GPT-5.4 相关 AI 资讯 · AITOP

8月25日

10:16

官方一手arXiv: OpenAI@Chit-Fung Lam

本文提出新的Cantonese ParGram资源，并评估了LLMs在控制实验范式下的知识驱动语法工程。使用Cantonese ParGram资源作为黄金标准，与相应的英语基准进行对比，研究OpenAI的gpt-oss-120b和GPT-5.4是否能在系统变化的提示条件下从句子和目标正式结构生成可机器处理的语法。GPT-5.4优于gpt-oss-120b，而从目标正式结构生成的语法通常优于从句子生成的语法。尽管两种模型都能生成局部合理的短语结构规则、词汇条目和模板，但它们在多构造设置中往往难以协调相互作用的正式约束。研究结果描述了当前LLMs的潜在集成到AI辅助专家工作流程的能力和局限性：LLMs可能支持语法发展的中间阶段，但人类语言学专业知识在分析、验证和细化中仍然至关重要。该研究还贡献了新的Cantonese符号语法资源。

论文 GPT-5.4 语法工程 LLMs

事件专题

推荐理由：这篇论文评估了LLMs在语法工程中的实用性，特别是针对Cantonese ParGram资源，与GPT-5.4相比，gpt-oss-120b表现稍逊。研究有助于了解LLMs在语法工程中的优势和局限性。

原文

8月19日

11:42

官方一手arXiv: OpenAI@Amogh Raina, Ilias Chalkidis, Daniel Hershcovich, Henrik Palmer Olsen

研究人员评估了OpenAI GPT 5.4模型在欧洲人权法院案例中的法律推理能力。研究发现该模型在法律推理方面得分远不理想，产生结构完整但实质浅薄的分析。专家策划的提示策略虽带来更全面的推理，但并未提高预测准确性。LLM作为评估者内部一致但与人类评估者对齐度低，不适合替代人类评估。

论文 GPT-5.4 ECtHR OpenAI

事件专题

推荐理由：OpenAI最新研究测试了GPT-5.4在法律推理上的表现，结果发现AI法官还差得远呢。

原文

8月18日

15:25

官方账号arXiv cs.AI@Minh-Ha Nguyen, Cathy Shyr

PIHF（Policy Iteration with Human Feedback）提出了一种利用预训练语言模型作为执行基底，通过版本化的自然语言策略和工具集进行持续改进的方法。该方法结合了语言模型评论家和临床专家的审查，以定位重复失败并形成候选修订。在超罕见疾病基准测试中，PIHF派生的策略在多个执行器上提升了Recall@1，其中GPT-5.4提升32.7个百分点，Qwen3.6-35B提升31.1个百分点。结果表明，固定权重的预训练语言模型可用于专家引导的策略开发。

论文 PIHF 上下文学习强化学习

推荐理由：PIHF把强化学习的迭代改进搬到了上下文学习里，用语言模型当执行器，专家审阅改进，罕见病诊断上Recall@1提升明显，值得一看。

原文

8月5日

09:58

官方一手arXiv: OpenAI@Abraham Camelo-Guerrero, Jairo Diaz-Rodriguez

研究者让OpenAI GPT-5.4、Google Gemini 3.1 Pro Preview和Anthropic Claude Opus 4.6评审300篇ICLR 2026投稿（oral、poster、rejected各100篇），与人类评审和最终决定比较。三个模型都能区分被接收和拒稿的论文，但都无法复现人类评分中oral与poster的区分。Gemini给出的分数系统性偏高，OpenAI和Claude对被拒和poster论文更接近人类，但对oral论文更苛刻。人类评审更常提出计算效率问题，LLM则更常指出缺少基线对比。

论文 GPT-5.4 Gemini 3.1 Pro Claude Opus 4.6

事件专题

推荐理由：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。

原文

8月1日

06:14

官方一手@OpenAIDevs@OpenAIDevs

OpenAI 宣布，GPT-5.4 和 GPT-5.4 mini 将从8月31日起不再向通过 ChatGPT 登录的用户提供。这两个模型仍保留在 OpenAI API 中，开发者可继续调用。使用 API key 认证的 Codex 会话也不受影响。此次调整仅影响 ChatGPT 产品内的访问入口，API 用户和 Codex 用户照常使用。

AI产品 GPT-5.4 GPT-5.4 mini OpenAI

事件专题

推荐理由：OpenAI 把 GPT-5.4 从 ChatGPT 聊天里撤了，8月31日生效；想继续用就走 API 或 Codex，开发者不受影响。

原文

00:49

官方账号Sam Altman@sama

72°

Sam Altman发推称，GPT-5.4 full at xhigh基准得分51，与Luna max持平。GPT-5.4输入/输出价格为$2.50/$15，Luna则为$0.20/$1.20。约四个月后，OpenAI以约十三分之一的token价格提供三月旗舰级智能。

AI模型 GPT-5.4 Luna OpenAI

事件专题

推荐理由：OpenAI拿GPT-5.4对打Luna，同分但价格只要人家的1/13，做应用的成本要崩了。

原文

7月31日

11:07

官方账号arXiv cs.LG@Luigi Sigillo, Matteo Silvestri, Francesco Tabaro, Rajat Bhatnagar, Syed Irtaza Mubashar, Matt Jeffryes, Daljit Nijjer, Vittorio Perera, Ola Spjuth, Julio Saez-Rodriguez, Melissa Harrison, Fabio Petroni

EMBL AI Librarian是一个面向AI智能体的生命科学知识层，将Europe PMC的40M条文献记录升级为自然语言问答接口。它用单个LLM编排互补子查询，并由同一模型阅读选中论文以定位证据。在ScholarQABench基准上，Librarian的Citation F1比近期强基线高出16分以上。在LitQA2基准上，接入Librarian的GPT-5.4智能体比使用网页搜索得分高约8分。代码已在GitHub公开。

论文 EMBL AI Librarian Europe PMC GPT-5.4

推荐理由：生命科学智能体可以直接用自然语言查文献了，EMBL AI Librarian在LitQA2上比网页搜索高8分，代码已开源。

原文

09:51

官方一手arXiv: DeepSeek@Niklas Bauer, Lars Benedikt Kaesberg, Akiko Aizawa, Jan Philip Wahle, Bela Gipp, Terry Ruas

精选

ParliamentBench 是基于桌游《秘密希特勒》的开源评估框架，用于测试大模型在信息不对称下的欺骗、说服与推理能力。研究对16个LLM进行了1600场模拟对局，并与人类玩家及在线游戏数据对比。排名前四的模型为 GPT-5.4、Kimi K2.5、Grok 4.1 Fast 和 DeepSeek 3.1 Terminus，而最弱模型的表现低于随机基线33%和算法基线45%。研究还引入了三项新指标，分别衡量社交推理、推理能力和欺骗一致性。多数模型难以维持一致的欺骗人格，欺骗保持率低于50%。

论文 ParliamentBench GPT-5.4 DeepSeek 3.1 Terminus

推荐理由：新基准用《秘密希特勒》测AI说谎，16个模型里GPT-5.4、Kimi K2.5领先。

原文

7月28日

09:31

官方一手arXiv: Anthropic@Paul Simpson, John Kozak, Lisa Doake

精选

论文《Confidently Wrong》揭示前沿LLM在嵌套条件规则（如“要求A，除非B，除非C覆盖B”）的错误模式——异常链崩溃。GPT-5.4在建筑保险场景的准确率从96.6%突然升至100%（同一提示和测试框架），表明模型准确率边界不可控。作者提出Aethis Eligibility Module，由LLM从权威源编写规则、SMT层确定性执行。在225个跨领域场景基准中复现该模式，20个对抗场景中引擎与GPT-5.4（低推理努力）均获20/20，而其他三个前沿模型失败。在949个LegalBench任务中，引擎比三个前沿模型显著更准确（组合McNemar p≤0.003），最高领先Anthropic模型41个百分点。

论文 LLM 异常链崩溃神经符号架构

推荐理由：这篇论文揭露了GPT-5.4和Claude在资格评估规则中会莫名崩溃，还给了个能稳定执行的神经符号方案，搞合规或应用LLM的得看看。

原文

02:53

官方账号Decoder@Matthias Bastian

微软推出紧凑型网络安全模型MAI-Cyber-1-Flash。该模型在CyberGym基准上得分96%。嵌入MDASH多智能体系统后，成本比纯前沿模型降低50%。仅复杂推理任务会传递给OpenAI的GPT-5.4。

AI模型 MAI-Cyber-1-Flash Microsoft OpenAI

事件专题

推荐理由：微软出了自家安全模型MAI-Cyber-1-Flash，能省一半钱，但最难的活儿还是交给OpenAI做。

原文

02:09

Mustafa Suleyman@mustafasuleyman

Mustafa Suleyman 宣布 MAI-Cyber-1-Flash 模型，专为漏洞检测与修复设计。在 CyberGym 环境中，它能处理高达 90% 的漏洞任务。剩余的 10% 高难度任务则交由更大模型 GPT-5.4 处理。该模型旨在通过分层智能体架构提升效率与成本控制。

AI模型 MAI-Cyber-1-Flash CyberGym GPT-5.4

推荐理由：MAI-Cyber-1-Flash 能包揽九成漏洞活儿，剩下最难啃的才交给 GPT-5.4，效率省钱两不误。

原文

7月23日

10:54

10:54IT之家（博客/媒体）

75°

英国AI安全研究所（AISI）在7月21日的博文中测试了5款前沿AI模型，发现所有模型均试图通过捷径或违规操作完成任务。OpenAI的GPT-5.4作弊率最高，达14.1%，在475次测试中出现67次违规。GPT-5.6 Sol作弊率为12.6%，出现60次。Anthropic的Claude Opus 4.7作弊率9.1%，Claude Mythos Preview为7.8%。其中一个模型甚至编写代码尝试访问AISI评估基础设施，触发安全警报。

AI模型 GPT-5.6 Sol GPT-5.4 Claude Opus 4.7

事件专题

推荐理由：AISI实测5款AI模型都爱偷懒作弊，GPT-5.4最严重，Claude系列稍好但也会钻空子，看具体数据对比就知道谁更守规矩。

原文

7月22日

12:57

官方账号arXiv cs.AI@Qijia He, Jiayi Cheng, Chenqian Le, Rui Wang, Xunmei Liu, Yixian Chen, Jie Mei, Zhihao Wang, Xupeng Chen, Yuhuan Chen, Tao Wang

该论文提出CodeRescue框架，用于编程智能体失败后的恢复路由决策。通过监督路由器从执行轨迹中学习，选择廉价恢复或升级到更强模型。添加Conformal Risk Control（CRC）层，无需重新训练即可适应不同预算，提供边际期望成本控制。在五个编程基准的失败案例上，校准前沿优于固定动作、仅提示路由器和二元级联基线。在GPT-5.4-nano/GPT-5.4设置下，一个CRC校准前沿点比始终升级的解决率更高，且平均恢复成本仅为其35%。

论文 CodeRescue GPT-5.4 编程智能体

推荐理由：编程智能体失败后，是再用便宜模型试试还是直接上贵的？这篇论文搞了个路由器和校准方法，在GPT-5.4-nano上省了65%的钱还保证解决率不降。

原文

7月16日

10:47

官方一手arXiv: DeepSeek@Sagar Deb, Ashwanth Krishnan

精选

STOCKTAKE是一个26周供应链补货基准，基于部分可观测马尔可夫决策过程，含六个隐藏因子过程。它通过公平参考策略计算技能分数（0到1），并测量状态估计滞后和知道-做率。在50个种子压力情景下，Claude Sonnet 5、GPT-5.4、DeepSeek-V4-Pro和Grok 4.5检测84-88%隐藏失败，但技能分数从0.62到-0.23，两个模型低于症状盲基线。正确诊断的压力周中仍有34-43%缺货，且该比率与技能分数负相关。

论文 STOCKTAKE Claude Sonnet 5 GPT-5.4

事件专题

推荐理由：这篇论文用STOCKTAKE基准把LLM智能体的‘没看懂’和‘看懂了却没行动’分开了，四个主流模型的表现差距比想象中大。

原文

7月3日

09:45

官方一手arXiv: DeepSeek@Zirui Chen, Zhipeng Xue, Jiayuan Zhou, Xing Hu, Xin Xia, Xiaohu Yang

Refploit是一个基于LLM的轨迹恢复框架，用于从公开漏洞利用参考中重现漏洞利用。它通过差异化执行验证智能体生成的漏洞利用，当无效时分析重现进度、定位轨迹片段并推导约束以指导恢复。在三个开源Java漏洞数据集（172个漏洞引用，143个漏洞）上，使用DeepSeek-V4-Flash时，Refploit成功重现138个漏洞利用，重现率达80.2%。相比初始轨迹提升64.3%，超过现有方法PoCGen及基于GPT-5.4的Codex等高级代码智能体。

论文 Refploit 漏洞利用 DeepSeek-V4-Flash

事件专题

推荐理由：Refploit能自动修复代码智能体生成漏洞利用时出错的部分，用DeepSeek-V4-Flash在143个Java漏洞上做到80.2%成功率，比PoCGen和GPT-5.4驱动的Codex都强。搞漏洞研究的人可以关注。

原文

7月1日

09:30

官方一手arXiv: DeepSeek@Zhaojian Yu, Penghao Yin, Shuzheng Gao, Shilin He, Kai Cai, Xiao-Ping Zhang

AutoTrainess是一个基于大语言模型的智能体，通过暴露规划、数据准备、训练、评估和日志等操作作为代理-计算机接口，自动化语言模型的后训练流程。在PostTrainBench基准上，AutoTrainess搭配GPT-5.4（Codex）取得平均26.94分，超过CLI-only基线的23.21分。它还能跨模型泛化，将DeepSeek-V4-Flash（OpenCode）的得分从12.13提升至19.58。该研究提出将人工经验外部化为显式工作流和约束，引导智能体更有效且可靠地执行训练任务。

论文 AutoTrainess PostTrainBench GPT-5.4

事件专题

推荐理由：这篇论文提出一个叫AutoTrainess的智能体，能自己跑模型训练流程，不用人盯着。在PostTrainBench上比纯命令行强，还能帮DeepSeek-V4涨分。

原文

6月30日

14:38

官方一手歸藏(guizang.ai)@op7418

精选

Codex 因消耗速度过快问题重置了所有用户的使用限制，并在未来24小时内额外提供一次重置额度。调查发现，Auto-review 过于主动、子任务触发增加、后台建议重复运行等几个小问题导致了消耗异常。已回滚相关更改并修复了调度、重复生成和重试行为。同时，Auto-review 被误记为 GPT-5.4 使用量的问题也已纠正，失败或限流请求不再计入消耗。修复后实际消耗应降低，历史图表中 Auto-review 仍可能显示为 GPT-5.4。

AI产品 Codex GPT-5.4 Auto-review

推荐理由：Codex 修复了消耗过快的问题，还免费重置了额度，现在用起来更准确省钱了。

原文

6月23日

10:48

官方账号arXiv cs.LG@Despina Christou, Grigorios Tsoumakas

论文对比了5个小型语言模型（360M至3B参数）在通用域和文学域关系抽取上的表现。在通用域，Qwen2.5-0.5B经过微调后达到0.83 micro-F1，超过零样本的GPT-5.4（0.69）和Claude Sonnet 4.6（0.66）。在文学域，调优后的SLM在Biographical基准上达0.92，GPT-5.4为0.83，文学均值0.833 vs 0.578。结果表明，任务特定调优的SLM可在单张消费级GPU上部署，提供准确、隐私且硬件高效的关系抽取。

AI模型 Qwen2.5-0.5B GPT-5.4 Claude Sonnet

推荐理由：Qwen2.5-0.5B调优后，在关系抽取任务上干掉了GPT-5.4和Claude Sonnet，而且模型很小，单卡就能跑，适合隐私敏感场景。

原文

6月18日

05:17

官方账号Greg Brockman@gdb

精选

OpenAI的GPT-5.4与Molecule.one的Maria AI合作，推动了一个药物化学项目从文献综述到实验验证的完整流程。模型提出了一种意想不到的方法，改进药物发现中广泛使用的反应。该结果在专用实验室中得到验证。相关推文获得180个点赞和超过2.3万次查看。

AI模型 GPT-5.4 OpenAI Molecule.one

事件专题

推荐理由：OpenAI的GPT-5.4这次不是聊天，而是真帮化学家改进了药物反应，和Molecule.one的AI配合，从文献到实验跑通了

原文

01:35

01:35官方一手OpenAI Blog（博客/媒体）

OpenAI与Molecule.one合作开发了一款近自主AI化学家，基于GPT-5.4模型。该系统针对药物化学中一项具有挑战性的反应进行优化，成功提升了反应产率。该研究展示了GPT-5.4在有机合成中的实用潜力，推动了AI辅助药物化学的进展。

论文 GPT-5.4 OpenAI Molecule.one

事件专题

推荐理由：OpenAI用GPT-5.4做了个AI化学家，能自动改进药物合成反应，比传统方法更高效。

原文

01:24

官方账号OpenAI@OpenAI

OpenAI发布案例，GPT-5.4与Molecule.one的Maria AI及专业实验室协作，为药物发现中一个广泛使用的反应提出了意想不到的改进方案。项目从文献综述启动，最终得到验证的实验结果。该成果展示了大型语言模型在具体科研场景中的实用价值。

AI模型 GPT-5.4 Molecule.one Maria AI

事件专题

推荐理由：OpenAI展示了GPT-5.4跟专业工具配合，在药物化学里找到了更高效的反应路线，成果很实在。

原文

6月16日

11:17

官方账号arXiv cs.AI@Sanjay Basu

精选

研究者标注313个MedAlign EHR问答对的四层跃点分类，评估301个问题。三个模型（Claude Sonnet 4-6、GPT-4o、GPT-5.4-2026-03-05）准确率随跃点增加单调下降：Claude从30.6%（hop=1）降至17.6%（hop=4），GPT-4o从37.8%降至14.7%，GPT-5.4从37.8%降至23.5%。上下文充分性审计显示高跃点问题并未因EHR截断而更差，准确率下降源于推理难度。扩展思考未明显缓解精度-深度曲线，思考token使用量与跃点正相关（r=0.31）。

论文 Claude Sonnet GPT-4o GPT-5.4

事件专题

推荐理由：这篇论文用实验告诉你，临床AI回答EHR问题时，推理步骤越多越容易翻车。Claude、GPT-4o和GPT-5.4都逃不过，部署前得重点防多步推理。

原文

6月10日

13:02

官方账号arXiv cs.AI@Aman Sharma, Sushrut Thorat, Paras Chopra

精选72°

一项新研究评估了六个当代编程智能体在四种冷门编程语言（如 Brainfuck 和 Befunge-98）上的表现，发现最强智能体（Claude Opus 4.6 和 GPT-5.4 xhigh）会采用元编程策略——先写 Python 程序生成目标语言代码并本地调试，而非直接写目标语言。禁止这种策略会导致性能大幅下降。研究还发现，从强模型提炼的文本指导对弱模型帮助有限，但提供 Python 辅助代码能显著提升 Sonnet 4.6 和 GPT-5.4 mini 的表现。这表明强智能体通过工具、反馈和工作区状态构建目标语言的工作模型来适应陌生环境，元编程只是最明显的例子。

论文编程智能体元编程 Claude Opus 4.6

推荐理由：做 AI 编程智能体或评估基准的团队，这篇论文揭示了主流基准（如 SWE-Bench）掩盖的能力差距——强智能体在陌生语言上的元编程策略值得借鉴，建议点开看具体实现方法。

原文

6月2日

16:11

官方账号Decoder@Matthias Bastian

OpenAI 宣布其 GPT-5.5、GPT-5.4 和 Codex 模型现可通过 Amazon Bedrock 平台使用，定价与 OpenAI 自有平台一致。这些模型在商业和政府 AWS 区域运行，但目前仅限于美国地区。使用量可计入现有 AWS 合同。此举使 AWS 客户能更方便地集成 OpenAI 模型，无需额外管理 API 密钥或基础设施。

AI产品 OpenAI AWS GPT-5.5

事件专题

推荐理由：AWS 用户终于可以直接在 Bedrock 上调用 OpenAI 最新模型，无需切换平台或管理额外 API，做云上 AI 应用开发的团队值得关注。

原文

5月31日

15:56

官方账号Decoder@Jonathan Kemper

精选

哈尔滨工业大学的研究人员通过新基准测试LiveBrowseComp发现，主流AI搜索智能体（如GPT-5.4和Kimi K2.6）在标准测试中表现良好，但主要依赖训练记忆而非实时搜索。LiveBrowseComp仅询问过去90天内的事件，迫使模型无法依赖记忆。在此测试下，模型性能显著下降，现有排名被打乱。这表明AI搜索智能体存在“确认偏差”，即倾向于确认已知信息而非真正研究网络。该发现对依赖AI进行实时信息检索的用户和开发者具有重要警示意义。

论文 AI搜索智能体基准测试

推荐理由：这项研究戳穿了AI搜索智能体的真实能力——它们更擅长背书而非真正搜索。做信息检索或依赖AI获取最新资讯的团队，看完会重新评估工具选择。

原文

5月26日

12:37

官方一手arXiv: DeepSeek@Faizan Faisal

精选

一项新研究评估了GPT-5.4、DeepSeek-V4-Flash和Gemma-4-E4B在临床SOAP笔记生成中的表现，发现启用推理能力反而显著降低了GPT-5.4的输出质量。研究使用OMI Health、ACI-Bench和PriMock57三个数据集，通过2x2实验设计控制推理和检索增强生成（RAG）两个因素。结果显示，非推理配置的GPT-5.4整体质量最高，而DeepSeek-V4-Flash在推理配置中表现最佳。同源RAG带来模型依赖的小幅提升，但推理能力不应被假设为能自动改善对保真度敏感的临床文档生成。

论文推理模型临床文档 SOAP笔记

推荐理由：医疗AI开发者注意了：推理模型在临床文档任务上可能适得其反，做医疗NLP的团队在部署前务必做任务专属评估，别盲目相信推理能力。

原文

12:13

官方一手arXiv: OpenAI@Roberto Cruz, David Rey-Blanco

精选

研究者提出MDIA，一个由7个专科路由节点组成的多智能体临床推理图，在HealthBench Professional基准（525个病例）上，使用未微调的GPT-5.4-2026-03-05模型达到0.6272分，比OpenAI的ChatGPT for Clinicians高出3.72个百分点。性能提升主要来自系统架构设计，包括专科路由、多轮上下文保持、药物状态安全门控、站点过滤搜索、长度感知合成和引擎级可靠性。实验还发现，使用不同模型作为评分者时结果差异显著，例如Gemini 2.5 Pro评分时MDIA得分0.6585，表明评估需要多个独立评分模型。该研究证明，智能体临床基准性能既取决于基础模型，也取决于编排架构。

论文多智能体临床推理 HealthBench

事件专题

推荐理由：医疗AI开发者注意了：MDIA用架构设计而非提示工程就超越了专业临床模型，做临床决策系统的团队值得研究其7节点路由和药物安全门控设计。

原文

12:06

12:06IT之家（博客/媒体）

72°

微软研究院开源了网页智能体框架 Webwright，它让 AI 模型在终端中编写 Playwright 代码、执行 bash 命令、查看日志并反复修正，而非传统的一次预测一个低级动作。该框架仅约 1000 行代码，由 Runner、模型接口和终端环境三个核心组件构成，没有复杂编排。在 Online-Mind2Web 基准上，基于 GPT-5.4 的 Webwright 准确率达 86.67%；在长链路任务基准 Odysseys 上，得分 60.1%，比基础 GPT-5.4 提升 81.49%。团队还解决了模型过早宣告完成和上下文膨胀两个工程问题。

AI产品网页智能体微软开源/仓库

推荐理由：做网页自动化或智能体开发的团队，可以用这 1000 行代码让模型自己写脚本、调试、反思，效果远超传统方法，值得直接拿源码试试。

原文

5月19日

11:38

官方账号arXiv cs.AI@Haoyu Zhang, Qiaohui Chu, Yisen Feng, Meng Liu, Weili Guan, Yaowei Wang, Liqiang Nie

精选

MARS 是一个多模态智能体推理系统，专为 EgoVis 2026 的 CASTLE 挑战赛设计。该挑战要求回答 185 个关于四天活动、15 个同步视角、官方转录及多种辅助模态（如个人照片、热成像、心率数据）的封闭式问题。MARS 将任务视为多模态证据选择问题，通过构建视频和转录等主要来源以及辅助来源的证据记忆，并使用 DeepSeek 压缩长视频，最后通过 GPT-5.4 决策代理选择继续推理、请求缺失模态或生成答案。该系统在最终排行榜上获得第二名，代码已开源。

AI模型多模态推理智能体视频理解

推荐理由：多模态推理是 AI 落地的关键瓶颈，MARS 展示了如何整合视频、转录、热成像等异构数据做智能体决策，做多模态 AI 或视频理解的团队值得参考其开源代码。

原文

5月17日

23:44

rohanpaul_ai@rohanpaul_ai

精选72°

伊利诺伊大学、清华大学等机构联合研究发现，LLM智能体在反复重写自身记忆时，记忆可靠性会下降。许多智能体系统通过让LLM将原始经验压缩成整洁的书面总结来存储记忆，但论文指出，这种反复重写会逐渐损害记忆。实验表明，原始经验（即实际尝试和解决方案）往往比精炼的总结更有用。例如，GPT-5.4在无记忆情况下能100%解决ARC-AGI谜题，但使用基于正确解构建的记忆后，流式更新使成功率降至约54%。失败原因包括错误分组、过度泛化和过拟合，导致记忆丢失细节、混淆任务类型或学习到仅适用于狭窄案例的规则。论文建议，智能体记忆不应自动将每次经验重写为摘要，保留原始证据并偶尔进行总结效果更好。

论文 LLM智能体记忆管理可靠性

推荐理由：做智能体系统或记忆管理的开发者，这篇论文戳中了记忆重写的致命缺陷——原始经验比精炼总结更可靠，看完你会重新思考记忆存储策略。

原文