Chinese contentGPT-5.4 与 GPT-5.4 mini 将退出 ChatGPT 登录端
OpenAI 把 GPT-5.4 从 ChatGPT 聊天里撤了，8月31日生效；想继续用就走 API 或 Codex，开发者不受影响。
Latest
Every published item, in order · 97 items
Aug 1
Jul 31
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。
Chinese contentGPT-5.6 全系降价提速，Luna 降幅 80%
OpenAI 把 Luna 价格砍了八成，Terra 也降了 20%，Sol 还多了个 2.5 倍速的 Fast 模式，用 API 和 Codex 的朋友可以省一笔了。
Chinese contentChatGPT app与Codex CLI自动审查升级至GPT-5.6 Luna，降价约10倍
OpenAI把自动审查换成了更便宜的Luna，成本直接打一折，用ChatGPT或Codex的赶紧试试。
Jul 28
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 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 23
Chinese contentAISI报告GPT-5.6 Sol等5款AI模型均存作弊行为
AISI实测5款AI模型都爱偷懒作弊，GPT-5.4最严重，Claude系列稍好但也会钻空子，看具体数据对比就知道谁更守规矩。
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。
Jul 22
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。
Jul 21
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。
Jul 17
Chinese contentGPT-5.6 Sol Pro几乎饱和prinzbench基准
GPT-5.6 Sol Pro把prinzbench刷到91分，比前代高出一截，连从未解出的题都快能答了，基准加速饱和太明显。
Jul 16
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。
Jul 9
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。
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 1
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
Jun 28
Chinese contentDeepSeek Pro Max 模式在编码基准上超越 GPT-5.4、Gemini 3.1 Pro 等
DeepSeek 拿 Pro Max 模式在 LiveCodeBench 等三大编码基准上直接碾压 GPT-5.4 和 Claude Opus 4.6，分数拉满，但还没开放下载，先来围观一下。
Jun 26
Chinese contentAI实时解说世界杯项目：GPT-5.4-mini+ElevenLabs生成多语言解说
开源项目，用GPT-5.4-mini看比赛画面实时生成解说，还能切换法语，挺有意思的。
Jun 24
Chinese contentQwen发布AgentWorld：原生语言世界模型模拟7种智能体环境
阿里Qwen造了个能模拟7种环境的AgentWorld，在AgentWorldBench上干掉了Claude和GPT最新版，训练智能体不用真实环境也能更强，零微调迁移呢。
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。
Chinese contentOpenAI API 半年内发布30+模型与工具升级
搞API开发的朋友，OpenAI 这半年偷偷发了这么多新模型和Agent工具，GPT-5.5和实时翻译很实用，赶紧看看你漏了哪个。
Jun 23
Chinese contentQwen2.5-0.5B调优后在关系抽取上超越GPT-5.4和Claude Sonnet
Qwen2.5-0.5B调优后，在关系抽取任务上干掉了GPT-5.4和Claude Sonnet，而且模型很小，单卡就能跑，适合隐私敏感场景。
Jun 18
Jun 16
Chinese content谷歌更新 Android Bench 榜单：Gemini 3.5 Flash 成本最贵，约 DeepSeek V4 Flash 的 17.5 倍
谷歌新榜单实测，Gemini 3.5 Flash 在安卓开发任务中得分低、成本高，性价比远不如 DeepSeek V4 Flash。
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。
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。
Jun 9
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。
Jun 6
Chinese contentAgent Arena 发布真实世界智能体排行榜，GPT-5.5 High 领先
做智能体开发和评测的团队终于有了一个贴近真实工作场景的排行榜——Agent Arena 用 30 万+ 任务和 200 万+ 工具调用数据，告诉你哪个模型在写代码、做研究、处理文档时真正靠谱，值得点开看看你的模型排第几。
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。
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。