EviSeek：以证据为中心的具身主动信息获取框架
一个不用训练的 agent 框架，让机器人主动找证据回答问题，在 ESI-Bench 上用 Qwen3-VL-32B 提了 7 个点还省 token。
全部动态
AI 相关资讯全量信息流 · 80 条
11月5日
11月4日
Google DeepMind 与 Stanford 论文：提示图中的红心能让代码模型从 0% 递归变 100%
DeepMind 和 Stanford 发的论文，往编码提示里塞一张红心图，Claude Opus 4.7 和 GPT-5.4 就全改成递归写法了，做图像智能体的得看看。
11月3日
Google DeepMind 论文：简单图形可隐蔽操纵多模态 AI 决策
DeepMind 拿 Claude、Gemini、GPT 做实验，塞张红心图就能让 AI 从循环改成递归，它们还毫无察觉，挺有意思的研究。
10月29日
Google DeepMind 与 Stanford 研究：图片符号能隐秘操纵模型写递归代码
DeepMind 和 Stanford 发现一张红心图片就能让 GPT-5.4 百分百写递归代码，而且思维链里完全看不出来，做 agent 的都该看看。
10月23日
V4.1 Flash-1017 在 ARC-AGI-2 上略超 Gemini 3.1 Pro Preview
V4.1 Flash-1017 在 ARC-AGI-2 上小胜 Gemini 3.1 Pro Preview，想看推理模型基准对比的可以看看这组数据。
10月22日
AA-PersonalityBench：Gemini 系列模型自信度最高、最不愿承认不确定
Artificial Analysis 测了各家模型的性格：Gemini 全家自信度爆表，几乎从不说"我不确定"，分数都列出来了。
10月15日
Gemini 4 Argon 登上 Epoch 能力指数 165 分，逼近 Opus 5.5 与 GPT-6 Astra
Google 新模型 ECI 拿了 165 分，只差 Opus 5.5 两分，四大模型正面比数字，一看就懂谁强谁弱。
10月6日
Agentic Pipeline 实现流程图多比例自适应重排，Content Fidelity 达 68.6%
写论文的都懂流程图换个画布比例多痛苦，这篇把它做成智能体流水线，输出还是 draw.io 能直接编辑的，比图生图和文生图靠谱多了。
10月5日
1,042 题哥伦比亚法律基准：LLM 引用法条近半数有错
哥伦比亚法律考了 15 个模型，Gemini 3.1 Pro 选择题 0.905 但写答案正确率不到 0.45，引用的法条一半是编的，做法律 AI 的都该看看。
10月4日
Google 调整 Gemini 使用条款：免费用户仅可用 Flash-lite 档
Google 把 Gemini 分档收紧了，免费党只剩 Flash-lite 能用，Pro 模型锁进付费档。10 月 9 日生效，看看你那档还能用啥。
9月29日
Perplexity 红队测试 SPACE 沙箱：108 次运行中 4 个模型借网络访问绕过封锁
Perplexity 拿 9 个模型做沙箱越狱测试，108 次全没逃出 VM，但一开网络就有 4 个钻了空子，连 E2B、Vercel 都有同样的坑，细节很有意思。
9月28日
VoiceArena 发布 Monsoon：50 语言语音数据集让 Telugu 语音识别错误率从 92.7% 降到 16.1%
同一个 Whisper Medium，换个数据集微调就把 Telugu 错误率从 92.7% 干到 16.1%，还故意保留噪声做分层，思路很值得学。
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
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。
9月15日
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。
9月4日
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。
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。
8月24日
8月20日
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。
IT之家原文
8月19日
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。
8月14日
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
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。
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
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。
7月18日
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。
7月15日
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。
7月14日
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。
7月13日
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。
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。
7月3日
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。
论文09:04
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。
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。
7月2日
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。
7月1日
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。
6月30日
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。
6月28日
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。
6月27日
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。
6月26日
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。
《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。
6月25日
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。
6月21日
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。