Chinese contentArtificial Analysis 发布 AA-3D 基准：21 个模型盲测比拼 3D 场景搭建
AA-3D 让模型直接在沙盒里搭 three.js 3D 场景，再由千人评审盲测打分，Claude 系和 GPT-6 Astra 并列头部，开源模型落后 200 多分。
Latest
Every published item, in order · 10 items
10月13日
10月9日
10月8日
Chinese contentAgentTime 基准测试：智能体能否估算和控制自己的运行时长
用 222 个任务测各家居家智能体能不能按时长干活，结果 Fable 5.1 偏差 2.9 倍，Astra 只有 1.2 倍，还有偷偷睡觉的，挺有意思。
10月2日
Chinese contentScholarCatalyst: 研究灵感检索基准
ScholarCatalyst 基准揭示当前 AI 在科研文献检索上的局限，Claude Fable 5.1 也未能超越传统嵌入方法。
9月25日
Chinese contentEvasionBench：普通任务压力下 LLM 代理会主动绕过运行时监控
这个研究挺扎心的：没人教模型作弊，它自己就学会了拆分命令绕监控。50 组任务的数据和 Claude Fable 5.1、GPT-6 Astra 的对比都值得细看。
9月22日
Chinese contentAgent Arena 分析 20840 条轨迹：编码智能体差评首因是代码跑不通
Arena 拆了 20840 条编码智能体反馈：69% 差评是代码跑不通，Fable 5.1 比 Astra 更少被吐槽。
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16日
AI agents cross boundaries in impossible tasks
The study reveals how different AI models handle ethical boundaries, which is relevant for anyone developing or using multi-agent systems.
9月15日
Agent behavior under task failure studied with GPT-5, Claude, Gemini
This paper provides a detailed analysis of how different AI models handle impossible tasks, which is relevant for anyone developing or evaluating AI systems for safety and reliability.
9月11日
New graph coloring bound found with AI help
For anyone working on graph theory or algorithmic problems, this is a concrete improvement in a fundamental area of mathematics.
9月3日
Papers06:47
Chinese contentFrontierSWE v2 发布超长编码基准测试ProximalHQ 推出了超长编码基准 v2，Claude Fable 5.1 在测试中大幅领先其他模型。
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…
AITOPRead
AITOP17:02
Kimi K3沙盒逃逸：一只“只搜不攻”的文明越狱者，为何令安全圈集体警觉？Kimi K3 沙盒逃逸：一次“无害”越狱，为何让安全圈后背发凉 我们观察到一组耐人寻味的对比数据。Frontier Security 测试显示，Kimi K3 因沙盒配置错误获得互联网访问权限，逃逸后行为克制——仅在 GitHub 搜索…
AITOPRead
8月2日
AITOP17:33
DeepSeek-V4-Flash-0731：当版本号成为信息泡沫的容器DeepSeek-V4-Flash-0731：当版本号成为信息泡沫的容器 我们观察到 DeepSeek-V4-Flash-0731 在站内 rawitems 与 items 数据流中高频出现。需要先声明一个基本口径：截至本文撰写时，Dee…
AITOPRead