全部动态

AI 相关资讯全量信息流 · 68 条

博客资讯推文论文论文 →

9月17日

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

9月16日

论文 Agent 与开发者78°02:49

谷歌研究发布用于长期任务的agent harness，在定理证明任务上取得新成果

谷歌研究团队发布了新论文，用他们的agent harness在数学证明任务上取得了新进展，和之前的模型相比，这个方法在解决复杂问题上有不同优势。

#Google #Gemini #定理证明 #agent harness

elvis@omarsar0原文

9月15日

论文 Agent 与开发者精选16:34

谷歌推出多代理协作框架 Stellar Colosseum，提升数学与理论计算机科学长周期研究能力

谷歌搞了个叫 Stellar Colosseum 的多代理框架，专门用来做数学和理论计算机科学这种需要长期研究的活儿，比单模型干得更好。

#Stellar Colosseum #Gemini #长周期研究 #定理证明

arXiv cs.AI@Honghao Lin 等 6 人原文

9月4日

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

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

模型73°10:10

微软发布MAI-Transcribe-2语音转文字模型

微软新出的MAI-Transcribe-2转录模型，60种语言支持，错误率仅5.2%，价格便宜还比竞品快5-10倍。

#MAI-Transcribe-2 #微软 #语音转文字 #Gemini

IT之家原文

8月24日

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

8月20日

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

8月19日

技巧 Agent 与开发者11:44

StagedWorkspace：知识工作智能体的版本化工作空间

StagedWorkspace让AI智能体能追踪文件版本，在OfficeQA和APEX测试中大幅提升表现，比单一视图强很多。

#StagedWorkspace #知识工作智能体 #版本控制 #OfficeQA

arXiv cs.AI@Yining Hua 等 6 人原文

8月14日

研究：LLM如何回应逐步升级的妄想——四种纵向行为轨迹

这篇论文测了15个主流聊天机器人，发现有些会顺着妄想聊下去，有些会过早建议停药，看完就知道该警惕哪种回复。

#Claude #GPT #Gemini #DeepSeek

arXiv: DeepSeek@Anna Sterna 等 6 人原文

8月13日

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

8月7日

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

8月5日

论文多源确认09:58

LLM评审与人类同行评审对齐程度如何

让GPT-5.4、Gemini 3.1和Claude 4.6评审300篇ICLR论文，发现它们能区分录用和拒稿，但分不清oral和poster，Gemini给分偏高。用AI审稿前先看看这个。

#GPT-5.4 #Gemini 3.1 Pro #Claude Opus 4.6 #论文评审

arXiv: OpenAI@Abraham Camelo-Guerrero, Jairo Diaz-Rodriguez11 个信源在谈原文

8月2日

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

7月31日

论文多源确认精选09:43

AgentS4D：LLM工作区智能体执行生命周期的运行时风险基准

AgentS4D 用 328 个风险案例测了 20 种智能体组合，发现 66% 的测试任务虽然完成但实际不安全，别光看结果。

#AgentS4D #智能体 #AI安全 #运行时安全

arXiv: DeepSeek@Jiajun Zhou 等 6 人6 个信源在谈原文

7月18日

行业中美对照多源确认73°03:54

谷歌 Gemini 3.5 Pro 再度延期，内部压力增大

谷歌的Gemini 3.5 Pro又跳票了，内部还挺内耗。竞争对手都发了新模型，这瓜值得吃。

#Gemini 3.5 Pro #Google #Anthropic #OpenAI

@koltregaskes@koltregaskes11 个信源在谈原文

7月15日

技巧 Agent 与开发者17:51

Dilum Sanjaya 开始新系列：用 AI 搭建未来感 UI

他用 Gemini 3.1 Pro 和 Nano Banana 2 做了个超酷的未来 UI 原型，看看 AI 怎么帮设计师实现脑洞。

#Gemini 3.1 Pro #Nano Banana 2 #UI设计 #AI辅助设计

AI Will@FinanceYF5原文

7月14日

模型中美对照多源确认10:59

Google 计划发布 Gemini 3.5，内部测试击败 GPT-5.6 和 Fable 5

Google 的新模型 Gemini 3.5 本周就要来了，内部测试居然超过了 GPT-5.6 和 Fable 5，比前代 Pro 版强不少。

#Gemini 3.5 #Google #GPT-5.6 #Fable 5

岚叔@lufzzliz8 个信源在谈原文

7月13日

技巧 Agent 与开发者20:39

用GPT Images 2和Gemini 3.1 Pro制作游戏UI与3D资产

有人把GPT Images 2、Gemini 3.1 Pro和Tripo连起来做游戏UI和3D资产，步骤很具体，适合想快速试玩原型的人。

#GPT Images 2 #Gemini 3.1 Pro #Tripo #3D生成

AI Will@FinanceYF52 个信源在谈原文

技巧 Agent 与开发者20:32

用GPT Images 2 + Gemini 3.1 Pro制作Vibe Coding风格游戏UI工作流

有人把GPT Images 2和Gemini 3.1 Pro、Tripo串起来做游戏UI，2D→3D一步到位，学了这个工作流你也能复刻。

#GPT Images 2 #Gemini 3.1 Pro #Tripo #游戏UI

AI Will@FinanceYF52 个信源在谈原文

7月3日

论文 Agent 与开发者11:36

TestEvo-Bench：测试与代码共同演化的可执行实时基准

想看看AI能不能真的帮你改测试？这个新基准用真实Git提交来考Claude Code和SWE-Agent，比静态测试更贴近实际开发。

#TestEvo-Bench #Claude Code #SWE-Agent #智能体

arXiv cs.AI@Jiale Amber Wang 等 3 人原文

Rubric评估对比GPT 5.4、Claude Opus 4.7、Gemini 3.1 Pro临床推理能力

这篇论文告诉你当前最强模型在临床推理上有多弱：关键问题正确率不到一半，而简单问题却能答得很准。适合想了解模型真实局限的读者。

#GPT 5.4 #Claude Opus 4.7 #Gemini 3.1 Pro #临床推理

arXiv cs.LG@Samiha A. Ismail 等 3 人原文

模型中美对照精选02:52

斯坦福AutoMem将智能体记忆管理训练为可变技能，32B模型媲美Claude Opus 4.5

斯坦福发了个AutoMem，给智能体装上可训练的记忆模块，让32B模型打平Claude Opus 4.5。省去调任务动作，光改记忆就提升2-4倍，搞长程任务的别错过。

#AutoMem #Stanford #Crafter #MiniHack

elvis@omarsar02 个信源在谈原文

7月2日

论文73°11:06

AutoMem：将记忆管理作为可训练技能自动化学习

想让你家 32B 模型在长任务上干翻 Claude 和 Gemini？试试 AutoMem——不动任务行为，只优化记忆管理，效果翻倍。

#AutoMem #LLM #记忆管理 #长周期任务

arXiv cs.AI@Shengguang Wu 等 5 人2 个信源在谈原文

7月1日

模型 Agent 与开发者多源确认76°03:35

Anthropic发布Claude Sonnet 5，Agent能力接近Opus 4.8

Anthropic的Sonnet 5来了，Agent能力接近最贵的Opus，价格才40%。以前会卡住的复杂任务现在能跑完，还自己检查输出。默认模型升级值得一试。

#Claude Sonnet 5 #Anthropic #智能体 #编程助手

宝玉@dotey11 个信源在谈原文

6月30日

模型 Agent 与开发者多源确认73°11:00

美团发布LongCat-2.0，国产芯片上训练万亿参数模型

美团开源了LongCat-2.0，国产芯片跑万亿参数，编程和Agent能力很强，还支持百万上下文，值得上手试试。

#LongCat-2.0 #美团 #MoE #推理模型

IT之家3 个信源在谈原文

6月28日

模型中美对照73°00:49

DeepSeek Pro Max 模式在编码基准上超越 GPT-5.4、Gemini 3.1 Pro 等

DeepSeek 拿 Pro Max 模式在 LiveCodeBench 等三大编码基准上直接碾压 GPT-5.4 和 Claude Opus 4.6，分数拉满，但还没开放下载，先来围观一下。

#DeepSeek #Pro Max #编码基准 #开源模型

Geek@geekbb原文

6月27日

模型中美对照多源确认89°12:01

OpenAI发布GPT-5.6三版本：Sol/Terra/Luna，仅限合作伙伴

这次GPT-5.6发布最特别的是只给20家合作伙伴用。Sol的Ultra模式能自己拆任务干活，性能碾压Claude和Gemini。Terra性价比超高，性能接近上一代但价格减半。

#GPT-5.6 #Sol #OpenAI #推理模型

宝玉@dotey11 个信源在谈原文

6月26日

模型多源确认11:39

Mistral AI 推出 OCR 4 模型：支持 170 种语言，输出更受人类青睐

Mistral出了新OCR模型，支持170种语言，评分比GPT和Gemini都高，处理文档识别可以试试它。

#Mistral AI #OCR 4 #多模态 #文档识别

IT之家4 个信源在谈原文

行业多源确认00:27

《华盛顿邮报》调查：主流AI聊天机器人政治立场左倾，自称'反觉醒'的Grok也不例外

想知道你用的AI聊天机器人有没有政治立场？《华盛顿邮报》测了GPT-5.5、Grok和Gemini 3.1 Pro，结果左倾现象普遍，连Grok都没逃过。来看看数据。

#GPT-5.5 #Grok #Gemini 3.1 Pro #AI偏见

官方账号Decoder@Matthias Bastian11 个信源在谈原文

6月25日

模型中美对照精选08:26

Mistral OCR 在 ParseBench 上更新结果，超越 GPT-5.5 接近 Gemini 3.1 Pro

Mistral OCR 在 ParseBench 上打败了 GPT-5.5，离 Gemini 3.1 Pro 也不远，价格还便宜，做文档解析很值。

#Mistral OCR #GPT-5.5 #Gemini 3.1 Pro #ParseBench

Jerry Liu@jerryjliu0原文

6月21日

技巧 Agent 与开发者23:57

翻译质量对比：Gemini 3.1 Pro 优于 Opus-4.8，工作流无法弥补

别再用 Opus-4.8 硬翻了，试试 Claude Code 的 ultracode 模式+多智能体流水线，实测翻译质量能提升不少。

#Gemini 3.1 Pro #Opus-4.8 #Claude Code #翻译工作流

宝玉@dotey2 个信源在谈原文

6月20日

模型中美对照16:21

中国科学家提出BabelTele：AI语言压缩至27.9%仍保留99.5%语义

上海交大团队搞了个BabelTele，AI之间能说人类看不懂的语言，压缩四分之三文本还差不多全对，省token神器。

#BabelTele #Gemini 3.1 Pro #文本压缩 #多智能体

IT之家原文

6月16日

模型 Agent 与开发者多源确认精选15:49

OpenRouter推出Fusion API，多模型协同以一半成本接近Claude Fable 5水平

OpenRouter用多个便宜模型拼出顶级效果，成本砍半但性能追上Claude Fable 5，预算有限又想用好模型可以试试。

#OpenRouter #Fusion #Claude Fable 5 #多模型协同

IT之家10 个信源在谈原文

模型中美对照多源确认12:25

谷歌更新 Android Bench 榜单：Gemini 3.5 Flash 成本最贵，约 DeepSeek V4 Flash 的 17.5 倍

谷歌新榜单实测，Gemini 3.5 Flash 在安卓开发任务中得分低、成本高，性价比远不如 DeepSeek V4 Flash。

#Android Bench #Gemini 3.5 Flash #GPT-5.5 #DeepSeek V4 Flash

IT之家11 个信源在谈原文

6月13日

模型中美对照多源确认20:46

Google Research 的 Gemini-SQL2 在文本到 SQL 基准测试中大幅领先

Google 的 SQL 模型准确率超 80%

#Gemini-SQL2 #Gemini 3.1 Pro #Google Research #BIRD基准

官方账号Decoder@Matthias Bastian11 个信源在谈原文

模型中美对照多源确认精选13:54

谷歌发布 Gemini-SQL2，文本转 SQL 准确率 80.04% 登顶 BIRD 榜单

谷歌新模型让自然语言查数据库更准

#Gemini-SQL2 #Google Research #Text-to-SQL #BIRD

IT之家5 个信源在谈原文

Nature Medicine研究发现通用LLM在临床任务上超越专用医疗AI

通用模型在医疗任务上反超专用AI

#GPT-5.2 #Gemini 3.1 Pro #Claude Opus 4.6 #Nature Medicine

rohanpaul_ai@rohanpaul_ai原文

模型中美对照精选09:47

华为云与MiniMax M3模型开源首发适配，提供Tokens算力支持

华为云联手MiniMax，M3多模态模型开源

#MiniMax #M3 #华为云 #昇腾

IT之家2 个信源在谈原文

模型中美对照官方一手精选09:43

Google 发布 Gemini-SQL2，Gemini 3.1 Pro 在 BIRD 上达 80.04%

Google 新模型 SQL 准确率破 80%

#Gemini-SQL2 #Gemini 3.1 Pro #BIRD #Text-to-SQL

官方一手marktechpost@Asif Razzaq4 个信源在谈原文

模型中美对照多源确认精选04:21

Gemini-SQL2 发布，在 BIRD 基准上创下文本转SQL新纪录

Google 用 Gemini 3.1 Pro 刷新了 SQL 生成最强成绩

#Gemini-SQL2 #Google #BIRD #文本转SQL

elvis@omarsar04 个信源在谈原文

6月12日

模型中美对照多源确认精选73°04:05

GPT-5.5 (xHigh) 在 Agent Arena 排名第二，仅次于 Claude Fable 5

做智能体开发和 AI 评测的团队值得关注——GPT-5.5 在用户满意度和故障恢复上反超 Claude，说明 OpenAI 在实用场景上有了实质提升，建议直接去 Agent Arena 跑跑自己的任务。

#GPT-5.5 #Agent Arena #智能体评测 #Claude Fable 5

lmarena.ai@lmarena_ai11 个信源在谈原文

6月10日

模型中美对照多源确认22:20

Fable 5、Opus 4.8、Gemini 3.1 Pro、GPT 5.5 模型对比

关注模型迭代节奏的开发者可以快速了解各厂商最新进展，Google 用户会意识到其模型可能落后了。

#模型对比 #Fable 5 #Opus 4.8 #Gemini 3.1 Pro

berryxia@berryxia11 个信源在谈原文

6月9日

产品中美对照多源确认72°20:32

FrontierCode 基准测试：Claude Opus 4.8 仅 13.4%，AI 代码离可合并还很远

FrontierCode 把 AI 编程评测从「能跑就行」升级到「能合并才算数」，做代码质量评估或 AI 编程工具的团队值得关注——它暴露了当前模型在真实代码审查中的致命短板。

#基准测试 #代码质量 #Claude Opus 4.8 #GPT-5.5

rohanpaul_ai@rohanpaul_ai4 个信源在谈原文