全部 AI 动态 · AITOP

技巧 Agent 与开发者09:50

每天学一个AI硬核知识：Tokenizer

想搞懂大模型数不对数的原因？这个视频讲得特别清楚，几分钟就懂了。

#Tokenizer #BPE #分词 #计数错误

向阳乔木@vista8原文

模型09:32

RUMBA：俄语用户记忆基准，细粒度评估长对话记忆

想测LLM的长对话记忆力？RUMBA这个俄语基准能细粒度诊断模型在时间推理上的强项和短板。

#RUMBA #俄语基准 #长对话记忆 #推理

arXiv cs.AI@Elizaveta Shevtsova 等 5 人原文

行业10:42

巴基斯坦法院部署AI助手JudgeGPT，案件审结量增6.3%，投资回报率38~50%

巴基斯坦法院用JudgeGPT（GPT-4）一年审结量多了6.3%，投1美元赚38~50美元，成本才1300美元，效率提升很实在。

#JudgeGPT #GPT-4 #巴基斯坦 #司法AI

事件专题

IT之家2 个信源在谈原文

行业官方一手04:05

新闻机构如何用AI强化报道与运营

OpenAI分享了Axel Springer、Le Monde等新闻机构用GPT-4做事实核查和内容摘要的真实案例，很直观。

#OpenAI #新闻机构 #GPT-4 #事实核查

事件专题

官方一手OpenAI Blog11 个信源在谈原文

模型 Agent 与开发者多源确认15:32

GPT-5.6用户称性能飞跃，超越GPT-4到3.5的提升

有用户说GPT-5.6干活更利索比之前版本强一大截，但Codex还不够好，来看看他的体验。

#GPT-5.6 #GPT-4 #Codex #OpenAI

事件专题

@koltregaskes@koltregaskes11 个信源在谈原文

行业 Agent 与开发者多源确认14:54

微软评估将 Kimi K3 接入 Copilot，推理成本年降 6 亿美元

微软在偷偷试 Kimi K3，一旦切换每年能省40多亿，比用OpenAI便宜不少。

#微软 #Kimi K3 #Copilot #OpenAI

事件专题

IT之家11 个信源在谈原文

模型精选10:55

SFC框架：用图结构共形预测保证科学生成的有效性

想做可靠的科学生成？SFC框架让模型一边写一边用共形预测校验事实，结果比DeepSeek和GPT-4都准，还能少犯73%的科学错误。

#SFC #共形预测 #科学推理 #DeepSeek-R1

arXiv: DeepSeek@Mingqiao Mo 等 3 人原文

模型精选10:54

数据优先本体论的显式世界模型：DaoQL多模态存储验证与反事实推理评估

这篇论文把LLM当推理引擎，把知识存进显式数据库DaoQL，反事实推理比GPT-4o单独强49个百分点，适合做高精度场景的参考。

#DaoQL #GPT-4o #反事实推理 #显式世界模型

arXiv cs.AI@Zhanbo Li 等 4 人原文

模型中美对照18:34

阿里Qwen-Audio-3.0-TTS语音合成模型登顶全球权威榜单

阿里出了个超强语音模型，能说20种方言，情感语调都能调，榜单第一，快去试试合成效果。

#Qwen-Audio-3.0-TTS #阿里 #语音合成 #方言

量子位@梦晨原文

行业中美对照13:11

前沿模型价格三年仅降4-5倍，需求却涨千倍

别只看模型能力，价格变化也关键：GPT-4到K3才从60降到15美元，需求却涨了上千倍。

#GPT-4 #o1 #GPT-5 #K3

AI Will@FinanceYF5原文

技巧 Agent 与开发者精选11:49

输入随机数验明正身：识别OpenRouter等聚合商模型是否被调包

聚合商可能偷偷换模型，你输入一个随机数，看它回答哪个数字就能认出是谁，实测GPT-4o、Claude、Qwen各有偏好。

#OpenRouter #GPT-4o #Claude Sonnet 5 #Qwen3-Max

小互@imxiaohu原文

产品多源确认精选22:06

LiveKit 上线 Gemma 4 31B 推理服务，实时语音比 GPT-4.1 快5倍成本六分之一

LiveKit 用 Gemma 4 31B 做实时语音，延迟比 GPT-4.1 低5倍，成本仅六分之一，酒店测试胜出，值得试试。

#LiveKit #Gemma 4 #GPT-4.1 #实时语音

事件专题

小互@imxiaohu4 个信源在谈原文

产品13:13

Genspark COO分享如何编排70+前沿AI模型帮助用户聚焦高价值工作

Genspark把70多个模型串起来干活，帮你省掉杂事，你可以专注思考。COO亲自讲的，值得看看。

#Genspark #theCUBE #多模型编排 #AI产品

Genspark@genspark_ai原文

产品11:34

GPT-4助手帮助巴基斯坦法官案件处理量提升6%

GPT-4帮法官多处理6%的案子，质量还一样，这是AI司法落地的真实数据。

#GPT-4 #巴基斯坦 #司法 #法律AI

Ethan Mollick@emollick原文

论文中美对照11:22

多语言提示下LLM代码生成质量研究：GPT-4o mini、DeepSeek和Claude对比

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。

#GPT-4o mini #DeepSeek #Claude #代码生成

arXiv: DeepSeek@Saima Afrin 等 8 人原文

行业多源确认04:46

Meta和xAI陷入下一代模型陷阱，OpenAI凭借Orion/GPT-4.5成功脱险

博主分析了Llama 4和Grok 4为什么翻车，以及OpenAI的Orion/GPT-4.5怎么稳住了局面，值得一看。

#Meta #Llama 4 #xAI #Grok 4

事件专题

Ethan Mollick@emollick11 个信源在谈原文

行业中美对照精选14:09

Mozilla 2026开源AI报告：DeepSeek V4 Flash月用量18.4T Tokens登顶

Mozilla报告用数据告诉你开源模型有多猛：DeepSeek V4 Flash月用量18.4T Tokens碾压闭源，价格还暴跌50倍。

#Mozilla #DeepSeek V4 Flash #OpenRouter #开源模型

事件专题

IT之家2 个信源在谈原文

论文11:37

E3方法让AI Agent按任务复杂度动态分配资源，效率提升显著

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。

#E3 #MSE-Bench #LLM agent #智能体

arXiv cs.AI@Junjie Yin, Xinyu Feng原文

论文10:04

基于验证器的强化微调推理模型优化建筑热能存储控制

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。

#RLVR #RFT #GPT-5 #GPT-4o

arXiv cs.LG@Takumi Shioda 等 3 人原文

模型 Agent 与开发者22:08

免费AI编码模型DeepSeek-Coder-V2登顶全球排行榜

DeepSeek-Coder-V2免费开源，性能还超过了GPT-4o和Claude，写代码直接省钱了。

#DeepSeek-Coder-V2 #DeepSeek #开源模型 #编程助手

量子位@一水原文

论文10:44

QANTA 2026多模态问答：任务特定双智能体架构与置信度校准

他们用GPT-4.1-mini和GPT-4.1做两个不同任务，靠置信度校准和数值推理拿了QANTA 2026最高分0.402，不是靠堆模型而是靠策略。

#GPT-4.1-mini #GPT-4.1 #QANTA2026 #多模态问答

arXiv cs.AI@Nirjhar Das, Md. Al-Mamun Provath原文

论文76°08:29

跨族模型组合降低45%有害行为批准，研究显示链式思维监控易被绕过

DeepMind研究告诉你：别偷懒只用同一个模型的监控，换个不同家族的事实检查器，能堵住45%的漏洞。

#DeepMind #Claude 3.7 Sonnet #GPT-4.1 #链式思维监控

事件专题

elvis@omarsar02 个信源在谈原文

产品 Agent 与开发者精选21:10

微软研究院开源Flint，AI智能体一句话生成专业图表

微软发了Flint，让AI一句话生成Vega-Lite、ECharts图表，比直接写配置更靠谱，还开源了MCP服务器。

#Flint #微软研究院 #Vega-Lite #ECharts

IT之家原文

论文精选02:06

AI建议对企业家绩效的影响：GPT-4研究

这篇论文用GPT-4做实验，发现AI建议对不同绩效的企业家效果相反，挺有意思的。

#GPT-4 #企业家 #绩效 #AI建议

Ethan Mollick@emollick原文

模型中美对照多源确认88°06:33

OpenAI 发布 GPT-5.6 模型系列，提升网络安全能力

OpenAI 出了 GPT-5.6，主打网络安全，想看看新模型怎么防黑客的可以点进去。

#GPT-5.6 #OpenAI #AI安全

事件专题

techcrunch@Lucas Ropek11 个信源在谈原文

模型中美对照多源确认02:19

GPT-5.6 Sol 以不到一半成本获最高基准分

OpenAI 的 GPT-5.6 Sol 比对手便宜一半还得分最高，搞 AI 的朋友值得看看这个新动向。

#GPT-5.6 Sol #OpenAI #推理模型 #基准测试

事件专题

elvis@omarsar011 个信源在谈原文

模型中美对照多源确认93°02:11

OpenAI 发布 GPT-5，Sam Altman 称其为史上最佳模型

OpenAI 正式推出了 GPT-5，Sam Altman 亲自吹捧这是他们最好的模型，快去看看博客里写了什么新能力。

#GPT-5 #OpenAI #前沿模型

事件专题

官方账号Sam Altman@sama11 个信源在谈原文

行业 Agent 与开发者多源确认精选73°21:37

OpenAI自己查了SWE-Bench Pro，发现三成测试题有毛病，所以不认这个榜了。做AI编程的可以看看。

#OpenAI #SWE-Bench Pro #基准测试 #编程能力评测

事件专题

官方账号Decoder@Maximilian Schreiner11 个信源在谈原文

论文10:21

LLM代码性能基准再审视：现有测试仅暴露6.11%显著差异

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。

#EffiBench #EvalPerf #DeepSeek-v3.1 #GPT-4o

arXiv: DeepSeek@Nhat Minh Le 等 5 人原文

模型10:17

CO-LMLM：基于连续查询的有限记忆语言模型

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。

#CO-LMLM #LMLM #知识库 #gpt-4o-mini

arXiv cs.LG@Yair Feldman 等 8 人原文

模型中美对照多源确认72°08:01

GPT‑Live：ChatGPT语音模式升级，可调用GPT-5.5

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。

#GPT‑Live #GPT-5.5 #OpenAI #ChatGPT

事件专题

官方账号Simon Willison’s Weblog11 个信源在谈原文

模型中美对照官方一手23:36

Seedream 5.0 图像模型上线，2K 分辨率表现优于 GPT-4o

Seedream 5.0 图像模型刚上线，能生成 2K 分辨率图片，比 GPT-4o 清晰，但文字多时会糊。想试试新模型可以看看这些例子。

#Seedream 5.0 #GPT-4o #图像生成 #文本渲染

官方一手歸藏(guizang.ai)@op7418原文

行业14:58

ECI 榜单显示前沿 AI 模型领先地位平均仅维持 7 周

Epoch AI 的数据告诉你，现在 AI 模型换代有多快——平均七周就被拉下马，连 GPT-4 的时代都过去了。

#ECI 榜单 #GPT-4 #Claude 3 Opus #前沿模型

IT之家原文

论文 Agent 与开发者12:14

NAICS-GH：GitHub仓库行业分类数据集及管道

想给GitHub仓库自动打行业标签？这篇论文发布的数据集和管道精度高达97%，直接用RoBERTa或GPT-4.1就能复现，省去手动标注的麻烦。

#NAICS #GitHub #GPT-4.1 #RoBERTa

arXiv cs.AI@Kevin Xu, Alexander Quispe原文

行业多源确认11:46

OpenAI 首席未来学家 Joshua Achiam 离职，结束近九年任职

OpenAI 那位研究未来的老将走了，他做了九年安全研究，还参与过 GPT-4，接下来会怎么影响 AI 安全圈？

#OpenAI #Joshua Achiam #人工智能安全 #离职

事件专题

IT之家11 个信源在谈原文

行业官方一手精选01:54

智能免费时代下的数据系统变革

UC Berkeley教授深入分析AI成本暴跌后数据系统怎么变，三个方向很有启发。

#智能体 #数据系统 #推理成本 #GPT-4

官方一手Berkeley BAIR Blog原文

技巧 Agent 与开发者23:18

运行本地LLM进行编程任务的可行性评估

想知道本地跑LLM写代码靠不靠谱？看看这篇实测，从模型选型到硬件门槛都说了，还有和GPT-4的对比。

#LLM #编程助手 #本地模型 #Code Llama

Martin Fowler@martinfowler原文

模型精选17:00

从前沿AI到笔记本电脑AI：25个月的滞后

想了解前沿模型多久能变成你能在笔记本上跑的开源版？这篇用GPT-4、Claude 3.5等具体案例算出了平均25个月的滞后，还画了未来预测图。

#GPT-3 #Llama 2 #GPT-4 #Gemma 3

事件专题

@koltregaskes@koltregaskes2 个信源在谈原文

论文 Agent 与开发者多源确认精选15:15

Lilian Weng 博客：Harness Engineering 推动 AI 递归式自我改进

这篇博客把 auto-research、自改进 agent 等方向的工作收成系统框架，想了解 RSI 怎么落地可以看。

#Harness Engineering #递归自我改进 #智能体 #编程助手

事件专题

shao__meng@shao__meng3 个信源在谈原文

论文13:04

评估大语言模型在反犹事件分类中的表现

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。

#LLM #GPT-4o #Llama-3.2-3B-Instruct #反犹事件分类

arXiv: OpenAI@Karina Halevy 等 5 人原文