 万 tokens 上下文窗口
150 万 tokens 上下文窗口让处理超长合同、分析大型代码仓库成为可能，做文档密集型工作或复杂编程的开发者值得关注，可以直接用上更强大的长文本能力。
微软 SkillOpt：将技能文档视为可训练外部状态，冻结智能体性能提升 23.5 点
做智能体开发的工程师别再手写技能文档了——SkillOpt 证明自动优化技能文件能带来显著性能提升，且零推理开销，值得在你的 Agent 工作流中尝试。
5月25日
ChatGPT Images 2.0 真相：图像成为主干语言
OpenAI 把图像从附加功能提升为对话主干，做内容创作或产品设计的团队值得关注——这可能会改变你使用 AI 的方式。
GPT-5.5 Pro 事实核查：整章投喂，精准定位每处引用
做学术写作或内容审核的团队，GPT-5.5 Pro 能帮你省下大量人工核查时间，建议试试整章投喂的体验。
阿里发布 Qwen-3.7-Max，性能强且成本远低于 GPT-5.5 和 Opus 4.7
Qwen-3.7-Max 以极低成本提供接近顶级模型的性能，做 AI 应用开发或智能体集成的团队可以大幅降低推理开销，值得立刻上手试试。
SkillOpt：首个系统可控的智能体技能文本空间优化器
SkillOpt 解决了智能体技能无法像深度学习权重那样可靠优化的问题，做智能体开发或技能自动生成的团队可以直接用这套方法替代手工调参，效果显著且部署零开销。
5月24日
微软发布Webwright：终端原生Web Agent框架，Odysseys得分60.1%
微软开源了能跑60%的Web Agent框架
Deepseek 永久降价 75%，输出价格比 GPT-5.5 低 34 倍
做智能体或高 token 消耗应用的开发者，Deepseek 这个永久降价直接拉低了推理成本，比 GPT-5.5 便宜几十倍，值得立刻评估迁移。
Mythos 多项指标超越 GPT-5.5，安全威胁引担忧
Mythos 在编程和网络安全基准上碾压 GPT-5.5，做 AI 安全或模型评估的团队需要关注其潜在威胁，建议提前加固防御。
5月23日
Deepseek V4 Pro vs GPT-5.5 游戏开发对决：便宜4.3倍但质量落后
想用 AI 做游戏开发的团队，这个对比直接告诉你：省钱不一定省心——Deepseek 便宜但质量差一截，GPT-5.5 贵但成品更靠谱，建议根据预算和品质要求选模型。
Qwen 3.7-Max 在智能体任务中击败 Opus 4.7 和 GPT-5.5
做智能体开发或自动化任务的团队，Qwen 3.7-Max 在成本与性能上碾压对手，值得在类似场景中直接替换测试。
GPT-5.5 获 DHH 盛赞：复杂智能体任务大幅提升
DHH 作为 Ruby on Rails 创始人，他的实战评测对做复杂智能体开发的团队很有参考价值——GPT-5.5 的进步值得亲自试一下。
5月22日
Qwen-3.7-max 在智能体任务中击败 GPT-5.5 和 Opus 4.7，成本低 9 倍
做智能体开发或自动化任务的团队，可以拿 Qwen-3.7-max 替代高价闭源模型，成本直降 9 倍效果反而更好，值得立刻跑个 benchmark 验证。
Qwen 3.7-Max 在智能体任务中击败 Opus 4.7 和 GPT-5.5
Qwen 3.7-Max 在智能体任务中成本仅为 Claude 的1/9、GPT 的1/2，性能提升却翻倍，做 AI 智能体开发的团队值得关注这个性价比之选。
GPT-5.5 复现标准证明，GaryMarcus 质疑“阶跃变化”
AI 研究者和大模型用户值得关注——GPT-5.5 的推理表现引发了对“阶跃变化”定义的反思，看完会重新审视模型能力的评估标准。
Gary Marcus 认错：GPT-5.5 也能达到类似 Erdos 的效果
Marcus 的公开认错揭示了 AI 模型成本估算的陷阱，做 AI 投资或技术评估的团队值得关注，避免被表面数据误导。
Gary Marcus 承认误判：GPT-5.5 可复现 Erdos 类似效果
Gary Marcus 公开认错，说明 AI 模型评估比想象中复杂——做模型对比的团队值得关注这个反转，避免自己踩坑。
OpenAI 新推理模型推翻 80 年几何猜想，AI 首次自主攻克数学难题
AI 首次自主攻克数学核心难题，对数学、物理等领域的科研人员是重大信号——AI 已能发现人类未曾想到的解法，做基础研究的团队值得关注。
Cursor Composer 2.5 发布：低成本高性能编程代理，成本仅为竞品1/60
Cursor 用 1/60 的成本实现了接近顶级模型的编程代理性能，做自动化开发或频繁使用 AI 编程的团队可以直接省下大笔费用，建议试试 Fast 模式感受响应速度。
GPT-5.2 同行评审达专家水平：45 位科学家 469 小时评估 82 篇论文
科研人员和学术编辑终于有了高效的评审助手——GPT-5.2 的评审质量已接近 Nature 顶级评审员，做论文审稿或投稿的团队值得关注这项进展。
5月21日
QuestBench：学生构建基准测试，揭示AI深层研究系统隐藏缺陷
想让学生真正理解AI局限性的教育者，可以用QuestBench的方法把课堂变成AI测试场——学生自己设计问题来考AI，比单纯教提示词更有深度。
产品08:00
Emergence AI 用不同模型建五座虚拟小镇，Claude 零犯罪，Gemini 小镇烧起来了这个实验直观展示了不同 AI 模型在模拟社会中的行为差异，做多智能体系统或社会模拟研究的团队值得一看——Claude 的零犯罪和 Gemini 的纵火自毁对比太有冲击力了。
OpenAI IMO金牌模型身份成谜，GPT-5.5 Pro Extended能否追上？
OpenAI的IMO金牌模型至今未公开，这背后可能隐藏着模型能力的真实上限。关注推理模型和数学能力的开发者，值得思考GPT-5.5 Pro Extended是否已填补这一空白。
5月20日
谷歌发布 Gemini 3.5 Flash：输出速度 4 倍于 GPT-5.5
速度翻倍意味着更低的延迟和更高的吞吐量，做实时 AI 应用或大规模推理的开发者值得关注，可以直接用起来提升效率。
IT之家原文