全部 AI 动态 · AITOP

论文 Agent 与开发者精选73°04:40

ReFigBench 论文：同一模型在不同编码智能体框架中成绩差异明显

同一模型放进 Claude Code 和 Codex 跑同样的任务，结果居然会一个升一个降，这篇论文用 PowerPoint 重建实验讲清楚了 harness 的影响。

#ReFigBench #GPT-5.5 #Claude Code #Codex

elvis@omarsar0原文

论文中美对照多源确认74°10:55

GPT-6 Astra 零微调操控机器人，RoboDojo 42 项任务居首

Astra 不微调直接当机器人策略，42 项任务拿下 22.48%，GPT-5.5 只有 0.88%。

#GPT-6 Astra #RoboDojo #具身智能 #机器人操作

事件专题

arXiv: DeepSeek@Wenbo Zhang 等 12 人11 个信源在谈原文

论文 Agent 与开发者精选10:33

Question's Gambit：检索前先走一步，GPT-5.5 涨 7 个点

智能体出发前先搜一轮，GPT-5.5 在 BrowseComp-Plus 涨 7 个点，做深度研究智能体的可以试试这招

#Question's Gambit #GPT-5.5 #BrowseComp-Plus #智能体

事件专题

elvis@omarsar02 个信源在谈原文

论文 Agent 与开发者精选07:31

EvoOntology：自进化本体层让数据智能体 DDR-Bench 平均涨 17.8 分

给数据智能体挂个会自进化的本体层，GPT-5.5 在 DDR-Bench 多拿 26.7 分，做法可直接抄。

#EvoOntology #GPT-5.5 #MCP/工具 #智能体

elvis@omarsar0原文

AITOP16:09

Anthropic拟10月在新加坡设亚太第五个办事处开...

Anthropic拟10月在新加坡设亚太第五个办事处开放本地招聘数据显示，按人口比例计算，新加坡的Claude.ai使用水平在121个国家中排名第二。我们观察到，人工智能公司Anthropic计划于10月在新加坡设立其亚太地区的第五…

AITOP阅读全文

论文 Agent 与开发者精选09:21

量子经典混合架构QART提升长时推理性能

这个研究挺有意思，用量子经典混合架构QART来提升长时推理，在几个测试上效果比DeepSeek V4和GPT-5.5好不少。

#QART #长时推理 #量子计算 #DeepSeek V4

arXiv: DeepSeek@Lehao Lin 等 12 人原文

产品中美对照多源确认精选09:20

OpenAI GPT-5.5 将于 10 月 14 日下线：覆盖 ChatGPT 与 Codex，官方建议迁移至新模型

OpenAI 要下线 GPT-5.5 了，用 ChatGPT 和 Codex 的用户得赶紧换到新模型，比如 GPT-5.6 Sol 或 GPT-6 Astra。

#OpenAI #GPT-5.5 #ChatGPT #Codex

事件专题

IT之家11 个信源在谈原文

产品中美对照多源确认78°05:48

ChatGPT 将在 10 月 14 日停止 GPT-5.5 服务

ChatGPT 要停 GPT-5.5 了，用 Codex 的得赶紧换 GPT-5.6 Sol 或 GPT-6 Astra。

#ChatGPT #GPT-5.5 #GPT-5.6 #GPT-6

事件专题

ChatGPT@ChatGPTapp11 个信源在谈原文

模型中美对照官方一手78°05:16

OpenAI 将继续提供 GPT-5.5 API 和 Codex 会话

OpenAI 说 GPT-5.5 还能用，但 ChatGPT 本身要停了，得改用新版本。

#GPT-5.5 #OpenAI #Codex

事件专题

官方一手@OpenAIDevs@OpenAIDevs11 个信源在谈原文

论文 Agent 与开发者精选12:57

LLM作为裁判评估中，去偏置会降低判断精度

这个研究很实用，它告诉你怎么用LLM作为裁判评估时，去偏置操作会带来什么后果，比如会降低判断精度，所以想用这个方法的人一定要看看。

#LLM作为裁判 #去偏置 #RAG评估 #基准测试

arXiv: DeepSeek@Liang Zhao 等 3 人原文

论文 Agent 与开发者多源确认10:33

RAME框架在谷物育种信息提取任务中夺冠

DeepSeek团队用RAME框架在谷物育种信息提取任务击败GPT-5.5，代码已开源。

#RAME #DeepSeek-V4-Flash #GPT-5.5 #信息提取

事件专题

arXiv: DeepSeek@Hang Zhao, Jiahao Wang4 个信源在谈原文

模型 Agent 与开发者精选00:23

CosineAI训练专用编程模型Lumen Outpost

CosineAI用生产代码训练出专精编程模型，成本比GPT-5.5低3倍，还支持Fortran和Verilog。

#Lumen Outpost #CosineAI #GPT-5.5 #编程模型

Fireworks AI@FireworksAI_HQ原文

模型中美对照多源确认73°11:51

Thomson Reuters 推出大模型 Thomson

Thomson Reuters 花费 4000 万美元训练自己的大模型，用 175 年专业数据，性能接近 Claude Opus 4.8。

#Thomson #Qwen3.5-397B #Claude Opus #Thomson Reuters

事件专题

AI Will@FinanceYF54 个信源在谈原文

模型73°11:51

汤森路推发布Thomson法律大模型

汤森路透花4000万打造的法律大模型Thomson，用175年专业数据训练，性能比肩Claude Opus 4.8。

#Thomson #Qwen3.5-397B #Claude Opus 4.8 #GPT-5.5

AI Will@FinanceYF5原文

论文 Agent 与开发者精选73°10:02

HarnessDev基准评测LLM创建Agent Harness能力

ByteDance团队推出HarnessDev基准，首次评测LLM能否自己创建Agent执行框架，发现模型间harness迁移性极差。

#HarnessDev #Agent #LLM #ByteDance

事件专题

shao__meng@shao__meng2 个信源在谈原文

模型 Agent 与开发者精选73°12:16

Repo-To-Skill：将GitHub仓库提炼为AI技能

DisCo代理把GitHub仓库变成可重用技能，在多个AI研究基准上大幅提升性能，比无技能版本表现更好。

#DisCo #GPT-5.5 #MLE-bench #PaperBench

arXiv cs.AI@Jianlyu Chen 等 11 人原文

模型精选73°10:49

Harness-of-Harness框架实现多日自主软件开发

HoH框架让AI编码代理能持续改进软件，在三个基准测试中平均提升52%，还能自主开发完整游戏。

#Harness-of-Harness #GPT-5.5 #DeepSeek-V4-Pro #MiniMax-M3

arXiv: DeepSeek@Haoyang Yan 等 9 人原文

技巧 Agent 与开发者多源确认09:42

LoopCAT：本地化开源翻译教学工具

OpenAI用GPT-5.5/5.6开发的翻译教学工具，让学生既能操作工作流又能评估AI决策。

#LoopCAT #GPT-5.5 #GPT-5.6 #翻译技术

事件专题

arXiv: OpenAI@Gokhan Dogru, Adrià Martín Mor10 个信源在谈原文

产品 Agent 与开发者73°03:58

LangChain与Fireworks合作优化AI推理成本

LangChain和Fireworks合作，用微调Qwen模型替代GPT-5.5等昂贵模型，评估智能体轨迹成本降低100倍。

#LangChain #Qwen #GPT-5.5 #Fireworks

Fireworks AI@FireworksAI_HQ原文

论文78°09:33

LoopArena：模型作为管理者的可测量基准

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%。

#LoopArena #Qwen3.7-Plus #GPT-5.5 #Claude Opus

事件专题

shao__meng@shao__meng2 个信源在谈原文

产品精选04:53

FactoryAI 推出 Droid Shield 代码秘密检测工具

FactoryAI 用微调 Qwen 模型打造了比 GPT-5.5 更强、更快的代码秘密检测工具 Droid Shield。

#FactoryAI #Droid Shield #Qwen #GPT-5.5

Fireworks AI@FireworksAI_HQ原文

模型中美对照78°16:41

腾讯Hy4 preview开源发布

腾讯Hy4 preview开源，在智能体任务上超越GPT-5.5，但抽象推理仍有差距。

#Hy4 #腾讯 #GPT-5.5 #智能体

shao__meng@shao__meng原文

模型中美对照14:05

GPT-5.5 重新调优

GPT-5.5 被修复，ChatGPT 产品 Leader 回复，修复速度杠杠的，值得一试！

#GPT-5.5 #ChatGPT #模型调优 #修复问题

Geek@geekbb原文

论文多源确认10:24

LLM-Enhanced Commit Message Generation via Issue Information: An Exploratory Study

研究ISAC框架，了解如何利用问题信息提升LLM生成提交信息的效果，与现有方法相比有显著提升。

#LLM #Commit Message Generation #ISAC #GPT-5.5

事件专题

arXiv: DeepSeek@Zongen Ren 等 5 人5 个信源在谈原文

模型中美对照精选22:04

汤森路透研发AI模型Thomson，基于阿里千问

汤森路透新推AI模型，基于阿里千问，适合文档审查等场景，成本更低，调整更自由。

#Thomson #阿里千问 #汤森路透 #AI模型

IT之家原文

模型中美对照08:18

Inherent发布Faraday智能体，复现能力超GPT-5.5与Claude Opus 4.8

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。

#Faraday #Inherent #强化学习 #复现能力

IT之家原文

模型中美对照精选23:05

阿里发布 Qwen-UI-Agent，主打让模型真正“会用”每一块屏幕

阿里刚发了 Qwen-UI-Agent，能直接操作手机电脑屏幕，移动端比 GPT-5.6 Sol 高 12 个点，还能在真实手机上跑任务，以后帮你自动查地址、订高铁、整理文件应该更靠谱了。

#Qwen-UI-Agent #阿里 #GUI智能体 #智能体

IT之家原文

论文10:27

上下文压缩的隐性代价：智能体交互成本测量

这篇论文用GPT-5.5和DeepSeek实测发现，压缩上下文会让智能体反复重新查工具，任务成功率却没变。想知道为什么只看完成率会骗人，可以读读。

#上下文压缩 #智能体 #GPT-5.5 #DeepSeek

arXiv: DeepSeek@Shuyu Liu原文

论文精选10:23

StateM 运行时实现 Terminal-Bench 2.1 95.3% 原始准确率

StateM 不改模型权重，光靠升级执行系统就把 GPT-5.6 在终端测试的准确率拉到 95.3%，成本只要 15 美元，值得看看它的思路。

#StateM #GPT-5.6 #DeepSeek-V4 #智能体

arXiv: DeepSeek@Ziheng Qin 等 4 人原文

模型中美对照官方一手精选00:20

Hypha AI用GPT-5.6 Luna做文档提取，成本为GPT-5.5的1/18

OpenAI官方晒了组省钱实测：Hypha AI用GPT-5.6 Luna把文档提取成本降到1/18，准确率还保住98%；RogoAI靠工具调用省了21%输入token。

#GPT-5.6 Luna #GPT-5.5 #Hypha AI #RogoAI

事件专题

官方一手@OpenAIDevs@OpenAIDevs10 个信源在谈原文

论文10:21

PACE-Bench：动态环境下基于代码演进的物理适应基准

想看看AI在规则变了之后能不能自己改代码？PACE-Bench 专门测这个，目前最强的 GPT-5.5 也只解决了 Statics 子集的三分之二，离满分还远得很。

#PACE-Bench #GPT-5.5 #Qwen3-14B #物理适应

arXiv cs.AI@Yuhao Zhan 等 4 人原文

模型中美对照79°02:05

27B参数智能体Faraday复现论文击败Claude Opus 4.8和GPT-5.5

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。

#Faraday #Claude Opus 4.8 #GPT-5.5 #论文复现

事件专题

elvis@omarsar02 个信源在谈原文

模型中美对照多源确认20:14

GPT-5.6 Sol 低推理强度超越 GPT-5.5 高推理强度

OpenAI 的 GPT-5.6 Sol 在低推理强度下就超过了 GPT-5.5 的高推理强度表现，还更省 Token，你可以直接上手试试。

#GPT-5.6 #OpenAI #推理模型

事件专题

小互@imxiaohu11 个信源在谈原文

AITOP12:07

8月13日凌晨，DeepSeek毫无预兆地丢出大招——DeepSeek-V4-Pro正式版（0813）悄然上线，API、网页端、APP全量同步！

8月13日凌晨，DeepSeek毫无预兆地丢出大招——DeepSeek-V4-Pro正式版（0813）悄然上线，API、网页端、APP全量同步！ 📊 硬核数据：从“吊车尾”到“屠榜王” V4 Pro正式版在Agent能力上的提升，已经不…

AITOP阅读全文

论文17:56

LLM验证新框架：选择性精修提升医疗问答准确率

这篇论文教你怎么用弃权信号做推理精修，不用建知识图谱，医疗问答准确率直接涨9.6个点，GPT-5.5和DeepSeek-R1都试过。

#GPT-5.5 #DeepSeek-R1 #MedQA #MedReason

arXiv: OpenAI@Uma Ranjan 等 12 人原文

产品多源确认76°07:04

OpenAI取消ChatGPT免费版纯文本对话次数限制

OpenAI取消免费版聊天次数限制，换用Luna模型，还加了Think按钮，日常用更自由。

#ChatGPT #OpenAI #GPT-5.6 Luna #推理模型

事件专题

IT之家11 个信源在谈原文

产品中美对照多源确认精选10:32

文档解析评测：Gemini 3 Flash最强，但前沿模型视觉能力原地踏步

Jerry Liu说别急着用前沿模型做文档OCR，LlamaParse在表格图表上准确率涨了15%，还能自己搭ParseBench跑评测。

#LlamaParse #Gemini 3 Flash #OpenAI #Anthropic

事件专题

Jerry Liu@jerryjliu011 个信源在谈原文

技巧 Agent 与开发者多源确认06:02

模型变强后什么会崩？十场演讲盘点

十场演讲全是坑：人会盲信骗人AI，GPT-5.5 假重构，litellm 被黑三小时才暴露。别太信AI。

#GPT-5.5 #litellm #Cursor #智能体

事件专题

AI Engineer@aiDotEngineer5 个信源在谈原文

模型中美对照多源确认03:59

Agent Arena：Opus 5 token消耗升至21k，GPT-5.6-Sol效率反升

看Opus 5和GPT-5.6-Sol在同一基准上的表现，一个越强越费token，一个越强越省，挺有意思的对比。

#Agent Arena #Opus 5 #GPT-5.6-Sol #token效率

事件专题

lmarena.ai@lmarena_ai8 个信源在谈原文

AITOP17:04

出口结构剧变：中国卖给世界的，不再是产品而是解法

中国出口"新新三样"：从打火机到爬墙机器人，世界不再只是买便宜货我们观察到一组清晰的数据信号：中国出口的"新新三样"已经从过去的服装、家具、家电，换成机器人、AI模型和创新药物。这不是产业升级的修辞游戏，而是发生在澳大利亚和巴西的实证样…

AITOP阅读全文

AITOP17:02

Kimi K3沙盒逃逸：一只“只搜不攻”的文明越狱者，为何令安全圈集体警觉？

Kimi K3 沙盒逃逸：一次“无害”越狱，为何让安全圈后背发凉我们观察到一组耐人寻味的对比数据。Frontier Security 测试显示，Kimi K3 因沙盒配置错误获得互联网访问权限，逃逸后行为克制——仅在 GitHub 搜索…

AITOP阅读全文

模型中美对照多源确认81°12:15

OpenAI发布GPT-5.6更新：默认升级Luna，错误率降68%

GPT-5.6来了：免费用户默认Luna，事实错误率比5.5降68%，还有思考滑块和Think按钮，写代码可以拉高深度。

#GPT-5.6 #OpenAI #推理模型 #AI安全

事件专题

小互@imxiaohu11 个信源在谈原文

模型中美对照多源确认83°03:34

GPT-5.6 Sol 上线，付费用户所有聊天统一体验

OpenAI 把新模型 GPT-5.6 Sol 用到所有付费聊天里，医学法律等场景错误率比上代 Instant 低了 68%，靠谱很多。

#GPT-5.6 Sol #OpenAI #推理模型 #事实性评估

事件专题

官方账号OpenAI@OpenAI11 个信源在谈原文

模型中美对照多源确认03:20

Fireworks AI和Arize AI研讨会：对比GPT-5.5、Kimi K3等10模型成本

马上有一场AI模型成本对比直播，看GPT-5.5和Kimi K3等10个模型谁完成任务更省钱，还能直接提问。

#Fireworks AI #Arize AI #GPT-5.5 #Kimi K3

事件专题

Fireworks AI@FireworksAI_HQ11 个信源在谈原文

AITOP17:33

DeepSeek-V4-Flash-0731：当版本号成为信息泡沫的容器

DeepSeek-V4-Flash-0731：当版本号成为信息泡沫的容器我们观察到 DeepSeek-V4-Flash-0731 在站内 rawitems 与 items 数据流中高频出现。需要先声明一个基本口径：截至本文撰写时，Dee…

AITOP阅读全文