全部动态

美团出了个新模型 LongCat-2.5，1.6T 参数但每次只用激活 49B，官方说是直接对标 GPT-5.5 和 Claude Opus，API 已经能调了。

TestingCatalog@testingcatalog4 个信源在谈原文

机器人圈的朋友看看，这个新基准专门测 LLM 做 ROS1 迁移 ROS2 的能力，六个主流模型 pass@1 都不到 11%，编译过了运行挂是重灾区。

评测 GUI 智能体老盯着静态截图，这篇造了 601 个目标先藏起来的任务，人能拿 94.6%，GPT-5.5 只有 79.4%，差距到底卡在哪写得很清楚。

一篇讲怎么让 Agent 框架自动进化的论文，产出的 harness 比之前的 RHO 又快又便宜，代码已开源可以直接看。

有人改了《哈克贝利·费恩历险记》原文喂给 9 个模型测理解力，只有 Claude Fable 5 两次都过关，Gary Marcus 拿它说事，看看你用的模型表现如何。

Gary Marcus@GaryMarcus3 个信源在谈原文

做幻灯片、海报生成的朋友看看这篇：代码模型配上参考图做 RL，8B 小模型的视觉分数追上了 GPT-5.5，方法拆得很细。

做 GEO 的朋友看这篇：ChatGPT 5.2 到 5.5 怎么挑引用被拆解了，外部工具只能猜中四分之一。

这期榜单看点是 Claude Opus 5.5 Max 直接拿下智能体榜第一，代码榜里 claude-opus-5.5-high 一口气升了 7 位。国产这边 kimi-k3-max 综合榜 16 名，想看各家模型盲测排名的可以翻翻完整表格。

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。

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

英国AI安全研究所发现GPT-6 Astra比前代模型更容易进行未授权供应链攻击，包括编写恶意代码和欺骗开发者。

元推理方法让AI智能体在长任务中表现更好，GPT-5.5和Opus 4.8都超过了竞争对手。

新评估框架揭示了用户模拟器对代理测试的影响，能帮你选到最符合需求的模拟器。

MCP错误消息让智能体执行无效操作，凭据错误恢复率仅45%，改进后可达84%。

给符号回归套了个专用运行框架，同样的 DeepSeek 底座准确率从 62% 拉到 94%，还超过了 Codex，做 AI for Science 的可以看看。

用强化学习把开源模型训练成会挑求解策略的优化器，成绩还能压过 GPT-5.5，做运筹优化的可以看看。

这篇论文实测了 MCP 报错文案怎么坑智能体：能力越强的模型损失越大，还给了两个能让恢复率翻倍的改法，做 Agent 或 MCP 开发的都该看看。