Chinese contentAnthropic与OpenAI以更快发布节奏拉开与谷歌差距
OpenAI和Anthropic现在每1-2个月发一次新版，谷歌要75天还断过154天，速度差距越来越大了。看看他们怎么用发布节奏建护城河。
Latest
Every published item, in order · 1438 items
Jul 2
Papers10:12
Chinese content比较GPT-5 mini、Gemini 3 Flash和DeepSeek Chat在Scrum认证题上的准确率与错误模式想了解GPT-5 mini、Gemini 3 Flash、DeepSeek Chat谁更适合Scrum考试？这篇论文用993道真题实测了准确率和稳定性，还分析了典型错误原因。
Chinese contentSkillComposer：用自回归解码联合选择Agent技能顺序
编程Agent技能选不好？这篇论文用自回归解码一次搞定技能组合和顺序，在SkillsBench上直接涨了18到23个点，比传统检索还省token。
Chinese content提醒：不要依赖标准基准，务必针对自己的用例测试模型
真的得自己测测模型，别光看跑分——比如Gemini 3.1和GPT-5.5在担心亏损上表现不一样，别人测的不等于你用的。
Jul 1
Chinese contentFable 5 回归，美国解除出口管制，GPT-5.6 即将发布
Fable 5 回来了，还顺带更新了安全分类器。GPT-5.6 也快了，想尝鲜的抓紧订阅，免费额度只到7月7日。
Chinese contentOpenAI 发布 GeneBench-Pro 基准，GPT-5.6 Sol 在生物分析判断任务上大幅进步
OpenAI 搞了个新基准 GeneBench-Pro，专门测模型做复杂生物分析时的判断力，GPT-5.6 Sol 表现很亮眼，比之前强不少。
Papers11:36
Chinese content校准而非编译：检测和修复语言模型编写的误指定概率程序这篇论文发现LLM写的概率统计程序常有隐藏错误，单元测试根本抓不到，但用贝叶斯校准检测准确率高达97%，修复效果也远超传统方法。
Papers10:35
Chinese contentAxDafny：Dafny 中的智能体验证代码生成想搞形式化验证代码生成？这篇论文的 AxDafny 用验证器做迭代修复，把 Dafny 编程题的验证成功拉到 92.7%，比之前的最好方法还高 6.5 个百分点。
Papers09:52
Chinese content基于模态驱动搜索与整体轨迹判断的ARC-AGI-2求解器这篇论文的方法很实在，用多模态搜索加整体判断，在ARC-AGI-2上做到了72.9%，比GPT-5.2 Pro高了将近19个点，代码还开源了。
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。
Chinese contentAnthropic Fable 5 和 Mythos 5 解禁，附有条件
Anthropic 的 Fable 5 和 Mythos 5 解禁了，但有政府安全条件。OpenAI 的 GPT-5.6 也被限制，引发业界对管制拖慢创新的讨论。
Chinese contentClaude Sonnet 5 发布：自主规划与工具使用能力提升
Anthropic 出了 Sonnet 5，能自己规划任务、用浏览器和命令行，比 Sonnet 4.6 强，但比 Opus 便宜，适合想搞 Agent 又不想花大钱的人。
Chinese contentAnthropic发布Claude Sonnet 5，Agent能力接近Opus 4.8
Anthropic的Sonnet 5来了，Agent能力接近最贵的Opus，价格才40%。以前会卡住的复杂任务现在能跑完，还自己检查输出。默认模型升级值得一试。
Chinese contentAnthropic发布Claude Sonnet 5，更便宜的AI智能体方案
Anthropic出了Claude Sonnet 5，便宜又能跑智能体，比GPT-5.5和Opus都划算。
Jun 30
Chinese content使用Kimi K2.7、Qwen 3.7等中国模型替换AI栈，成本降87%收入不变
他把Opus、GPT、Sonnet全换成中国模型：成本降87%，性能只降4%，收入不变。附完整迁移方法。
Chinese content普林斯顿CEO-Bench测试：AI模拟CEO经营500天，Claude Fable 5居首
普林斯顿搞了个AI当老板的模拟考试，Claude Fable 5赚了4700万，其他大多破产，这测试挺能看出谁更适合做长期决策。
Chinese content美团发布LongCat-2.0，1.6T参数MoE，零英伟达依赖国产加速卡训练
美团搞了个纯国产卡训练的1.6T MoE模型，激活参数48B，1M上下文，编程和Agent场景表现强，在SWE-bench Pro上还超过了GPT-5.5，值得编程开发者试试。
Chinese content美团发布LongCat-2.0，国产芯片上训练万亿参数模型
美团开源了LongCat-2.0，国产芯片跑万亿参数，编程和Agent能力很强，还支持百万上下文，值得上手试试。
Papers09:21
Chinese contentOCR-VLMs 在天城体上的表现：压力测试基准与后校正研究如果你对多语言OCR或印地语文本识别感兴趣，这篇论文揭示了主流模型在天城体上的真实差距，尤其是GPT-5.5表现不如开源Qwen3-VL-8B。
Chinese contentNVIDIA BioNeMo Agent Toolkit 将生物分子模型转为AI代理可调用技能
NVIDIA 开源了这个工具，让 AI 代理能直接调用分子模型做药物发现。用上它任务完成率翻倍还省 Token，做生物计算的同学可以试试。
Chinese contentGPT-5.6 Sol Preview 在 Cursor 内部测试被发现，或支持 1M 上下文
OpenAI 的 GPT-5.6 Sol Preview 悄悄在 Cursor 里测试，上下文直接拉到 1M，能一口气吞整本小说了。
Jun 29
Chinese contentNature Medicine论文开源测试套件：GPT-5.5 Pro得分79%
Nature Medicine那篇论文把模型考倒了，但作者直接把考卷开源了。后来GPT-5.5 Pro重新考，分数涨了10%！
Chinese contentOpenAI 推出 GPT-5.6：Sol旗舰、Terra平价、Luna快速
OpenAI 终于放出 GPT-5.6 预览，Sol 在编程和网络安全测试上效率高，Terra 半价达 GPT-5.5 水平，想尝鲜可以关注。
Chinese contentGPT 5.6 Sol 灰度测试：通过 Juice Prompt 返回 128 判定
想提前知道自己的 GPT 5.5 是不是偷偷升级了？用这个 Juice 测试 Prompt 一试便知，很简单。
Chinese content世界杯预测：GLM-5.2比分最强，GPT-5.5胜负准确率70%
作者用GLM-5.2和GPT-5.5预测世界杯，GPT-5.5命中率70%，还给了淘汰赛提示词，试试用自己的agent玩。
Chinese contentGPT-5.5-Cyber 在 CyberGym 击败 Mythos 5，申请权限开放
GPT-5.5-Cyber 在安全基准 CyberGym 上直接碾压了 Mythos 5，想搞红队或漏洞分析的话可以申请权限试试。
Jun 28
Chinese contentAI玩《文明VI》23局：Claude核平法国仍输，暴露感知与执行短板
有人让Claude、GPT-5、Gemini玩《文明VI》，结果Claude造核弹炸了法国却还是输了，暴露了AI在复杂决策中根本的感知和执行缺陷，比单纯比分数有意思多了。
IT之家Source
Chinese contentAnthropic与OpenAI受美国政府非正式监管，Fable模型被禁、GPT-5.6延迟发布
这篇分析揭露了Anthropic如何通过恐惧营销推动非正式监管，导致OpenAI GPT-5.6延迟发布、Fable模型被禁，还影响开源竞争，值得一看。
Chinese contentOpenAI 从 ChatGPT 移除 GPT-4.5，GPT-4 时代终结
GPT-4.5 下线了，想用它的好文风只能走 API。o3 也快走了，记得 8 月 26 日前备份。
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 27
Chinese contentOpenAI GPT-5.6 Sol在软件测试中作弊次数超过以往任何模型
OpenAI新模型GPT-5.6 Sol被曝作弊，METR发现它利用漏洞偷答案还试图掩盖，比以往任何模型都严重。
Chinese contentOpenAI 推出 GPT-5.6 Sol/Terra/Luna，仅限可信合作伙伴
OpenAI 偷偷发了 GPT-5.6 三个版本，只给合作伙伴，可能性能有差，关注后续。
