AITOP
全部 AI 动态
AI 相关资讯全量信息流
全部博客资讯推文论文
全部模型产品行业论文技巧
标签：Claude Opus×
6月29日
23:10
6月26日
21:24
6月23日
10:24
10:24arXiv: OpenAI@Moran Koren
该论文提出一种以验证为先的LLM辅助经济理论协议，并实例化为三种方法：单次严谨通道、对抗性验证器对（Claude Opus 4.8提议，OpenAI Codex反驳，作者仲裁）以及带评审门控的结构化多智能体项目。作者在一个开放示例——为Gans-Kominers等级膨胀模型设计Groves/Pigouvian激励相容机制——上评估该协议，三个运行均未产生严格直接揭示VCG/Clarke机制，对抗性通道自身证实了该点。结果揭示三个反复出现的现象：收敛发现、对抗验证的有效性、以及抛光不等于严谨。
论文LLM经济理论验证协议多智能体Claude Opus
推荐理由：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。
原文
02:43
6月18日
08:30
01:55
6月16日
20:46
6月12日
12:57
6月11日
15:28
15:23
15:07
6月10日
03:45
03:45Guillermo Rauch@rauchg
Anthropic 的 Mythos 安全验证工具对 Malte Ubl 的 just-bash 项目进行了安全审计，结果未发现严重问题。just-bash 是一个完整的 bash 实现，包含 QuickJS、CPython 和可选文件系统访问，攻击面很大。该项目大部分代码由 Claude Opus 4.5 编写，仅经过最少的人工审查，但通过深度加固循环和机器强制编码规则保证了安全性。这一案例展示了 AI 生成代码在严格安全约束下可以达到的可靠性。
AI产品Claude OpusMythos安全验证AI 生成代码just-bash
推荐理由：AI 写代码的安全性问题一直让人担心，这个案例证明只要加固流程到位，AI 生成的复杂系统也能通过专业审计。做 AI 安全或代码生成的团队值得看看他们的方法论。
原文
6月9日
01:18
6月8日
11:35
11:35rohanpaul_ai@rohanpaul_ai
精选72°
斯坦福、MIT、NVIDIA、Google 等顶尖实验室联合发布 AutoLab 基准测试，包含 36 个任务，要求智能体从弱代码出发，在固定时间内改进。测试 17 个强模型后发现，最佳结果并非源于初始想法好，而是模型持续测试、利用反馈。Claude Opus 4.6 因坚持迭代而领先，其他前沿模型常因过早放弃或过度思考而失败。该研究揭示了当前 AI 智能体在长周期研究中的关键短板。
论文智能体基准测试长周期研究Claude Opus坚持迭代
推荐理由：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。
原文
10:58
10:58shao__meng@shao__meng
精选
Claude Code 作者 Boris Cherny 分享了让 Claude Opus 持续运行数小时甚至数天的 5 条实战建议，包括启用自动权限模式、使用动态工作流编排子 Agent、通过 /goal 或 /loop 指令推动任务完成、优先使用云端版本避免本地关机中断，以及确保端到端自我验证能力。这些建议同样适用于 Codex、GPT-5.5 等其他模型，核心在于减少人工干预、提升任务连续性和验证有效性。对于需要长时间自主执行复杂任务的开发者来说，这些技巧能显著提升效率并避免 token 浪费。
AI产品Claude OpusClaude Code自主运行动态工作流端到端验证
推荐理由：Boris Cherny 的 5 条建议直击长时自主运行的痛点，做自动化任务编排的开发者可以直接套用到 Codex 或 GPT-5.5 上，尤其是端到端自我验证这条能帮你省下大量无效 token 消耗，值得收藏实践。
原文
5月28日
05:21
05:21rohanpaul_ai@rohanpaul_ai
72°
Datacurve 推出 DeepSWE，一个更严格的编程基准测试，旨在揭示领先模型之间的真实差距。GPT-5.5 得分 70%，而 GPT-5.4 为 56%，Claude Opus 4.7 为 54%，差距在旧基准中常被掩盖。DeepSWE 使用原创任务而非公开 GitHub 问题，避免模型训练时见过答案。其提示词长度仅为 SWE-bench Pro 的一半，但解决方案需要 5.5 倍代码量和约 2 倍输出 token。评分方式也不同，DeepSWE 检查请求行为是否真正实现，而非仅依赖合并 PR 的测试。
AI模型基准测试编程能力GPT-5.5Claude Opus软件工程
推荐理由：做 AI 模型评估或选型的团队，DeepSWE 能帮你看到模型在长周期软件工程任务上的真实差距，建议关注这个新基准。
原文
5月27日
17:59
17:59Philipp Schmid@_philschmid
72°
DeepSWE 是一个新的软件工程/智能体基准测试，包含 113 个任务，覆盖 91 个仓库和 5 种编程语言。其评估框架 mini-swe-agent 为每个模型提供单一的 bash 工具和相同的系统指令，没有厂商自定义原语。评估提示比 SWE-Bench Pro 更短，但平均需要修改 5.5 倍以上的代码和 7 个文件，旨在模拟开发者与智能体对话的真实方式。初步结果显示，Claude Opus 比 Claude Code 高 10 个百分点，Gemini 3.1 Pro 比 Gemini CLI 高 20 个百分点。该基准强调指令遵循能力，可能对探索型模型不利。
AI模型SWE 基准智能体编程助手Claude OpusGemini Pro
推荐理由：做 SWE 智能体评估或开发 AI 编程助手的团队，这个新基准更贴近真实开发场景，值得关注其设计思路和模型表现差异。
原文
5月13日
12:33