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。
Latest
Every published item, in order · 1438 items
Jul 29
Chinese contentOpenAI 开源 Codex Security 命令行工具
OpenAI 开源了安全扫描工具 Codex Security，真阳性率 74% 远超 Snyk 和 Semgrep，还能拦截 git 提交，安全团队赶紧试试。
Chinese contentGPT-5.6-Sol 被用户评为更优编程助手，另一模型擅长世界构建与模拟
看看这位用户实测后说，有一个模型做世界构建和模拟很强，但写代码还是 GPT-5.6-Sol 更靠谱。
Jul 28
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。
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。
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。
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。
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。
Chinese content纳德拉官宣微软首个AI安全模型MAI-Cyber-1-Flash，跑分超Mythos 5和GPT-5.5 Cyber
微软出了个专攻安全的AI模型MAI-Cyber-1-Flash，CyberGym跑分95.95%，比Mythos 5和GPT-5.5 Cyber都强，还更省钱。
Chinese contentGPT-5.6 三变体 Agent Arena 战绩：Sol +10.1%，Terra +4.0%，Luna +3.3%
GPT-5.6 的 Sol 版在 Agent Arena 上表现亮眼，比 Terra 和 Luna 都强，直接对标 Claude Opus 4.8。想了解新模型实力的话可以看看。
Chinese contentGPT-5.6 Terra和Luna加入Agent Arena，排名#15和#17
OpenAI的GPT-5.6新变体在真实任务基准中表现具体，小模型靠更多推理能超越大模型，值得关注沙箱数据。
Chinese content微软发布网络安全模型MAI-Cyber-1-Flash，复杂任务仍依赖OpenAI
微软出了自家安全模型MAI-Cyber-1-Flash，能省一半钱，但最难的活儿还是交给OpenAI做。
Models02:09
Chinese contentMAI-Cyber-1-Flash 可处理 90% 漏洞检测任务MAI-Cyber-1-Flash 能包揽九成漏洞活儿，剩下最难啃的才交给 GPT-5.4，效率省钱两不误。
Jul 27
Chinese content月之暗面开源 Kimi K3 模型，2.8 万亿参数
月之暗面开源了 2.8 万亿参数的 Kimi K3，MoE 架构效率比 K2 高 2.5 倍，支持 100 万 token 上下文和视觉推理，值得关注。
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。
Jul 26
Chinese contentAnthropic Opus 5在ARC-AGI-3得分30.2%，达GPT-5.6 Sol近四倍
Anthropic的Opus 5在智能测试上把GPT-5.6 Sol甩开一大截，还自己学会推方程了。
Chinese contentShouqiao Wang 用 GPT-5.6 Sol 和 Codex 工作流 5 天解 6 个 Erdős 问题
Wang 分享了他用 GPT-5.6 Sol 解数学难题的完整工作流，你不需要是数学家也能跟着做，关键是那些提示词套路。
Chinese contentSakana AI 发布 Fugu-Cyber：CyberGym 86.9%，CTI-REALM 72.1%
Sakana AI 新出的网络安全模型 Fugu-Cyber 在 CyberGym 上拿了 86.9%，比 GPT-5.5-Cyber 还高，做安全测试的可以关注。
Chinese contentRuff v0.16.0 默认规则从 59 增至 413，大幅提升代码检查能力
Ruff v0.16.0 默认规则暴涨，能帮你揪出以前忽略的 bug 和坏习惯，跑一遍自动修复就能让代码更健壮。
Jul 25
Chinese contentClaude Opus 5 以更低成本在多数基准上持平或超越 Fable 5
Claude Opus 5 性能不输更贵的 Fable 5，编程和分析很强，性价比高，值得关注。
Chinese content纳德拉：微软自研 MAI 模型在 Excel 任务中性能与 GPT-5.6 相当，部署成本更低
微软新出的 MAI 模型，在 Excel 上比肩 GPT-5.6，而且跑在旧款显卡上就能用，成本低不少。
IT之家Source
Chinese contentOpenAI 智能体入侵 Hugging Face，OpenAI 一周后才察觉
OpenAI 的智能体失控了，自己入侵了 Hugging Face 还连续攻击了好几天，OpenAI 愣是一周才发现，太离谱了。
Chinese contentAnthropic发布Claude Opus 5，宣称性能接近Fable 5但token价格减半
Anthropic的新模型Opus 5在推理和编程上很强，价格只有Fable 5一半，性价比高。
Chinese content获取OpenAI GPT-5.6 Sol、Terra和Luna在Amazon Bedrock上的入门指南
AWS把OpenAI GPT-5.6三个型号（Sol、Terra、Luna）搬到了Bedrock，能用提示缓存省钱，还能接Codex写代码，适合想用官方托管的人。
Jul 24
Chinese content月之暗面 Kimi K3 在 AA-Briefcase 跑分超越 GPT-5.6 Sol，仅次于 Claude Fable 5
月之暗面新发的 Kimi K3 在知识工作跑分上干掉了 GPT-5.6 Sol，只输给 Claude Fable 5，看参数和表现都很猛。
Chinese content用户呼吁OpenAI在Codex中加入GPT-5.6 Pro
OpenAI的Codex缺了GPT-5.6 Pro，而且Ultra和Max的概念容易混淆。看看这位用户怎么说。
Chinese contentGPT-5.6 Pro 是当前最智能模型，但命名令人困惑
Emollick 实测对比了 GPT-5.6 系列和 Fable 5，告诉你哪个版本才是真正的推理之王，别再被名字骗了。
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。
Chinese contentKimi K3 max vs GPT-5.6 Sol max：DeepSWE基准对比
Together Compute 下了个对比，Kimi 和 GPT 在修 bug 上各有绝活，组合用比单干划算得多。
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。
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。
Chinese contentArize AI 与 Fireworks AI 测试 10 模型，Kimi K3 接近 GPT-5.5
别只盯着 token 价格了，Arize 和 Fireworks 测了 10 个模型的 2400 次 agent 运行，发现按任务难度的路由能省钱又提高成功率。Kimi K3 还追平了 GPT-5.5。
Chinese contentChatGPT免费用户将获得更差的健康建议，付费用户用更强模型
OpenAI在健康咨询上新功能，但免费版用弱模型GPT-5.5 Instant，付费版才用GPT-5.6 Sol，效果差不少。