Papers13:00
Chinese contentNature Medicine研究指出医疗AI基准高分不等于临床就绪别被医疗AI的高分骗了，Nature Medicine这篇研究告诉你基准测试和真实临床差距有多大。
Latest
Every published item, in order · 266 items
Jul 6
Jul 3
Chinese contentRefploit：利用代码智能体轨迹修复辅助漏洞利用构建
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。
Jul 2
Papers10:12
Chinese content比较GPT-5 mini、Gemini 3 Flash和DeepSeek Chat在Scrum认证题上的准确率与错误模式想了解GPT-5 mini、Gemini 3 Flash、DeepSeek Chat谁更适合Scrum考试？这篇论文用993道真题实测了准确率和稳定性，还分析了典型错误原因。
Chinese contentSkillComposer：用自回归解码联合选择Agent技能顺序
编程Agent技能选不好？这篇论文用自回归解码一次搞定技能组合和顺序，在SkillsBench上直接涨了18到23个点，比传统检索还省token。
Jul 1
Papers11:36
Chinese content校准而非编译：检测和修复语言模型编写的误指定概率程序这篇论文发现LLM写的概率统计程序常有隐藏错误，单元测试根本抓不到，但用贝叶斯校准检测准确率高达97%，修复效果也远超传统方法。
Papers10:35
Chinese contentAxDafny：Dafny 中的智能体验证代码生成想搞形式化验证代码生成？这篇论文的 AxDafny 用验证器做迭代修复，把 Dafny 编程题的验证成功拉到 92.7%，比之前的最好方法还高 6.5 个百分点。
Papers09:52
Chinese content基于模态驱动搜索与整体轨迹判断的ARC-AGI-2求解器这篇论文的方法很实在，用多模态搜索加整体判断，在ARC-AGI-2上做到了72.9%，比GPT-5.2 Pro高了将近19个点，代码还开源了。
Chinese contentAutoTrainess：一种让语言模型自主改进语言模型的智能体
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。
Jun 30
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。
Jun 29
Chinese contentNature Medicine论文开源测试套件：GPT-5.5 Pro得分79%
Nature Medicine那篇论文把模型考倒了，但作者直接把考卷开源了。后来GPT-5.5 Pro重新考，分数涨了10%！
Jun 25
Chinese content希腊岛屿小农的检索增强多语言AI助手Falco eleonorae
OpenAI的GPT-5给希腊农民做了个接地气的AI助手，能说方言、看图、查作物日历，比通用聊天更实用。
Jun 24
Papers12:05
Chinese content结构化概念演化框架让LLM发现量子LDPC码这篇论文用GPT-5.4-mini和GPT-5.4-nano两种轻量模型就找到了新的量子LDPC码，方法很巧妙。
Jun 19
Papers09:33
Chinese content不确定性分解：让LLM智能体主动寻求澄清这篇论文给出了一个简单实用的方法，让智能体在任务模糊时主动提问，而非盲目执行。五个大模型上都有提升，值得做Agent的同学看看。
Jun 18
Jun 17
Chinese contentReproRepo：利用GitHub Issue扩展可重复性审计
这篇论文提出了一个可扩展的框架，用GitHub Issues来测试LLM智能体找论文代码的复现问题，比现有手动基准好很多，值得看。
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。
Jun 16
Chinese content组合推理深度预测临床AI失败：EHR问答实证
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。
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。
Jun 13
Jun 12
Chinese contentRecursive Agent Harness：递归智能体框架提升长上下文推理
RAH 解决了长上下文推理中智能体扩展性的核心瓶颈，做复杂编码任务或智能体系统的开发者可以直接参考其设计思路，效果提升显著。
Chinese contentEpiBench：AI智能体在表观基因组学分析中的可验证基准
做基因组学分析的团队终于有了一个可复现的AI能力评估标准——EpiBench揭示了当前最强模型在专业科学判断上的天花板，做生物信息学工具开发或AI+生命科学研究的建议点开看看差距在哪。
Jun 11
Chinese contentTAHOE：通过经验自动优化提示的Text-to-SQL系统
TAHOE 解决了 Text-to-SQL 从原型到生产部署的痛点——无需微调模型即可大幅提升 SQL 生成准确率，做数据库应用或数据分析的开发者可以直接用这套方法优化现有 LLM 管线。
Jun 10
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。
Chinese contentMoonshine：以猜想生成为核心的自主数学研究智能体
Moonshine 把数学研究从“解题”推向“猜想的自动生成”，做AI for Science或数学自动化的研究者值得关注，它展示了智能体如何自主发现并推进新问题。
Jun 9
Chinese contentSpatialWorld：多模态智能体交互式空间推理新基准
做多模态智能体或空间推理研究的团队，这个基准直接暴露了当前模型在真实交互任务上的短板——GPT-5都只有17.4%成功率，值得用来检验自家模型。
Chinese contentCGFD：面向繁体中文IEP自动生成的低资源微调方案
做特殊教育NLP或低资源语言模型微调的团队，这篇论文提供了一个可复现的CGFD流程，直接解决了繁体中文IEP生成的数据稀缺和隐私问题，值得点开看具体实现。
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。
Chinese content多智能体LLM级联中的幻觉传播分析
多智能体系统开发者终于有了量化幻觉传播的基准——这篇论文揭示了级联深度与事实准确性的权衡，做Agent编排的团队建议仔细看，避免盲目堆叠智能体导致事实失真。
Jun 5
Chinese contentCogManip 基准测试：多轮对话中大模型的操纵行为风险
AI 安全研究者终于有了评估隐性操纵的专用工具——CogManip 覆盖 15 种策略、1000 个场景，做模型对齐和红队测试的团队可以直接拿来用。
Chinese contentRBI-Eval：衡量记忆增强对话代理何时不该使用敏感记忆
该研究揭示了记忆增强AI代理在敏感信息使用上的关键盲区，做对话系统和个性化AI的开发者值得关注——它直接关系到用户隐私和信任。
Jun 4
Chinese contentLLM智能体记忆不可靠：反复重写反而更糟
做AI智能体开发的团队会立刻警觉——你精心设计的记忆系统可能在悄悄退化。这篇论文用实验数据戳破了「自动总结记忆」的幻觉，建议所有用LLM做长期任务的开发者点开看看，别让记忆成为瓶颈。
Chinese contentDiscourse-Role Labels 影响语言模型对上下文的采纳程度
这篇论文揭示了标签选择能显著改变模型对误导信息的采纳率（最高差 84 个百分点），做 RAG 系统或上下文增强应用的开发者需要警惕：你用的标签可能无意中放大了错误信息的影响。建议点开了解如何控制这一变量。
Papers10:56
Chinese contentAgentMob：无需训练的LLM智能体实现高效可解释移动预测做城市模拟、交通规划或政策分析的团队，终于有了一个无需训练就能解释预测结果的方案——AgentMob 在模糊场景下准确率提升 18%，建议直接试一下开源代码。
Chinese contentKINA：899题跨学科LLM知识基准，Gemini-3.1-Pro-Preview以53.17%领先
KINA 解决了 LLM 知识评估中学科代表性不足和排名不稳定的痛点，做模型评测或研究 LLM 知识边界的团队可以直接用这个基准来更可靠地对比模型，建议点开看看具体的设计和排名细节。
Chinese content微软SkillOpt：将技能文档作为可训练外部状态，冻结Agent无需改动
做AI Agent开发的团队常手工写技能文档但效果有限，SkillOpt用优化器自动迭代技能文件，零推理开销且效果显著，值得尝试。
Jun 2
Papers12:05
Chinese contentK-BrowseComp：首个韩语网页浏览智能体基准测试做多语言智能体或网页浏览任务的团队会立刻意识到差距——韩语场景下最强模型准确率不到一半，说明现有评估严重偏向英语。做韩语 NLP 或本地化产品的开发者可以直接用这个基准测试自己的模型。
Jun 1
Chinese content多智能体AI预言机系统提升预测市场裁决准确率至83.43%
预测市场从业者终于有了可落地的AI裁决方案——独立聚合投票比单模型更准，混合路由策略能平衡成本与精度，做预言机或去中心化应用的团队值得参考。
Chinese contentSkillsBench 研究：技能可用性显著提升 LLM Agent 任务成功率，呈现粒度影响有限
做 LLM Agent 开发的团队终于有了实证依据：给智能体塞技能文档比纠结怎么写更管用。建议直接参考这个实验设计来优化自己的 RAG 或工具调用策略。
May 31
Chinese contentAI搜索智能体常确认已知信息而非真正研究网络
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。