Chinese content多语言提示下LLM代码生成质量研究：GPT-4o mini、DeepSeek和Claude对比
想了解提示语言怎么影响代码生成质量？这篇实测了GPT-4o mini、DeepSeek和Claude在多种语言下的表现，结果英文不一定最好。
Latest
Every published item, in order · 147 items
Jul 17
Jul 15
Papers11:37
Chinese contentE3方法让AI Agent按任务复杂度动态分配资源，效率提升显著这篇论文解决了AI agent过度读取文件的问题，E3方法能自动判断任务简单就少干活，在MSE-Bench上省了85%成本，效果很实在。
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。
Jul 14
Jul 9
Papers10:21
Chinese contentLLM代码性能基准再审视：现有测试仅暴露6.11%显著差异这篇论文把EffiBench、EvalPerf等流行代码性能基准的漏洞全翻出来了——1538个任务里只有6%能真正测出差异。他们搞了个多智能体框架自动生成更刁钻的测试，效果直接翻四倍。
Models10:17
Chinese contentCO-LMLM：基于连续查询的有限记忆语言模型CO-LMLM用360M参数打平gpt-4o-mini，事实准确度比Claude还高，这是用更小模型做更好知识检索的路线。
Chinese contentGPT‑Live：ChatGPT语音模式升级，可调用GPT-5.5
OpenAI把ChatGPT语音模式升级成GPT-Live了，能边聊边调GPT-5.5干活，比老版聪明太多，值得体验。
Jul 8
Chinese contentSeedream 5.0 图像模型上线，2K 分辨率表现优于 GPT-4o
Seedream 5.0 图像模型刚上线，能生成 2K 分辨率图片，比 GPT-4o 清晰，但文字多时会糊。想试试新模型可以看看这些例子。
Jul 7
Jul 3
Papers09:53
Chinese contentBias-Aware Bayesian Active Top-k Ranking with LLM Judges用贝叶斯方法修LLM当裁判时的废话偏好和位置偏差，实测召回从0.5拉到接近1，比直接投票靠谱多了。
Chinese contentBOUNDARY_SYNC: 测量多智能体LLM系统中通信引起的表示耦合
这篇论文用BOUNDARY_SYNC协议发现LLM智能体交流越多想法越趋同，对设计多智能体系统很有启发。
Papers09:42
Chinese content评估VLM零样本学习替代YOLO+OCR的尼日利亚车牌识别用真实非洲场景测了5个主流VLM，发现Gemini和Qwen在车牌识别上比YOLO+OCR更准，有数据有对比。
Jul 2
Papers10:13
Chinese contentEPC：测量LLM代理系统评估者偏好耦合的标准化协议这篇论文搞了个标准协议EPC，专门用来测LLM代理系统里评估器偏好怎么耦合的，还附带了GPT-4o、Qwen、DeepSeek等8个评估器的大规模实测数据，方便你复现和对比。
Jul 1
Models01:15
Chinese contentOSWorld2.0 基准测试：评估计算机使用智能体的长周期真实世界任务想看看 AI 在真实电脑操作上能走多远？OSWorld2.0 拿 100 个长任务测智能体，GPT-4o 都只拿到 15% 成功率，差距一目了然。
Jun 30
Papers15:13
Chinese contentLLM Agent记忆中毒检测的取证轨迹签名这篇论文发现了一个简单规律就能检测AI Agent的记忆中毒攻击，准确率高达99%，还能区分不同攻击类型，非常实用。
Papers11:44
Chinese contentMistral在UKRI基金提案实体提取中表现优于GPT-4o和DSIT-Taxonomies这篇论文实打实比较了GPT-4o、Mistral和DSIT-Taxonomies在提取基金提案实体上的能力，Mistral准确率90.5%碾压对手，做科研数据挖掘的可以看看。
Papers10:26
Chinese contentEPC诊断框架揭示GPT-4o评估器漂移：版本间偏好耦合从强到零这篇论文告诉你，你以为可靠的GPT-4o评估器可能几周后就失效了，它还给了你一个EPC框架来自己检查。
Papers10:04
Chinese content零样本GPT-4o教育顾问干预偏差：43%误报率，监督学习更精准零样本GPT-4o当教育顾问爱多管闲事？实测误报率43%，换成Decision Transformer或XGBoost就能准到几乎零误报。
Papers09:20
Chinese contentContagion Tensor：多智能体LLM输出分布耦合的测量框架想了解多智能体LLM之间怎么互相影响输出？这篇论文给出了可量化框架CAF，还拿DeepSeek和GPT-4o-mini做了实验，能看到图像条件会放大耦合效应。
Jun 29
Jun 28
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。
Jun 26
Papers10:19
Chinese contentRSPC基准：基于精神科医生标注的数字化关系中的压力与精神状况建模想了解AI如何从人际关系中识别心理健康问题？这篇论文用Reddit数据建了专门基准，挺实在。
Industry02:24
Chinese contentPaul Graham：未来不靠LLM写作会是异类但非怪癖Paul Graham聊LLM写作潮流，说不用反而可能才是聪明人，和Google Maps类比很有意思。
Jun 23
Chinese contentLost in Aggregation：LLM空间导航多尺度诊断基准
想知道LLM为什么在导航任务中迷路吗？这个基准把问题拆成三个层级，告诉你59%的锅在交叉口选择，39%在局部感知，方向判断几乎不犯错。对做空间推理的开发者非常有用。
Jun 19
Papers20:53
Chinese content麻省理工研究：过度依赖聊天机器人或削弱批判思维麻省理工用67人做了4周实验，发现依赖ChatGPT越久，你自己辨别假新闻的能力反而下降15%——别把脑子外包给AI。
IT之家Source
Jun 18
Papers09:24
Chinese content日本语境下LLM招聘性别偏见及缓解策略评估这篇论文用43200次测试发现，五个主流LLM在日文简历上全有亲女性偏见，改提示没用，删名字才行，看清AI招聘的坑。
Chinese contentOpenAI 发布 LifeSciBench 基准，评估 AI 处理生命科学研究任务
OpenAI 出了个新基准 LifeSciBench，专门测 AI 做生命科学研究的能力，比一般问答难多了，能看出模型哪里不行。
Jun 16
Chinese content俄语宣传骗过AI模型有多容易？新基准测试揭示
想知道你用的AI会不会被俄语宣传带跑偏？爱沙尼亚语言研究所测了8个主流模型，GPT-4o最扛打，Llama 3.1中招率最高。看看你的AI排第几。
Chinese content人类注视与视觉语言模型注意力在安全场景中的比较研究
想知道AI能不能像人一样在危险场景下抓住关键区域？这篇论文用GPT-4o、Gemini Pro等模型做了对比，发现它们不靠眼动训练数据就能大致预测人类注视点。
Papers11:21
Chinese contentBinTrack：用开源视觉语言模型实现空间问答与导航的二进制跟踪想让你家机器人找到干洗店？BinTrack用开源VLM做空间问答，性能追平GPT-4o还更快，代码数据全公开。
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。
Papers10:48
Chinese content多模态评估者偏好崩溃：自进化智能体中的跨模态传染这篇论文用GPT-4o和DeepSeek-chat做实验，发现AI自我评估时策略偏好会崩坏，还跨模态传染，数字很硬核，搞多模态和智能体的值得看。
Jun 13
Jun 12
Papers09:50
Chinese contentSICI指数揭示LLM立场检测中的阶段转变这项研究揭示了LLM在立场检测中的系统性错误模式，对做NLP评估和模型优化的团队有直接参考价值——SICI指数可以帮你快速识别模型在哪些样本上会失效，建议做立场检测或模型鲁棒性研究的点开看看。
Chinese contentAI语音克隆威胁声音身份：法律框架面临挑战
声音克隆技术正在模糊真实与合成的边界，法律界和AI从业者都需要了解现有保护框架的不足。这篇文章梳理了三种法律路径的适用性，做AI产品合规或研究人格权保护的读者值得一读。
Jun 11
Chinese contentAcoda：对抗性代码混淆框架防御LLM分析
代码安全团队和开发者面临LLM分析带来的知识产权泄露风险，Acoda提供了一种实用的防御手段，建议关注其混淆方法如何平衡安全性和代码可用性。