Latest

Every published item, in order · 13 items

Blogs News Posts Papers Papers →

10月22日

Papers Builders11:03

Chinese contentEnvironment Duels：评估 LLM 出题与解题双重能力的动态基准

让 9 个模型互相出题、互相解题，结果最强的解题者反而不是最好的出题者，小模型出题更狠，挺有意思的视角。

#LLM #benchmark #智能体 #Qwen3.8-27B

Event

arXiv cs.AI@Shibo Jin et al. (5)2 sourcesSource

10月21日

Papers BuildersMulti-sourceSelected74°10:11

Agent S4 Evolves Its Own Computer-Use Interfaces

Interface design itself becomes a learnable, evolving capability, meaning smaller open models can beat frontier systems on computer-use tasks at a fraction of the cost. Builders working on agents can reuse the open-source repository and apply the evolution loop to their own workflows. The results set a concrete cost-performance benchmark against GPT-5.5 and Claude Opus 4.8 that teams choosing an agent stack can weigh directly.

#Agent S4 #Qwen3.8-27B #computer-use agents #open-source models

Event

arXiv cs.AI@Saaket Agashe et al. (8)3 sourcesSource

10月20日

Papers Builders11:48

Chinese content研究：GEPA 与 SkillOpt 在 DeepSeek V4 Flash 和 Qwen3.8-27B 本地部署上的效果差异

GEPA 在 MATH-500 上能从 0.828 拉到 0.904，但在 HotpotQA 上完全没用，SkillOpt 还会翻车——如果你在本地跑推理模型做提示词优化，这篇能帮你避坑。

#GEPA #SkillOpt #DeepSeek #Qwen

Event

arXiv: DeepSeek@Andrea Giummarra et al. (6)2 sourcesSource

Papers BuildersMulti-source09:30

Chinese contentBellman Language Models：把 LLM Agent 决策当 MDP 一次性求解

把 Agent 反复遇到的决策当成 MDP 求解一次然后复用，Qwen3.8-27B 在 τ²-bench 上从 29% 冲到 96%，成本降 98%，思路挺新的。

#Bellman Language Models #τ²-bench #Claude Opus 5.5 #Qwen3.8-27B

Event

arXiv cs.AI@Adarsh Vatsa, William Eiers3 sourcesSource

10月19日

Papers Builders10:04

Chinese contentLM2LM：用 RL 训练 LLM 提出语言模型改进方案

用世界模型当奖励模型训练 AI 自己改进模型，Qwen3.8-27B 训完居然超过 GPT-6-sol，成本还降了 33%。

#LM2LM #Qwen3.8-27B #GPT-6-sol #强化学习

Event

arXiv cs.AI@Minhua Lin et al. (10)2 sourcesSource

10月15日

Papers BuildersSelected12:52

BizBench Benchmark Tests Agent Execution Validity in Payments Workflows

The benchmark shows that outcome-only evaluation masks invalid execution, since models can hit the final goal while violating constraints mid-run — a gap that matters most in regulated domains like payments where intermediate errors carry financial or compliance consequences. Agent builders can use the 50-task suite and deterministic checks to measure constraint compliance and tool-call overhead, not just task success. Teams choosing models for workflow automation get a direct comparison of frontier and open models under identical conditions.

#BizBench #agents #benchmark #Claude Opus 5

arXiv: DeepSeek@Enhan Zhao et al. (9)Source

10月9日

Papers BuildersMulti-source10:21

Chinese content评估LLM生成评分标准的干预转移方法

论文提出了一种创新的评分标准评估方法，揭示了不同LLM生成评分标准之间的不对称性，对AI性能监控有重要启示。

#评分标准 #干预转移 #LLM评估 #HealthBench

Event

arXiv: DeepSeek@Erik Skalnes et al. (4)5 sourcesSource

10月8日

Papers Builders10:52

Chinese contentSOTA：用期权隐含收益分布引导的期权交易智能体

用 Qwen 微调出的期权交易智能体，把上千份合约简化成策略选择，六个月样本外赚 18.3%，新闻用法还挺反直觉。

#SOTA #Qwen #期权交易 #LLM智能体

arXiv cs.AI@Yizhen Xie, Mengyang LiuSource

10月7日

PapersMulti-source10:36

Chinese content研究实测 JEV 与 LLM 在七项政治学复现任务中的准确率与成本

想用模型标注文本的研究者可以看看：JEV 号称便宜快，实测发现便宜不成立，校准也只赢了一半。

#JEV #GPT-6 Luna #Qwen3.8-27B #文本标注

Event

arXiv: OpenAI@Steven Denney, Matthew DiGiuseppe11 sourcesSource

10月6日

Papers BuildersMulti-source13:11

Chinese contentJEV 与 GPT-6 Luna、Qwen3.8-27B 在政治学文本标注任务上的对比

有人测了 TypeSafe 那个号称便宜快的 JEV，结果在 OpenAI 批量价格下根本不省钱，校准也没明显赢 Qwen3.8-27B，想做文本标注的可以看看。

#JEV #GPT-6 Luna #Qwen3.8-27B #文本标注

Event

arXiv: OpenAI@Matthew DiGiuseppe, Steven Denney11 sourcesSource

9月30日

Papers Builders10:50

Chinese contentSTEPQuant：Delta规则循环状态量化研究

清华团队提出STEPQuant，根据误差大小和内存寿命分配精度，在Qwen和Kimi模型上显著降低内存使用。

#STEPQuant #Qwen3.8-27B #Kimi-Linear-48B-A3B-Instruct #量化

Event

arXiv cs.AI@Bingchen Yao et al. (9)2 sourcesSource

9月29日

Papers Builders18:04

Chinese content生物文献综述代理评估新基准BioLitBench发布

BioLitBench基准用组合可控性方法解决排行榜评估偏差，SCRIBE在生物文献综述任务中表现优异。

#BioLitBench #Qwen3.8-27B #生物医学文献综述 #排行榜评估

Event

arXiv: OpenAI@Zhaowei Han et al. (7)2 sourcesSource

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…

AITOPRead

9月4日

PapersSelected73°11:22

Minima Quantizes Hybrid LLM Recurrent Layers

This quantization method enables smaller, faster hybrid LLMs without significant performance loss, making large models more accessible for resource-constrained environments.

#Minima #Qwen3.8-27B #Gated DeltaNet #quantization

Event

arXiv cs.AI@Sergii Kozyrev, Davyd Maiboroda2 sourcesSource

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…

AITOPRead

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…