Chinese contentSpatialWorld：多模态智能体交互式空间推理新基准
做多模态智能体或空间推理研究的团队，这个基准直接暴露了当前模型在真实交互任务上的短板——GPT-5都只有17.4%成功率，值得用来检验自家模型。
Latest
Every published item, in order · 1438 items
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。
Chinese contentCognition 推出 FrontierCode：将 Coding 评估标准从可用提升到可合并，Claude Opus 4.8 领先
FrontierCode 把 AI 编程评估从“能跑就行”升级到“能合并”，做代码质量评估或 AI 编程工具的团队可以直接参考这套标准，看看自己的模型在真实维护者眼中能拿几分。
Chinese contentScaffold 选择影响 GAIA 准确率高达 28 个百分点：模型能力评估需谨慎
做 AI 模型评测或选型的人必须看——这篇研究用严格对照实验证明，你看到的模型能力分数可能更多反映的是 scaffold 设计而非模型本身，建议重新审视自己的评估流程。
Chinese content多智能体LLM级联中的幻觉传播分析
多智能体系统开发者终于有了量化幻觉传播的基准——这篇论文揭示了级联深度与事实准确性的权衡，做Agent编排的团队建议仔细看，避免盲目堆叠智能体导致事实失真。
Industry08:18
Chinese contentHackerNews 2026-06-09：从毒瘾到开源重建人生、多巴胺压裂概念、Performative-UI 组件库从毒瘾到开源重建人生的故事能激励任何处于低谷的开发者，看完会感受到社区的力量；多巴胺压裂概念戳中了算法时代体验贫瘠的痛点，做内容或产品的团队值得反思。
Jun 8
Chinese contentNAS 部署 Hermes Studio + 多模型分工工作流分享
这套 NAS + 多模型分工方案解决了本地调用 AI 的灵活性和效率问题，适合自己搭 AI 工作流的玩家参考，可以直接抄作业试试。
Chinese contentClaude Opus 4.7 登顶 Android Arena 排行榜，Anthropic 占前十五席
移动端 AI 开发者可以快速了解当前安卓设备上最强的模型格局——Claude Opus 4.7 领先，Anthropic 整体优势明显，值得关注其技术路线。
Chinese content让 Claude Opus 长时自主运行的 5 条核心实战建议
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。
Chinese content不写 Prompt，写 Loops — Boris Cherny (Claude Code)
Boris Cherny 点出了 AI 编程范式的转变——从手写 Prompt 到写 Loops，做自动化任务的开发者值得思考这个方向。但 Token 消耗的现实提醒你：企业场景下仍需平衡自主性与成本，建议点开看具体怎么落地。
Jun 7
Chinese contentJerry Liu：开源模型将在成本-延迟-精度帕累托前沿占据大量份额
Jerry Liu 用真实成本数据揭示了模型选择的巨大经济差异，做 AI 应用选型或成本控制的团队值得仔细看——选对模型能省下 20-40 倍 token 成本。
Products01:13
Chinese contentAgent Arena 上线 Agent Mode：用前沿 AI 智能体完成真实工作Agent Mode 让 AI 智能体从聊天走向真实工作，做自动化、开发或研究的团队可以直接上手测试前沿模型的实际表现，还能影响排行榜排名，值得一试。
Jun 6
Chinese content孙正义：OpenAI 用 AI 设计 AI，ASI 2 年内到来
孙正义的预测直接关系到 AI 行业的发展节奏，关注 AGI/ASI 进展的从业者和投资者值得留意——如果 ASI 真在 2 年内到来，现在的技术路线和投资逻辑都可能被颠覆。
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。
Products03:21
Chinese contentMistral 3.5 加入 Arena Agent Mode，可执行复杂真实任务Arena 的 Agent Mode 让开发者能直接对比主流模型在真实复杂任务上的表现，做智能体应用选型的团队值得亲自上手测试，结果会直接影响排行榜。
Jun 5
Chinese contentAgent Arena 上线：AI 智能体能力被量化排名，GPT-5.5 居首
做 AI 智能体开发或选型的团队终于有了可量化的评估标准——Agent Arena 用真实用户任务和因果推断排出了模型的实际能力，值得参考排行榜来选模型或优化自己的智能体。
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。
Chinese content普渡大学用LLM处理1200份本科研究申请，效率提升显著
高校行政人员或科研项目管理者终于有了可落地的AI用例——LLM自动评分+理由输出，把数周评审压缩到几小时，做大规模申请筛选的团队可以直接参考这套工作流。
Chinese contentNemotron 3 Ultra vs GPT-5.5：10倍成本差，效果接近
做AI应用或本地推理的开发者，这个测试直接告诉你Nemotron 3 Ultra能以十分之一成本达到GPT-5.5级别的效果，值得在项目里试试。
Chinese contentNVIDIA Nemotron 3 Ultra 加入 Agent Arena，多模型对决复杂任务
Agent Arena 用真实任务数据解决了智能体评估难的问题，做 AI 智能体开发或选型的团队可以直接参考排行榜和会话信号，比纯基准测试更有说服力。
Chinese contentArena 推出 Agent Mode，支持 GPT-5.5/Claude Opus 4.7 等模型
Arena 的 Agent Mode 让开发者可以直接对比前沿模型在真实任务中的表现，做 AI 评测或选型的团队值得一试。
Chinese content选2-3个最聪明模型就够了，时间比Token贵
这条建议直击AI用户选模型的痛点——不是越多越好，而是选对2-3个最聪明的。经常用AI做复杂任务的开发者或创作者，看完会重新思考自己的模型组合，省下时间比省Token更划算。
Chinese contentAgent Mode 上线：AI 智能体能力在 Arena 中可评测
Arena 的 Agent Mode 解决了 AI 评测脱离实际任务的问题，做智能体应用或选型的开发者可以直接上手对比 GPT-5.5 和 Claude Opus 4.7 的真实表现，值得一试。
Chinese contentAgent Arena 发布：大规模真实世界智能体评测
智能体评测终于从玩具任务走向真实场景——做 AI 应用或智能体开发的团队，可以直接用 Arena 的评测结果来选模型，比跑基准测试更有参考价值。
Jun 4
Chinese contentNex-N2-Pro 基于 Qwen3.5-397B，性能对标 GPT-5.5 和 Claude Opus 4.7
做智能体编程或深度搜索的团队，现在就能免费试用一个对标顶级闭源模型的开源 MoE 模型，且能直接接入 Claude Code、Cursor 等工具，值得立即体验。
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。
Chinese content安全研究员测试AI漏洞挑战：GPT-5.5成功率最高，DeepSeek V4 Pro成本最低
安全团队和AI开发者可以直观看到不同模型在真实漏洞利用任务中的性价比——GPT-5.5最可靠但贵，DeepSeek V4 Pro成本极低但成功率有限，做自动化安全测试的团队值得参考这个对比。
IT之家Source
Chinese content开发者实测：Codex GPT-5.5 写 Mac 应用不如 Claude Opus 4.8
做 Mac 应用开发的团队注意了——实测表明 Codex GPT-5.5 在特定场景下可能不如 Claude Opus 4.8，选模型前建议先看任务类型，避免踩坑。
Chinese contentDiscourse-Role Labels 影响语言模型对上下文的采纳程度
这篇论文揭示了标签选择能显著改变模型对误导信息的采纳率（最高差 84 个百分点），做 RAG 系统或上下文增强应用的开发者需要警惕：你用的标签可能无意中放大了错误信息的影响。建议点开了解如何控制这一变量。
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。
Chinese contentOpenAI 升级 GPT-Rosalind，专为生命科学打造企业级模型
OpenAI 把 agentic 能力下沉到生命科学，解决了药企和科研团队“AI 只能给 idea，实验还得手动验证”的痛点，做药物发现或蛋白设计的团队可以直接关注这个能落地的工具。
Chinese contentWasmer 用 Codex 构建边缘 Node.js 运行时，开发提速 10-20 倍
边缘计算和 Node.js 开发者可以看看 Wasmer 如何用 Codex 把数月工期压缩到几周——AI 辅助编程在基础设施层落地了，值得借鉴。
Chinese contentGPT-Rosalind 重大升级：更强智能赋能药物发现与实验流程
做药物研发和生命科学研究的团队终于有了更趁手的 AI 工具——GPT-Rosalind 把 GPT-5.5 的智能体能力带进了实验流程，建议相关领域的科研人员直接体验。
Chinese contentOpenAI 为生命科学推出 GPT-Rosalind 新能力
生命科学团队终于有了专为药物研发设计的 AI 模型——GPT-Rosalind 结合智能体编程和工具使用，做药物发现和实验设计的科研人员可以直接用起来，加速研究流程。
Products05:36
Chinese content微软 Frontier Tuning：从租用智能到真正掌控 AI企业 AI 团队终于能摆脱通用模型的限制——Frontier Tuning 让模型真正学会你的业务逻辑，效率提升 10 倍且数据不外流，做定制化 AI 落地的团队值得深入研究。
Chinese contentMiniMax M3 开源模型上线 SiliconFlow：1M 上下文、原生多模态、编码超 GPT-5.5
M3 把编码、长上下文和多模态三合一开源了，做 AI 应用开发的团队可以直接在 SiliconFlow 上低成本试用，编码能力还超过了 GPT-5.5，值得上手体验。
Chinese content微软SkillOpt：将技能文档作为可训练外部状态，冻结Agent无需改动
做AI Agent开发的团队常手工写技能文档但效果有限，SkillOpt用优化器自动迭代技能文件，零推理开销且效果显著，值得尝试。
Jun 3
Chinese content微软发布7款MAI新模型，MAI-Thinking-1对标Sonnet 4.6
微软一口气推出7款新模型，覆盖推理、编程、图像三大方向，MAI-Thinking-1在推理和编码上直接对标Claude Sonnet 4.6和Opus 4.6，做AI应用或企业定制化模型的团队值得关注——尤其是Frontier Tuning让企业用更低成本获得超越GPT-5.5的效果。