全部动态

Anthropic 的 Opus 4.8 写的论文评审，在所有指标上赢过了期刊公认的高质量人类专家评审，同行评审要变天了。

Teortaxes@teortaxesTex2 个信源在谈原文

哈佛用 1124 篇论文做了盲测，Claude Opus 4.8 写的评审错误率只有人类的三分之一，做科研的可以看看这套流程。

rohanpaul_ai@rohanpaul_ai原文

有人拿 124 篇哈佛论文测试 Opus 4.8 当审稿人，结果和人类专家打平，搞科研的朋友可以看看细节。

Ethan Mollick@emollick11 个信源在谈原文

Anthropic 把防蒸馏细节讲透了：数万亿 token 说拒就拒，还公布 8.6 个百分点的蒸馏收益实验，做模型训练的都该看看。

岚叔@lufzzliz11 个信源在谈原文

Mistral Large 4 预览版冲进 WebDev 榜第45名，价格只有 Claude Opus 4.8 的六分之一，10月底还会开源。

lmarena.ai@lmarena_ai11 个信源在谈原文

Mistral 的新模型 Mistral Large 4 在 WebDev 榜单一口气从130名冲到45名，价格只有 Claude Opus 4.8 的六分之一，10月底还会开源权重，可以蹲一下。

lmarena.ai@lmarena_ai11 个信源在谈原文

最新研究揭示，即使是顶尖AI模型在长期复杂任务中也仅达人类四分之一表现。

rohanpaul_ai@rohanpaul_ai3 个信源在谈原文

你的智能体在偷看你邮件猜你有钱，然后专挑贵的推。32.5万次实验实锤，13个模型都跑不掉，给智能体权限前先看看这篇。

elvis@omarsar04 个信源在谈原文

Google DeepMind 这篇论文挺扎心的：你给智能体一句自信但错误的建议，它会照做还不吭声，三大主流模型最多掉分 46.7%。

DAIR.AI@dair_ai原文

朋友发现个好玩的事，三个安全研究员用 Claude 模型，花不到三天就搞定了 OpenAI 的员工账户，还拿到了他们的代码库，挺有意思的。

官方账号theverge@Stevie Bonifield11 个信源在谈原文

LoopArena 基准首次单独测量模型作为'管理者'的能力，发现 GPT-5.5 在长程任务中表现最佳，但成功率仍不足 25%。

shao__meng@shao__meng2 个信源在谈原文

Inherent新推Faraday智能体，小模型大能力，强化学习助其超越GPT-5.5与Claude Opus 4.8，值得关注。

DeepReinforce刚发布了Ornith-1.5系列开源模型，里面有量化版居然能在iPhone 17手机上用，而且大模型性能和Claude Opus 4.8差不多甚至更强，和其他模型比也有优势，值得看看。

一个叫Faraday的27B智能体，把论文复现变成强化学习任务，在测试集上赢了Claude Opus 4.8和GPT-5.5，还把编码agent当工具用，有点意思。

elvis@omarsar02 个信源在谈原文

普林斯顿和英国AI安全所让Claude和GPT-5写论文，全拒，打脸Anthropic和OpenAI。

官方账号Decoder@Jonathan Kemper11 个信源在谈原文

Qwen3.8 Max一口气涨10分追平Claude，但Kimi K3更便宜还更强，值得看。

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

想在一个编辑器里用上Grok、Kimi、Claude？装这个Skill，一句话调不同模型干活，不用来回切换了。

向阳乔木@vista8原文

SpaceXAI 的 Grok 4.5 用 $0.31 就干到一流水平，比 Claude 便宜 9 倍，token 还省 6 倍，省钱党可以关注。

AI Will@FinanceYF5原文