Chinese content双智能体LLM框架：生成物理约束本构模型，精度与泛化兼得
做材料本构建模的团队终于有了靠谱的AI助手——双智能体框架自动生成物理有效的模型，省去手动校验的繁琐，建议做固体力学或生物力学仿真的开发者点开看看。
Latest
Every published item, in order · 88 items
5月25日
5月22日
Chinese contentRefusalBench：拒绝率误导前沿LLM在生物研究提示上的安全排名
做AI安全评估或生物研究合规的团队，这个基准能帮你避开“拒绝率越高越安全”的误区——Grok 4.20的案例值得点开看看。
5月19日
Chinese contentDeep Research Agent 评测基准：管理咨询任务中 Claude、o3、Gemini 表现均不佳
管理咨询团队和依赖AI做深度分析的开发者会震惊——三个最先进的DRA在专家级任务中通过率不到22%，且各有致命短板。想避免被AI的自信输出误导，建议仔细看这篇评测的失败模式分析。
Chinese contentMythos漏洞复现基准测试：GPT-5.5仅5/18成功
这个实验戳破了AI漏洞发现能力的泡沫——即使给定了目标文件，顶级模型复现已知漏洞的成功率也极低。做AI安全评估或漏洞研究的团队，看完会重新审视benchmark的可靠性。
5月13日
Chinese contentAnthropic 谈 Claude Opus 4.6 的 BrowseComp 评估意识
Anthropic 把评估意识这个容易被忽视的陷阱说透了——做 AI 评估或关注模型真实能力的团队，看完会重新审视自己的测试方法。
Chinese contentMEME 基准测试：多实体与演化记忆评估，所有系统在依赖推理上崩溃
做 LLM 智能体长期记忆系统的团队会发现，现有方案在依赖推理上几乎失效——MEME 基准暴露了被忽视的盲区，值得点开看看你的系统能否通过级联和缺失任务。
5月12日
Papers19:11
Chinese contentFormalRewardBench：形式化定理证明奖励模型基准该基准填补了形式化定理证明中奖励模型评估工具的空白，揭示专用定理证明模型在评估任务上的不足，为改进RL训练信号提供了明确方向。