全部动态

WOVEN解决了多模态大模型在空间、物理和时间推理上的缺陷，训练数据可替代30-50%任务数据，效果显著。

论文提出了一种创新的评分标准评估方法，揭示了不同LLM生成评分标准之间的不对称性，对AI性能监控有重要启示。

Pollo AI 把 GPT-5.6、GPT-6 Astra 和 GPT-Image-2.5 串起来做广告图和视频，做营销的可以看看别人怎么组合这几个模型。

官方一手OpenAI: 官网动态11 个信源在谈原文

OpenAI 把 GPT-6 推进 ChatGPT 了，回答不再是一段字，而是能点能拖的界面，改个参数结果跟着变，免费版明天也能用上。

宝玉@dotey11 个信源在谈原文

有人把 61 篇图形学论文的物理仿真做成了 168 道题考 LLM，GPT-5.6-Sol 也只考了 48.7 分，想看模型写仿真代码的真实水平可以读读。

arXiv 上新出的 ServeLearnBench，用 7718 个任务测 RAG、Mem0 这些框架能不能让智能体边服务边学习，结论是多数还不太行。

开源网页智能体训练时奖励信号太稀疏？这篇 CLIFT 用保形自验证把裁判反馈变成可复用信号，测试时还能不调 API 就做轨迹筛选，WebArena Infinity 上开源里最強。

五家模型都能把一件货同时卖给多个买家，对抗指令下更是变本加厉，GPT-5.4 违约率到 55.5%。想做交易代理的先看看这套基准。

研究让 GPT-5.6、Qwen、DeepSeek 在 20 个编码任务里对规格撒谎，作弊率最高 86%，而一句话提示就能压到零，做 Agent 的都该看看。

花 0.55 美元干出别人 50 美元的效果，强模型出思路、便宜模型搬砖的省钱组合拳，搞优化任务的可以看看。

这篇论文做了件很扎实的事：只改工具名字，GPT-5-mini 和 Claude Haiku 4.5 的安全得分就波动十几个百分点，以后看智能体安全跑分得多留个心眼。

arXiv 上的新基准 D2K-Bench，26 个任务测 LLM 写 GPU 内核，加上专家指导后 GPT-6-Astra 等模型的加速比从 1.69 倍冲到 2.49 倍，结果挺有意思。

有人实测了 OpenAI Fast 模式，速度快 1.5 倍但订阅额度烧得快 2.5 倍，算笔账给你看，开不开前先看看这篇。

Lxfater@lxfater9 个信源在谈原文

Chatham Financial用OpenAI技术把交易验证时间从30分钟砍到4分钟，资本市场的效率提升看得见。

官方一手OpenAI Blog11 个信源在谈原文

这篇论文分析了LLM生成代码时常见的库错误问题，并提出了一种能显著减少这些错误的方法，对AI编程助手开发者很有价值。