AITOP
全部 AI 动态
AI 相关资讯全量信息流
全部博客资讯推文论文
全部模型产品行业论文技巧
标签：Claude Opus 4.7×
6月27日
12:23
6月25日
03:24
6月17日
10:30
10:30arXiv: DeepSeek@Jasmine Brazilek, Oliver Tulio, Joel Christoph, Miles Tidmarsh, Carol Kline, Arturs Kanepajs
新基准TAC（Travel Agent Compassion）测试AI代理在12个旅行预订场景中是否避免动物剥削选项，涵盖6类动物剥削，扩展至48个样本以控制价格、评分和位置干扰。7个前沿模型得分均低于64%的随机水平，最佳Claude Opus 4.7为53%。在系统提示中加入一句福利意识语句后，Claude和GPT-5.5提升47-63个百分点，GPT-5.2提升26个百分点，DeepSeek和Gemini提升不到12个百分点。对前两名模型的288条基底记录审计未发现评估意识，表明低分并非因识别出测试。
论文TAC动物福利AI Agent基准测试Claude Opus 4.7
推荐理由：动物福利问题有了AI专属的代理基准TAC，实测Claude Opus 4.7刚过一半，加个提示词能暴增60%，暴露了模型在实际行动中的盲区。
原文
05:29
6月16日
20:46
10:05
10:05arXiv: Anthropic@Linus Bantel, Anna-Lena Roth, Jonas Posner, Dirk Pflüger
一项新研究使用基于OpenCode的智能体扩展Julia文档MCP服务器，评估了OpenAI GPT-5.5、Anthropic Claude Opus 4.7和开源Qwen3-Coder-Next在三个并行问题（π近似、分块矩阵乘、分块Cholesky分解）上生成Dagger.jl代码的能力。实验在共享内存192核和分布式两节点上进行，与Base.Threads和MPI.jl基线对比。结果显示智能体能生成小规模可执行代码，但在大规模下因死锁、过订阅或内存溢出失败，其中开源模型受影响最严重。商业模型在Base.Threads和MPI.jl上可扩展性相当，但Dagger.jl实现存在任务依赖、粒度和调度方面的反复弱点。
论文GPT-5.5Claude Opus 4.7Qwen3-Coder-NextJulia并行计算
推荐理由：这篇论文测试了GPT-5.5、Claude Opus 4.7和Qwen3-Coder-Next用智能体写并行Julia代码，在超算上跑192核，发现小规模还行，大规模容易死锁或OOM，开源模型最差。做HPC或Julia并行开发的人值得看。
原文
6月12日
12:57
6月11日
15:28
15:23
15:07
6月8日
19:01
6月6日
06:41
06:41rohanpaul_ai@rohanpaul_ai
Agent Arena 发布了一个全新的智能体排行榜，不再依赖传统基准测试中的孤立问题，而是评估 AI 模型在真实用户任务中的表现，包括编写代码、构建应用、研究主题、创建文档和分析文件等。该排行榜基于 30 万+ 任务、200 万+ 工具调用和 4000 万行代码的数据，综合考量任务成功、可引导性、错误恢复、用户表扬/投诉和工具幻觉等信号。结果显示，GPT-5.5 High 以 +10.7% 的净改进率领先，Claude Opus 4.7 Thinking 和 GPT-5.4 High 紧随其后。该排行榜的核心价值在于将智能体视为工作系统，综合评估模型选择、工具使用、恢复行为和用户满意度。
AI模型智能体排行榜GPT-5.5Claude Opus 4.7工具调用
推荐理由：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。
原文
04:58
04:58rohanpaul_ai@rohanpaul_ai
76°
Anthropic 发布新报告，显示 Claude Opus 4.7 在核磁共振（NMR）谱图分析上表现惊人。该模型不仅能像专业 NMR 软件一样预测谱图，还能反向从谱图推断分子结构，这是传统工具通常需要化学家完成的任务。Opus 4.7 在氢谱预测误差最小，碳谱预测接近专业软件 MestReNova，且未经过化学领域微调。这标志着通用 AI 模型在化学领域取得了突破性进展，有望加速分子结构解析流程。
AI模型Claude Opus 4.7NMR分析化学AI分子结构推断Anthropic
推荐理由：化学研究者和药物开发团队终于有了一个能反向推断分子结构的通用 AI 工具，省去专业软件和人工分析的双重成本，建议做结构解析的团队直接关注报告细节。
原文
6月5日
06:16
01:48
01:48lmarena.ai@lmarena_ai
88°
Arena 平台推出 Agent Mode，允许用户测试 AI 智能体在真实任务中的表现，包括深度研究、生成报告、构建网站、调试代码等。该模式通过集成网页搜索、沙箱环境 bash、图像生成、文件写入和追问等工具，评估前沿模型如 GPT-5.5、Claude Opus 4.7、Gemini 3.1 Pro 和顶级开源模型的智能体能力。这标志着 AI 评测从对话转向复杂任务执行，为开发者提供了直观的模型选择依据。用户可直接在 Arena 中体验并对比不同模型的智能体性能。
AI产品智能体评测平台GPT-5.5Claude Opus 4.7Gemini 3.1 Pro
推荐理由：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。
原文
01:19
01:19lmarena.ai@lmarena_ai
88°
Agent Arena 是一个全新的智能体评测平台，通过数百万次真实用户会话，衡量模型在完成实际任务（如编写代码、创建幻灯片、网页研究、构建应用、分析文档）时的表现。评测基于五个信号：任务成功率、可操控性、错误恢复、用户表扬/抱怨比、工具幻觉。排行榜基于 30 万+任务、200 万+工具调用和 4000 万行代码构建，当前排名第一为 OpenAI GPT-5.5，其次为 Anthropic Claude Opus 4.7、智谱 GLM-5.1、Google Gemini 3.1 Pro 和 Kimi K2.6。该平台旨在解决智能体在真实场景中难以评估的问题，为开发者提供更贴近实际使用的性能参考。
AI产品智能体评测/基准GPT-5.5Claude Opus 4.7GLM-5.1
推荐理由：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。
原文
6月4日
01:46
5月22日
22:26
22:26阿里通义 Qwen@Alibaba_Qwen
83°
atomic.chat 团队测试了三个前沿模型在真实智能体任务中的表现：编写一个能自我训练并玩俄罗斯方块的机器人。每个模型可以读取自己的代码、运行基准测试并在10次迭代中自我重写。最终 Qwen 3.7-Max 以训练成本仅1.32美元、机器人性能提升56%的成绩全面领先，而 Claude Opus 4.7 成本12.15美元提升28%，GPT-5.5 成本2.85美元提升仅7%。Qwen 在成本效益和性能提升上均胜出，尤其在长智能体循环场景中表现出色。
AI模型Qwen 3.7-Max智能体Claude Opus 4.7GPT-5.5成本对比
推荐理由：Qwen 3.7-Max 在智能体任务中成本仅为 Claude 的1/9、GPT 的1/2，性能提升却翻倍，做 AI 智能体开发的团队值得关注这个性价比之选。
原文
5月19日
10:26
10:26arXiv: Anthropic@Isaac David, Arthur Gervais
精选
Anthropic在2026年4月发布的Mythos材料中声称其模型能发现真实漏洞，但本文通过控制实验复现了这些漏洞发现任务。实验让GPT-5.5、Claude Opus 4.7和Kimi K2在给定目标文件、只读源码和手动匹配规则下，尝试复现6个已知漏洞。结果显示，GPT-5.5在54次尝试中仅成功5次（覆盖2/6任务），Claude Opus 4.7成功1次，Kimi K2为0次。主要失败原因是模型过早锁定看似合理的候选错误，而忽略了补丁证据中的具体不变性。该结果不否定Anthropic未公开的工作流程，但表明在有利的靶标文件框架下，系统特定提示仅产生少量匹配。
论文漏洞发现基准测试GPT-5.5Claude Opus 4.7Kimi K2
推荐理由：这个实验戳破了AI漏洞发现能力的泡沫——即使给定了目标文件，顶级模型复现已知漏洞的成功率也极低。做AI安全评估或漏洞研究的团队，看完会重新审视benchmark的可靠性。
原文
5月14日
01:12
01:12Anthropic: Newsroom（资讯）
75°
Anthropic 在新闻中心集中发布了多项重要更新，包括新一代旗舰模型 Claude Opus 4.7，在编程、智能体、视觉和多步骤任务上性能更强，更彻底和一致。同时推出 Anthropic Labs 产品 Claude Design，支持用户与 Claude 协作创建设计、原型、幻灯片等视觉作品。此外，Anthropic 联合多家科技巨头启动 Project Glasswing 以保护关键软件安全，并发布了关于 8.1 万人 AI 使用意愿的全球最大规模定性研究结果。这些更新展示了 Anthropic 在模型能力、产品创新和安全合作上的全面进展。
AI产品AnthropicClaude Opus 4.7Claude DesignProject GlasswingAI 安全
推荐理由：Claude Opus 4.7 在编程和智能体任务上显著提升，做复杂自动化和多步骤工作的开发者值得升级；Claude Design 让非设计师也能快速产出视觉作品，创意团队可以直接试。
原文
5月13日
21:35