论文10:06
三方狼人杀：为LLMs引入Jester角色的多跳心智理论这篇论文让AI玩三方狼人杀，发现GPT-4.1狼人总犯傻投票出Jester，而DeepSeek学会了装可疑又不露馅。想看看AI怎么玩心眼？读它。
全部动态
AI 相关资讯全量信息流 · 340 条
6月29日
6月28日
OpenAI 从 ChatGPT 移除 GPT-4.5，GPT-4 时代终结
GPT-4.5 下线了，想用它的好文风只能走 API。o3 也快走了，记得 8 月 26 日前备份。
6月27日
Epoch AI 发布 MirrorCode 基准：AI 可自动编程数天，完成人类数周任务
Epoch AI 搞了个新基准 MirrorCode，让 AI 连续写几天代码，最强模型能干人类几周的活，想看看 AI 编程天花板在哪可以关注。
LLM默认使用React的倾向降低了？Simon Willison的观察
Simon Willison分享了一个省事小发现：现在LLM写前端默认React少了，你少写一句提示词。
6月26日
OpenAI 发布智能体构建指南：从原理到实践
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。
6月24日
Anthropic在Slack中构建模型无关的Agent，避免供应商锁定
想摆脱模型锁定？看看Anthropic在Slack里的这个集成，能随时切换模型，不用吊死在一棵树上。
模型00:57
PlanBench-XL：在大型工具生态中评估LLM智能体的长程规划想看看你用的LLM在多工具长流程场景下到底多靠谱？PlanBench-XL用上千个工具设计了真实任务链，测出来主流模型成功率不到40%，值得一测。
6月23日
huggingface_hub每周发布实践：AI、开源工具与人工审核
Hugging Face分享了他们如何用GPT-4和GitHub Actions把库发布从两个月一次提速到每周一次，还保留了人工把关，挺实用的经验。
Lost in Aggregation：LLM空间导航多尺度诊断基准
想知道LLM为什么在导航任务中迷路吗？这个基准把问题拆成三个层级，告诉你59%的锅在交叉口选择，39%在局部感知，方向判断几乎不犯错。对做空间推理的开发者非常有用。
OpenAI 发起新计划帮助发现和修复开源漏洞
OpenAI 要用 AI 帮开源项目找漏洞了，初期覆盖 1000 个项目，对用开源软件的开发者是个好消息。
OpenAI 启动 Patch the Planet 项目，助力开源安全修复
OpenAI 联手 Trail of Bits 和 HackerOne，用 Codex Security 帮开源项目快速修漏洞，人工把关，靠谱。
6月22日
Sakana AI推出Fugu系统，多模型协作媲美Anthropic的Fable和Mythos基准
日本AI公司Sakana AI搞了个新系统叫Fugu，能让不同模型一起干活，不用只靠一家供应商。效果还跟Anthropic的Fable 5差不多，值得看看怎么做到的。
微软转向DeepSeek V4应对AI token成本激增
微软的Copilot因为Token太贵改用DeepSeek了，以后按用量计费，用多少付多少。想省钱的话可以关注这个开源模型。
6月19日
马斯克与中国AI CEO激辩：中国LLM何时追上西方顶尖水平
马斯克和智谱AI老板打赌中国AI追上西方的时间，智谱刚发了GLM-5.2，说用不了那么久，这瓜有数据有交锋。
REDACT: 系统控制的多语言个人信息检测基准
这个基准提供了具体的数据和评估，能帮你了解不同检测器在处理多语言PII时的真实表现差异。
Cloudflare教你构建自己的漏洞检测工具
Cloudflare公开了他们内部用的漏洞检测工具怎么做，从状态管理到对抗审查都讲了，想自己搭自动化安全工具的可以抄作业。
6月18日
OpenAI 发布 LifeSciBench 基准，评估 AI 处理生命科学研究任务
OpenAI 出了个新基准 LifeSciBench，专门测 AI 做生命科学研究的能力，比一般问答难多了，能看出模型哪里不行。
Anthropic前沿红队测量LLM对N-day漏洞利用的影响
Anthropic自家红队实测，发现Claude和GPT-4都能帮人更快写出漏洞利用代码。想知道风险多大？看这篇。
6月16日
SpaceX 斥资600亿美元收购 Cursor 母公司 Anysphere
马斯克又出手了，SpaceX 花600亿买下 Cursor 团队，直接帮 xAI 对抗 OpenAI 和 Anthropic。
俄语宣传骗过AI模型有多容易？新基准测试揭示
想知道你用的AI会不会被俄语宣传带跑偏？爱沙尼亚语言研究所测了8个主流模型，GPT-4o最扛打，Llama 3.1中招率最高。看看你的AI排第几。
论模型提供商与应用提供商分离的利弊
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。
人类注视与视觉语言模型注意力在安全场景中的比较研究
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。
组合推理深度预测临床AI失败：EHR问答实证
这篇论文用实验告诉你，临床AI回答EHR问题时，推理步骤越多越容易翻车。Claude、GPT-4o和GPT-5.4都逃不过，部署前得重点防多步推理。
论文10:48
多模态评估者偏好崩溃：自进化智能体中的跨模态传染这篇论文用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。
ASSAY框架分离技能生成与筛选，智能体任务完成率显著提升
一篇教你如何让AI智能体更聪明的研究：不用改权重，光靠整理技能库就能让DeepSeek-V3和GPT-4.1冲上榜单第一，方法还开源了。
6月14日
当年GPT-3.5提示冒充GPT-4，如今Fable 5实力差距仍巨大
别信提示词能偷实力，Fable 5靠的是真功夫
6月13日
早报：SpaceX上市首日暴涨，苹果高管称Siri不做情感伴侣，华为余承东称盘古大模型要走向世界第一
SpaceX上市首日暴涨，苹果Siri定位明确，华为盘古大模型目标世界第一
Claude Fable-5 在 Agent Arena 排行榜上的技术细节
看 Fable-5 在 Agent Arena 上的具体数据
6月12日
论文09:50
SICI指数揭示LLM立场检测中的阶段转变这项研究揭示了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。
AI语音克隆威胁声音身份：法律框架面临挑战
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。
6月11日
shadcn/improve：最强模型决策+低成本模型执行，自动优化代码库
做代码库重构或自动化优化的开发者，终于有了一个兼顾成本与质量的方案——用强模型定方向、弱模型干苦活，直接开源可试。