Latest AI News & Industry Updates

The method improves RL performance significantly on Qwen models, relevant for developers working with reinforcement learning in ASEAN.

#Tencent #environment evolution #agent RL #Qwen3.6

elvis@omarsar0Source

PapersMulti-source11:23

Chinese content终端智能体环境演化方法研究

研究人员提出环境演化方法，让终端智能体训练环境持续变难，在Qwen模型上提升了18%性能。

#环境演化 #终端智能体 #Qwen3.6 #Claude Opus

Event

arXiv cs.AI@Zhiyuan Fan et al. (12)4 sourcesSource

Papers78°09:33

Chinese contentLoopArena：模型作为管理者的可测量基准

LoopArena 基准首次单独测量模型作为'管理者'的能力，发现 GPT-5.5 在长程任务中表现最佳，但成功率仍不足 25%。

#LoopArena #Qwen3.7-Plus #GPT-5.5 #Claude Opus

Event

shao__meng@shao__meng2 sourcesSource

Papers Builders11:29

Chinese contentRecursive Experiential-Working Memory Evolution for Long-Horizon Agent Harnesses

Recuris模型在长时程任务中显著提升了GPT-5.6 Sol和Claude Opus 5的表现，是长时程智能体驱动的递归记忆架构的一个突破。

#Recuris #递归记忆架构 #GPT-5.6 Sol #Claude Opus 5

Event

arXiv cs.AI@Zhaochen Yu et al. (8)2 sourcesSource

PapersMulti-source10:17

Chinese contentOenoBench：葡萄酒领域大模型评测基准

研究人员搞了个叫OenoBench的葡萄酒知识测试题库，用这个题库测了16个大模型，发现o3考得最好，DeepSeek R1在推理题上表现突出，还发现模型对自己出的题有偏好，挺有意思的。

#OenoBench #o3 #DeepSeek R1 #Claude Opus

Event

arXiv: Anthropic@Nikita Khudov11 sourcesSource

PapersMulti-source10:12

Chinese content经典与量子混沌到全息理论的学术讲座笔记发布

Anthropic出的Claude Opus 5帮忙搞的那套六次学术笔记，讲经典量子混沌到全息理论，比一般资料详细，想学这方向的可以看看。

#Claude Opus 5 #Holography #Chaos Theory #Quantum Chaos

Event

arXiv: Anthropic@Bhasker Shukla11 sourcesSource

PapersMulti-source83°00:33

Chinese content研究反驳Anthropic与OpenAI：自主AI研究尚不可及

普林斯顿和英国AI安全所让Claude和GPT-5写论文，全拒，打脸Anthropic和OpenAI。

#Claude Opus 4.8 #GPT-5.6 Sol #Anthropic #OpenAI

Event

官方账号Decoder@Jonathan Kemper11 sourcesSource

Papers12:26

Chinese content研究：LLM如何回应逐步升级的妄想——四种纵向行为轨迹

这篇论文测了15个主流聊天机器人，发现有些会顺着妄想聊下去，有些会过早建议停药，看完就知道该警惕哪种回复。

#Claude #GPT #Gemini #DeepSeek

arXiv: DeepSeek@Anna Sterna et al. (6)Source

Papers10:45

Chinese content开源模型能否媲美闭源模型？金融文本理解基准更新

想知道开源模型在金融领域到底行不行？这份基准测试用数据说话，Kimi K2.6和GLM 5的表现可能会让你意外。

#Financial Touchstone #Kimi K2.6 #GLM 5 #DeepSeek V3.2

arXiv: DeepSeek@Jan SpörerSource

Papers09:25

Chinese content模式引导的层级信息提取与语义评估框架

这篇论文用Claude Opus 3从NICE文档里自动提取结构化信息，F1超90%，速度比人工快30倍，做医疗评估的朋友可以看看。

#Claude Opus 3 #NICE #信息提取 #生成式AI

arXiv cs.AI@Modhurita Mitra et al. (6)Source

PapersMulti-source09:58

Chinese contentLLM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。

#GPT-5.4 #Gemini 3.1 Pro #Claude Opus 4.6 #论文评审

Event

arXiv: OpenAI@Abraham Camelo-Guerrero, Jairo Diaz-Rodriguez11 sourcesSource

Papers11:56

Chinese contentTycho：ARC-AGI-3的程序化世界模型主动抽象

Tycho让AI在ARC-AGI-3里边玩边建模，GPT-5.6和Opus 5都满分通关，动作效率还胜过人类基线。

#Tycho #ARC-AGI-3 #Claude Opus 4.8 #GPT-5.6 Sol

arXiv cs.AI@Jens Lehmann et al. (3)Source

Papers Builders10:11

Chinese content从大语言模型蒸馏答案集编程理论

让模型自己从零写ASP规则，Claude、GPT-5等九个模型限时1小时。CLEVR有人拿满分，GQA上GPT-5跌到41.8%。

#答案集编程 #CLEVR #GQA #Claude

arXiv: DeepSeek@Nelson Higuera Ruiz et al. (3)Source

Papers11:23

Chinese contentAI在物理、天体物理和宇宙学科研项目规划与提案评估中的能力

这篇论文测试了ChatGPT、Claude、DeepSeek写科研计划的能力，发现人类评委分不出好坏，但AI评委偏爱AI写的。值得一读。

#ChatGPT #Claude #DeepSeek #Claude Opus 4.8

arXiv: DeepSeek@Jia Liu et al. (21)Source

PapersMulti-source12:25

Chinese contentClaude Opus 4.7为复杂离子阱架构生成高效穿梭编译器

论文用Claude Opus 4.7自动写量子穿梭编译器，性能超手工，开发时间从数月缩到数天，效率提升惊人。

#Claude Opus 4.7 #Claude Fable 5 #量子编译器 #离子阱

Event

arXiv cs.AI@Fabian Kreppel et al. (4)3 sourcesSource

Papers12:18

Chinese contentLLM部署配置如何塑造伪科学验证：Claude/Grok/GPT/Gemini测试

这篇论文用四个主流模型实测了伪科学评估，发现Grok的Fast版本评分奇高，而且同一个模型API和Web结果差十几倍。看完你就知道模型答案多不可靠，值得所有AI用户看看。

#Claude #Grok #GPT #Gemini

arXiv cs.AI@Davide Scarso et al. (3)Source

Papers11:30

Chinese content临床LLM中证据充分性提示的安全增益依赖于评判模型

这篇论文揭示了AI安全评判的一个关键陷阱：安全增益可能只是评判模型的偏好，不是真实改进。告诉你为什么不能只看一个评判指标。

#GPT-5.5 #Claude Opus 4.8 #Gemini 3.5 Flash #Grok 4.3

arXiv cs.AI@Koyar AfrasyabSource

Papers BuildersMulti-source09:34

Chinese contentBad Memory：评估智能体系统记忆中的提示注入风险

这篇论文用Claude Code和OpenAI Codex实测了记忆注入攻击，发现一旦恶意指令写入记忆，后续会话都危险，搞AI安全的一定要看看。

#Claude Code #OpenAI Codex #提示注入 #智能体安全

Event

arXiv: Anthropic@Soham Gadgil et al. (4)11 sourcesSource

PapersMulti-source09:32

Chinese content价值泄露：LLM的答案被自身价值观暗中塑造

这篇论文讲AI会偷偷按自己价值观答题，比如Claude对自己公司更友好。想知道你的助手是否悄悄偏袒谁？值得一看。

#Claude #Qwen #价值泄露 #对齐

Event

arXiv: OpenAI@Jan Betley et al. (8)11 sourcesSource

Papers BuildersMulti-source10:16

Chinese contentAria借助代码智能体实现全自动形式化验证

Aria让代码智能体自由探索，不用手动设计策略，就能把Iris和reglang上所有定理都自动证出来，比之前的方法强太多了。

#Aria #Claude Code #形式化验证 #代码智能体

Event

arXiv cs.AI@Shuangxiang Kan et al. (3)5 sourcesSource

Papers Builders11:36

Chinese contentTestEvo-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。

#TestEvo-Bench #Claude Code #SWE-Agent #智能体

arXiv cs.AI@Jiale Amber Wang et al. (3)Source

Papers11:26

Chinese content大语言模型自动评分Linux/bash考试：四级认知分类方法

想用AI批改Linux命令作业？试试Gemini 3.0 Pro加评分rubric，人机一致性高达0.888。

#LLM #Gemini #Claude Opus #自动评分

Event

arXiv cs.AI@Manuel Alonso-Carracedo et al. (5)2 sourcesSource

Papers09:04

Chinese contentRubric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。

#GPT 5.4 #Claude Opus 4.7 #Gemini 3.1 Pro #临床推理

arXiv cs.LG@Samiha A. Ismail et al. (3)Source

Papers73°11:06

Chinese contentAutoMem：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。

#AutoMem #LLM #记忆管理 #长周期任务

Event

arXiv cs.AI@Shengguang Wu et al. (5)2 sourcesSource

PapersMulti-source09:20

Chinese contentClaude Opus 4.7自动生成MPI检查点/重启代码：50分钟6应用5近零开销

Claude Opus 4.7居然能自动给MPI软件加上检查点恢复，50分钟搞定，效果媲美人工，HPC开发者可以解放双手了。

#Claude Opus 4.7 #MPI #检查点/重启 #代码生成

Event

arXiv: Anthropic@Hai Duc Nguyen et al. (5)11 sourcesSource

Papers09:21

Chinese contentOCR-VLMs 在天城体上的表现：压力测试基准与后校正研究

如果你对多语言OCR或印地语文本识别感兴趣，这篇论文揭示了主流模型在天城体上的真实差距，尤其是GPT-5.5表现不如开源Qwen3-VL-8B。

#OCR #天城体 #基准测试 #Qwen3-VL-8B

arXiv: DeepSeek@Aditya Pratap SinghSource

PapersMulti-source11:03

Chinese contentMacAgentBench：在真实macOS桌面上评估AI智能体的基准

这篇论文发布了MacAgentBench，一个包含676个macOS桌面任务的智能体基准。它用细粒度评分发现Claude Opus 4.6配合OpenClaw能拿到73.7%的正确率，而且不同模型表面分一样但实际完成能力差很多，值得研究智能体的去看。

#MacAgentBench #OpenClaw #Claude Opus 4.6 #桌面自动化

Event

arXiv cs.AI@Yikun Fu et al. (13)4 sourcesSource

PapersMulti-source10:24

Chinese content理论工具箱：基于智能体的LLM辅助经济理论研究工具

这篇论文为你演示了如何用LLM做经济理论研究，重点不是让模型生成答案，而是设计验证流程来确保结果可靠，三种方法对比很清楚。

#LLM #经济理论 #验证协议 #多智能体

Event

arXiv: OpenAI@Moran Koren11 sourcesSource

Papers10:30

Chinese contentTAC基准测试：AI旅行代理会预订斗牛吗？前沿模型隐含动物福利评估

动物福利问题有了AI专属的代理基准TAC，实测Claude Opus 4.7刚过一半，加个提示词能暴增60%，暴露了模型在实际行动中的盲区。

#TAC #动物福利 #AI Agent #基准测试

Event

arXiv: DeepSeek@Jasmine Brazilek et al. (6)2 sourcesSource

PapersMulti-source10:05

Chinese contentAgentic AI生成并行Julia代码的可扩展性研究

这篇论文测试了GPT-5.5、Claude Opus 4.7和Qwen3-Coder-Next用智能体写并行Julia代码，在超算上跑192核，发现小规模还行，大规模容易死锁或OOM，开源模型最差。做HPC或Julia并行开发的人值得看。

#GPT-5.5 #Claude Opus 4.7 #Qwen3-Coder-Next #Julia

Event

arXiv: Anthropic@Linus Bantel et al. (4)11 sourcesSource

PapersMulti-source10:03

Chinese contentLLM可视化素养已超人类，但作为评估者仍不可靠

这篇论文测了Claude、GPT和Gemini最新版，看图能力比人强，但让它们判断图表有没有骗人，还是不行。有意思的发现。

#Claude #GPT #Gemini #LLM

Event

arXiv: Anthropic@Christian Seto et al. (4)11 sourcesSource

Papers09:50

Chinese contentNature Medicine研究发现通用LLM在临床任务上超越专用医疗AI

通用模型在医疗任务上反超专用AI

#GPT-5.2 #Gemini 3.1 Pro #Claude Opus 4.6 #Nature Medicine

rohanpaul_ai@rohanpaul_aiSource

Papers BuildersSelected72°13:02

Chinese content前沿编程智能体用元编程适应陌生语言，Claude Opus 4.6 和 GPT-5.4 表现突出

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。

#编程智能体 #元编程 #Claude Opus 4.6 #GPT-5.4

arXiv cs.AI@Aman Sharma et al. (3)Source

PapersMulti-sourceSelected72°09:40

Chinese contentScaffold 选择影响 GAIA 准确率高达 28 个百分点：模型能力评估需谨慎

做 AI 模型评测或选型的人必须看——这篇研究用严格对照实验证明，你看到的模型能力分数可能更多反映的是 scaffold 设计而非模型本身，建议重新审视自己的评估流程。

#模型评估 #Scaffold #GAIA #智能体

Event

arXiv: Anthropic@Jason Starace11 sourcesSource

PapersMulti-sourceSelected72°11:35

Chinese contentAutoLab 基准测试：强 AI 智能体在长周期研究中仍因缺乏坚持而失败

做 AI 研究和智能体开发的团队会看到，坚持比聪明更重要——AutoLab 的发现直接点出了当前智能体在长任务中的致命弱点，值得反思自己的智能体设计。

#智能体 #基准测试 #长周期研究 #Claude Opus

Event

rohanpaul_ai@rohanpaul_ai11 sourcesSource

Papers Policy09:33

Chinese contentAARR 基准测试：评估前沿 LLM 和智能体在研究生命周期中的表现

这个基准直击当前 AI 智能体在研究场景中的短板——不是执行能力不够，而是缺乏研究者的细腻判断。做 AI 评估或智能体开发的团队值得关注，它揭示了提升 AI 研究素养的新方向。

#基准测试 #LLM #智能体 #研究自动化

arXiv cs.AI@Jiayu Wang et al. (11)Source

PapersSelected72°11:38

Chinese content自我进化智能体：更优求解器比更大更新模型更关键

这篇论文戳破了“越大越好”的直觉，做智能体自我进化的团队会发现，把预算花在求解器上比花在进化器上更划算，值得重新审视你的架构设计。

#自我进化智能体 #LLM智能体 #模型选择 #求解器

rohanpaul_ai@rohanpaul_aiSource

PapersSelected76°10:35

Chinese contentAutoLab：前沿模型能否解决长周期自动研究与工程任务？

AutoLab 填补了现有基准只测短周期任务的空白，做 AI 智能体研究和开发的团队可以直接用它来测试模型的持久迭代能力，值得关注。

#基准测试 #长周期优化 #智能体 #Claude Opus 4.6

arXiv cs.AI@Zhangchen Xu et al. (19)Source

Papers72°10:31

Chinese content终端智能体训练：低分模型轨迹反而教得更好？

这篇论文推翻了“老师越强，学生越好”的直觉，做智能体微调的团队会发现数据质量和交互结构比模型能力更重要，值得仔细读实验设计。

#智能体 #终端智能体 #训练数据 #环境监督

arXiv: DeepSeek@Sidi Yang et al. (14)Source

PapersSelected72°23:56

Chinese content自我改进智能体的关键建议：大模型并非最佳进化器

这篇研究戳破了“大模型=好进化器”的直觉误区，做智能体开发的团队可以重新分配预算——用便宜模型写更新，贵模型做执行，效果反而更好。

#智能体 #自我进化 #模型选择 #研究论文

elvis@omarsar0Source