Papers18:05
Chinese contentLMArena发布AutoEval自动评测方法论视频与文章LMArena这段视频把AutoEval评测方法讲得挺清楚，还配了文章，想研究模型评测的可以戳进去看看。
Latest
Every published item, in order · 1470 items
Aug 13
Chinese contentAnthropic 新研究：多智能体系统中的“思想病毒”传播机制
Anthropic 做了个实验：让“思想病毒”在多个 AI 智能体之间传播，一句系统提示警告就能几乎完全免疫，论文在 arXiv 上。
Chinese contentLlamaParse 发布 ExtractBench：复杂企业文档抽取基准与 Agentic Plus
LlamaParse 发布 ExtractBench：长文档让商业模型召回崩到 35%；自家 Agentic Plus 95.6% 登顶，成本更低。
Aug 12
Chinese content腾讯发布自进化智能体可靠性综述：定义L0-L4分级
腾讯混元团队整理了549篇论文，给自进化智能体分了L0-L4五个等级，还提出一套验证更新靠不靠谱的方法，做Agent研究的朋友可以看看。
Papers04:03
Chinese content人类数据直传机器人，跨具身鸿沟缩放定律首次被证实这篇讲的是用人类数据直接训练机器人，不用机器人轨迹数据也能变强，跨具身缩放定律首次被证明，值得搞机器人的朋友看看。
Aug 11
Tomorrow 08:00, the daily lands in your inboxTelegram channel or email. Same screening as this page, no ads.
Chinese contentSWE-Bench ProMax：大规模多语言代码重构智能体基准
想测测你的 AI 编程助手在多语言重构上到底行不行？这个新基准 SWE-Bench ProMax 就是干这个的，比原来的 SWE-Bench 更狠。
Chinese contentMeta新论文提出Skaling law：耦合容量与数据的新缩放定律
Meta新论文搞了个Skaling law，比Chinchilla和Kaplan那套准1.5到3倍，而且小规模跑就能算准，预算算力能省不少。
Aug 10
Chinese contentMeta新研究：EvoHarness-RL让智能体学习协调策略
Meta 新论文让智能体学会管理外部记忆，Qwen3-8B 在 ALFWorld 到 96.9%，长任务不用堆工具。
Aug 8
Papers23:28
Chinese contentYC Paper Club 机器人专题：多年承诺后研究现状与未来这期请了一堆机器人研究者，讲 VLA 和世界模型新论文，还有遥操作创业观点，挺干货。
Papers04:00
Chinese contentAgent Arena 发布因果追踪方法论详解Agent Arena 把怎么用因果追踪看清智能体行为的方法讲透了，做智能体评估或研究模型机制的人可以看看。
Aug 7
Chinese content神经符号 AI 定义之争：Gary Marcus 称工具调用不是原意
Gary Marcus 在线怼人，翻出自己 2001 年的论文说对方没读过定义。想围观神经符号 AI 的考古级争论就看这条。
Aug 6
Papers04:42
Chinese contentNotion 调研 6000 名专业人士：AI 在职场实际应用如何Notion 搞了个全球职场 AI 调查，6000 人、10 个市场，看看大家上班怎么用 AI，结论挺有意思。
Chinese contentMerchantBench：评测电商LLM智能体长期连贯性的新基准
MerchantBench 专门测 LLM 智能体在电商里的长期连贯性，比单轮问答更贴近实际运营，可以看看。
Aug 5
Chinese content同一模型和提示词，换 Agent Harness 单次成功成本相差 5-30 倍
别急着换模型，先看看 agent harness。同一任务成功成本能差 5 到 30 倍，论文还给了省 token 的提示模板。
Chinese contentLongHorizon-Harness：评测真实世界长时程智能体
有人发了 LongHorizon-Harness，一个专测长时程智能体的框架，论文在 Hugging Face，想评估多步任务表现可以看。
Aug 4
Chinese content谷歌论文：Transformer是记忆缓存的特例，长上下文更省算力
谷歌Titans团队的新方法用记忆缓存把RNN长上下文召回从21提到32，算力还远低于Transformer。
Papers07:43
Chinese contentModel or Harness：41种Agent故障模式归因框架做Agent生产的人快收藏：它把41种故障按交互边分类，修bug能直接判断是模型问题还是脚手架问题。
Papers06:24
Chinese content微软研究院发布SocialRL、PazaBench V2等研究看微软研究院这周新东西：SocialRL 教小模型谈判，PazaBench V2 补非洲语言语音评测，顺带还有 EvoLib 智能体知识库。
Chinese content斯坦福研究员提出合成数据推断框架：在历史任务上校准偏差
斯坦福Carrie的新框架，用历史任务校准合成数据，不需要真实标签，Agent Arena也在用，能解决模型和时间带来的偏差。
Papers00:17
Chinese content从RLVR到RLSVR：任务变换让LLM自我改进用上自验证奖励开放式任务也能用强化学习自我改进了，这篇论文把RLVR升级成RLSVR，不用人工奖励，AI自己验证自己。
Aug 3
Chinese contentGary Marcus：头部公司都在构建神经符号系统，只是不承认
Gary Marcus直接回怼“神经符号AI从没试过”，说大厂其实都在做，还甩出2020年的文章让你自己看。观点很冲。
Chinese content谷歌DeepMind新研究：SkillSmith把模型权重当额外模态
DeepMind真会玩：把模型权重当文本喂给LLM，不用训练就能直接生成新技能，论文在arXiv可看。
Aug 2
Aug 1
Chinese contentAgentRadio：异步消息层打破多智能体阶段边界
这篇把4个Claude Code用AgentRadio串起来，SWE-Atlas上干到62.1%，比单跑Opus 4.8还高。搞多智能体协作的值得看看。
Papers03:16
Chinese contentQwen-UI-Agent技术报告：迈向下一代真实世界GUI智能体Qwen-UI-Agent出了一份技术报告，做的是能操作真实图形界面的智能体，不是只会聊天。想了解GUI智能体怎么搞的可以看。