GPT-5.1 相关 AI 资讯 · AITOP · AI热报

7月21日

11:40

11:40

官方账号arXiv cs.AI@Lopez Jhon, Hinojosa Carlos, Ghanem Bernard

SGA (Symbolic Geometric Agent) 是一个即插即用模块，拦截LLM生成的Manim代码，通过部分执行提取场景图并检测几何遮挡问题。实验在MMMC-Code基准上，使用4种LLM后端和2种流水线配置，SGA在Code2Video + GPT-5.1配置下达到73.11的MVQS分数，相对原始基线提升16.1%。SGA在8种配置中有7种提升了MVQS。

论文 SGA Manim GPT-5.1

推荐理由：论文提出了SGA模块，能自动修复LLM写动画代码时的几何遮挡错误，实测用GPT-5.1搭配Code2Video能提升16%的画面质量。

7月1日

11:36

11:36

官方账号arXiv cs.LG@Jian Xu, Delu Zeng, John Paisley, Qibin Zhao

该研究针对LLM编写的概率程序（NumPyro、Stan、Pyro），采用贝叶斯工作流（后验预测检查、模拟校准、采样器诊断R-hat/ESS）作为验证器。在14种误指定类型、10个模型族的200个实例上，校准方法检测AUC达0.97（2%假阳性率下召回率88%），而单元测试召回率为0%。修复方面，使用校准反馈的LLM修复循环使GPT-5.1通过率从33%升至92%，Claude从75%升至100%，单元测试反馈甚至比无反馈更差。对LLM从头编写的程序，15%-47%存在统计误指定且单元测试全部漏检，校准引导修复显著优于LLM-as-judge等方法。

论文概率程序贝叶斯校准后验预测检查

推荐理由：这篇论文发现LLM写的概率统计程序常有隐藏错误，单元测试根本抓不到，但用贝叶斯校准检测准确率高达97%，修复效果也远超传统方法。

6月19日

09:33

09:33

官方一手arXiv: DeepSeek@Gregory Matsnev

该论文提出一种基于提示的不确定性分解方法，将动作置信度与请求不确定性分离，使智能体在任务规格模糊时主动请求澄清。作者引入WebShop-Clarification和ALFWorld-Clarification两个基准，其中50%任务故意模糊。在GPT-5.1、DeepSeek-v3.2-exp、GLM-4.7、Qwen3.5-35B、GPT-OSS-120B五个大模型上测试，该方法在ALFWorld-Clarification上的澄清F1比ReAct+UE提升73%，比UAM提升36%。

论文 GPT-5.1 DeepSeek-v3.2-exp GLM-4.7

推荐理由：这篇论文给出了一个简单实用的方法，让智能体在任务模糊时主动提问，而非盲目执行。五个大模型上都有提升，值得做Agent的同学看看。