Latest AI News & Industry Updates

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

Papers11:07

Chinese contentEMBL AI Librarian：为AI智能体打造的生命科学知识层

生命科学智能体可以直接用自然语言查文献了，EMBL AI Librarian在LitQA2上比网页搜索高8分，代码已开源。

#EMBL AI Librarian #Europe PMC #GPT-5.4 #智能体

arXiv cs.LG@Luigi Sigillo et al. (12)Source

Papers10:46

Chinese content安全漏洞报告自动识别技术比较分析

这篇论文把七种识别安全漏洞报告的方法拉到一起比了比，结果SetFit最猛，GPT-5.2反而拉胯。做漏洞管理的人可以参考。

#SetFit #GPT-5.2 #RoBERTa #漏洞检测

arXiv: OpenAI@Muhammad LaiqSource

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

PapersSelected09:51

Chinese contentParliamentBench：新基准评估LLM欺骗与推理能力

新基准用《秘密希特勒》测AI说谎，16个模型里GPT-5.4、Kimi K2.5领先。

#ParliamentBench #GPT-5.4 #DeepSeek 3.1 Terminus #AI安全

arXiv: DeepSeek@Niklas Bauer et al. (6)Source

PapersMulti-sourceSelected09:43

Chinese contentAgentS4D：LLM工作区智能体执行生命周期的运行时风险基准

AgentS4D 用 328 个风险案例测了 20 种智能体组合，发现 66% 的测试任务虽然完成但实际不安全，别光看结果。

#AgentS4D #智能体 #AI安全 #运行时安全

Event

arXiv: DeepSeek@Jiajun Zhou et al. (6)6 sourcesSource

Models US vs China12:12

Chinese contentSciFigQual-Bench：面向科学图像质量评估的全文本基准

评估论文图表质量？SciFigQual-Bench这个新基准让GPT-5.6-Sol驱动的SFQ-Agent打分，误差比直问模型低43%，更靠谱。

#SciFigQual-Bench #GPT-5.6-Sol #SFQ-Agent #图像质量评估

arXiv cs.AI@Zihan Deng et al. (6)Source

ModelsMulti-source11:22

Chinese contentAPEX-Accounting基准：评估九个前端模型会计能力

想看看AI到底能不能做会计？新出的APEX-Accounting基准拿160道真实会计题考了九个模型，最强Claude Fable-5才56%，离实际干活还差得远。

#APEX-Accounting #Claude-Fable-5 #Muse-Spark-1.1 #会计自动化

Event

arXiv cs.AI@Julien Benchek et al. (11)3 sourcesSource

PapersMulti-source09:21

Chinese contentNISPO：开源IUPAC名称生成工具，准确率98.1%

想自动生成分子IUPAC名称？试试NISPO，开源、基于RDKit，在1亿分子上验证准确率98.1%。

#NISPO #RDKit #IUPAC命名 #开源工具

Event

arXiv: OpenAI@Nicholas T. Runcie et al. (3)11 sourcesSource

Papers09:16

Chinese content从联合国投票数据估算大模型的地缘政治偏好

用联合国投票数据测了四个大模型的政治立场，发现DeepSeek最亲法，GPT-5最亲俄，跟开发者国家不一样。

#DeepSeek #GPT-5 #Claude Sonnet #Gemini

arXiv: DeepSeek@Maxim ChupilkinSource

Models12:30

Chinese contentClinFusion: 面向整体医学理解的视觉中心多模态LLM系统

ClinFusion用新架构统一2D/3D医学图像，在20/24基准上碾压Hulu-Med、Lingshu，甚至超GPT-5.2。医生盲评说它报告最好，值得关注。

#ClinFusion #医学多模态 #视觉编码器 #GPT-5.2

arXiv cs.AI@Hangjie Yuan et al. (24)Source

Papers76°12:03

Chinese contentLLM政治对齐可控性审计：上下文框架主导模型立场偏移

这篇论文用70道政治题+12种人格提示，测了GPT-5、Claude、Grok等7个模型，发现提示词比模型本身更能左右回答方向。想了解AI怎么被‘带节奏’的可以看看。

#GPT-5 #Claude #Grok #Gemini

arXiv: DeepSeek@Bartol Bućan et al. (8)Source

ModelsSelected12:01

Chinese contentRareLens: 利用分歧大模型推理实现罕见病全病程护理

罕见病诊断难？RareLens利用多个大模型的差异推理，在各阶段都超越GPT-5等顶尖模型，准确率还高。

#RareLens #GPT-5 #DeepSeek-R1 #Claude-3.7-Sonnet

arXiv: DeepSeek@Xi Chen et al. (27)Source

Models US vs ChinaMulti-source11:47

Chinese contentKimi K3：2.8T参数开源MoE模型，性能接近Claude Fable 5和GPT-5.6 Sol

Kimi 开源了2.8T参数的K3模型，激活104B参数，能处理百万token上下文，视觉能力也不弱，性能直逼Claude和GPT-5.6，适合用来部署或研究。

#Kimi K3 #MoE #开源模型 #多模态

Event

arXiv cs.LG@Kimi Team et al. (402)11 sourcesSource

Papers10:06

Chinese content生成式AI证据的半衰期：40条记录审计、声明货币性框架及前沿模型辅助研究

这篇论文研究了AI模型评估结论过时的速度，发现模型发布后近一年结论可能已失效。如果你做AI评测或读评测报告，它能帮你判断证据是否还新鲜。

#GPT-5.6 Sol Pro #OpenAI #模型评估 #声明货币性

Event

arXiv: OpenAI@Carlo Iacono2 sourcesSource

PapersSelected09:31

Chinese content前沿LLM规则评估中的异常链崩溃与Aethis神经符号架构

这篇论文揭露了GPT-5.4和Claude在资格评估规则中会莫名崩溃，还给了个能稳定执行的神经符号方案，搞合规或应用LLM的得看看。

#LLM #异常链崩溃 #神经符号架构 #规则评估

arXiv: Anthropic@Paul Simpson et al. (3)Source

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

PapersMulti-sourceSelected12:01

Chinese contentLean-QuantumAlg-Bench 和 Lean-QIT-Bench 评估 AI 定理证明

想知道 AI 定理证明在量子计算领域到底多强？这篇论文给了两个新基准和四个模型实测分数，LAD 方法能提升最高 15.9 分，很实在。

#Lean-QuantumAlg-Bench #Lean-QIT-Bench #GPT-5.5 #Kimi K3

Event

arXiv: DeepSeek@Lei Zhang et al. (13)11 sourcesSource

PapersMulti-source09:35

Chinese contentOpenAI gpt-5.6-sol 研究：直接暴露危险目标比多智能体中介更安全

这篇论文发现了一个反直觉的安全漏洞：把危险目标藏起来经过中介传递，反而让模型更容易执行它。对做LLM部署或安全审查的人很重要。

#gpt-5.6-sol #OpenAI #AI安全 #多智能体

Event

arXiv: OpenAI@Linjun Li11 sourcesSource

PapersMulti-sourceSelected09:34

Chinese contentIssueTrojanBench：评估AI编码代理面对恶意issue请求的安全性

这个基准测试发现，你用的AI编码工具面对恶意issue时几乎不设防，66.5%都能得逞，赶紧看看你的工具安不安全。

#IssueTrojanBench #GPT-5.3 #Sonnet 4.6 #AI安全

Event

arXiv: OpenAI@Ankur Singh et al. (3)6 sourcesSource

PapersMulti-source11:52

Chinese contentChannelGuard：安全模型组合未必安全，多智能体系统防御框架

这是篇讲多智能体LLM安全漏洞的论文，提出ChannelGuard，不额外调用LLM，在Agent间加门控，能防住工具投毒和指令注入，而且实验用了三个不同模型后端，结果很实在。

#ChannelGuard #多智能体 #AI安全 #指令注入

Event

arXiv: Anthropic@Elias Hossain et al. (5)10 sourcesSource

Papers US vs ChinaSelected10:00

Chinese contentSLAI T-Rex：在Ascend SuperPOD上对DeepSeek-V4系列进行全参数后训练

这篇论文展示了如何在华为Ascend芯片上高效后训练万亿参数模型，并且通过运筹学专用微调，在特定任务上超越了GPT-5.4-Mini。

#DeepSeek-V4 #Ascend SuperPOD #SLAI T-Rex #后训练

arXiv: DeepSeek@Dongfang Li et al. (65)Source

Papers09:53

Chinese contentDARWIN：通过进化攻防框架实现LLM安全评估与防护

论文提出DARWIN，用进化算法同时生成攻击和训练防护，在DeepSeek-V4-Pro和GPT-5.5上攻击成功率超高，安全召回率也强。

#DARWIN #DeepSeek-V4-Pro #GPT-5.5 #AI安全

Event

arXiv: DeepSeek@Weiwei Qi et al. (8)2 sourcesSource

Papers Builders12:57

Chinese contentCodeRescue：面向编程智能体的预算校准恢复路由

编程智能体失败后，是再用便宜模型试试还是直接上贵的？这篇论文搞了个路由器和校准方法，在GPT-5.4-nano上省了65%的钱还保证解决率不降。

#CodeRescue #GPT-5.4 #编程智能体 #Conformal Risk Control

arXiv cs.AI@Qijia He et al. (11)Source

Models12:30

Chinese contentBioSecBench-Surveillance：病原体基因组监测AI代理可验证基准

想看看AI在基因组监测上多不靠谱？新基准BioSecBench-Surveillance测了16个模型，最好才一半正确，细节值得细读。

#BioSecBench-Surveillance #Opus 4.8 #GPT-5.5 #Sonnet 4.6

Event

arXiv cs.AI@Harmon Bhasin et al. (12)2 sourcesSource

Papers11:40

Chinese contentSGA: 插即用几何验证模块提升教育动画合成

论文提出了SGA模块，能自动修复LLM写动画代码时的几何遮挡错误，实测用GPT-5.1搭配Code2Video能提升16%的画面质量。

#SGA #Manim #GPT-5.1 #MMMC-Code

arXiv cs.AI@Lopez Jhon 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

Models US vs ChinaMulti-source09:33

Chinese contentActiveVision新基准：GPT-5.5和Claude Fable 5主动观察得分不足11%

想看最强的AI在实时观察任务上有多弱吗？ActiveVision让GPT-5.5和Claude Fable 5原形毕露，人类碾压它们。

#ActiveVision #GPT-5.5 #Claude Fable 5 #多模态

Event

arXiv cs.AI@Jiarui Zhang et al. (6)11 sourcesSource

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-sourceSelected10:47

Chinese contentSTOCKTAKE：用公平预言衡量LLM智能体感知与行动差距

这篇论文用STOCKTAKE基准把LLM智能体的‘没看懂’和‘看懂了却没行动’分开了，四个主流模型的表现差距比想象中大。

#STOCKTAKE #Claude Sonnet 5 #GPT-5.4 #智能体

Event

arXiv: DeepSeek@Sagar Deb, Ashwanth Krishnan3 sourcesSource

Papers10:04

Chinese content基于验证器的强化微调推理模型优化建筑热能存储控制

这篇论文用30条提示微调开源模型，让建筑冷负荷调度排放从70.5降到61.2，逼近最优，比GPT-4o强得多。

#RLVR #RFT #GPT-5 #GPT-4o

arXiv cs.LG@Takumi Shioda et al. (3)Source

Papers12:13

Chinese contentAI改写邮件语气影响接收者行为：121人随机交叉现场实验

这篇论文不是教你怎么用AI写邮件，而是用真实实验数据告诉你：AI改写邮件语气不会直接提高回复率，但会让读邮件的人感觉更积极，从而更愿意打开和回复。

#GPT-5 #AI写作 #职场沟通 #情感分析

arXiv cs.AI@Ziv Ben-Zion, Teddy LazebnikSource

Papers11:57

Chinese content沙漏推理：通过结构隔离增强少样本归纳推理

这篇论文提出沙漏推理，让GPT-5.5和Gemini 3.1 Pro在ARC-AGI、ChipBench等基准上大幅提升，不是靠新模型，而是靠精巧的推理结构设计，值得搞推理的人看看。

#Hourglass #GPT-5.5 #Gemini 3.1 Pro #ARC-AGI-2

arXiv cs.AI@Huan ZhuSource

PapersMulti-source09:10

Chinese contentClaude Fable 5在生物医学挑战问题上的能力评估

这篇论文很有意思，告诉你Claude Fable 5在医学难题上不是不会答，而是经常拒绝回答。一旦它愿意回答，准确率反而是最高的。如果你想了解模型的安全边界和真实能力，值得看看。

#Claude Fable 5 #Anthropic #GPT-5 #生物医学基准

Event

arXiv: Anthropic@Dominic Okonkwo et al. (4)11 sourcesSource

Papers09:14

Chinese content地缘政治对齐：大型语言模型中的背书效应

这篇论文用实验数据告诉你，大模型评政策时会看谁站台——同一政策挂美国旗得分高，挂中国旗得分低。GPT-5、Claude Sonnet、Gemini、DeepSeek表现各异，值得关注。

#GPT-5 #Claude Sonnet #Gemini #DeepSeek

arXiv: DeepSeek@Maxim ChupilkinSource

Papers11:20

Chinese content制度性红队测试：部署规则而非仅模型因果影响多智能体AI安全

这篇论文拿多个模型种群跑了几万局游戏，发现换一条规则，事故率能差 58 个百分点，而且匿名化也挡不住针对性消除。做多智能体安全的一定要看。

#多智能体 #AI安全 #红队测试 #部署规则

arXiv cs.AI@Yujiao ChenSource

PapersSelected09:08

Chinese contentInfraQR：红外视觉语言模型的QR启发式结构化补丁攻击

这篇研究告诉你，红外视觉语言模型有多脆弱——一个 QR 风格的边角补丁就能让 OpenAI CLIP 准确率从 98.67% 跌到 0.70%，还能黑盒攻击其它模型。搞安全或对抗训练的值得一看。

#InfraQR #CLIP #OpenAI #视觉语言模型

Event

arXiv: OpenAI@Xin Li et al. (8)2 sourcesSource

Models Builders10:16

Chinese contentRuBench: 俄语仓库级智能体编码基准评测发布

想了解用非英语自然语言写代码任务的基准？RuBench用俄语从真实提交中挖了25个任务，还抓到了模型被悄悄替换的证据。

#RuBench #俄语 #代码代理 #基准

arXiv cs.AI@Evgeny ShilovSource

Papers12:09

Chinese content优化大语言模型用于药物警戒因果关系评估：开发性能指标用于贝叶斯超参数优化

这篇论文用GPT-5.2做药物副作用评估，温度调优后准确率从45%跳到72%，对药物安全分析很有参考价值。

#GPT-5.2 #OpenAI #药物警戒 #贝叶斯优化

arXiv: OpenAI@Nicole Sonne Heckmann et al. (7)Source

Models11:28

Chinese contentEvoPolicyGym：评估自主策略演化的新基准

想看看AI智能体怎么自己迭代策略吗？EvoPolicyGym这个新基准让GPT-5.5跑了16个强化学习环境，全部拿到前两名。

#EvoPolicyGym #GPT-5.5 #强化学习 #策略演化

arXiv cs.AI@Zhilin Wang et al. (16)Source