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：GPT-5.4×
6月23日
10:48
6月18日
05:17
01:35
01:24
6月16日
20:46
11:17
11:17arXiv cs.AI@Sanjay Basu
精选
研究者标注313个MedAlign EHR问答对的四层跃点分类，评估301个问题。三个模型（Claude Sonnet 4-6、GPT-4o、GPT-5.4-2026-03-05）准确率随跃点增加单调下降：Claude从30.6%（hop=1）降至17.6%（hop=4），GPT-4o从37.8%降至14.7%，GPT-5.4从37.8%降至23.5%。上下文充分性审计显示高跃点问题并未因EHR截断而更差，准确率下降源于推理难度。扩展思考未明显缓解精度-深度曲线，思考token使用量与跃点正相关（r=0.31）。
论文Claude SonnetGPT-4oGPT-5.4MedAlign推理深度
推荐理由：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。
原文
6月12日
12:57
6月11日
15:28
15:23
15:07
6月10日
13:02
13:02arXiv cs.AI@Aman Sharma, Sushrut Thorat, Paras Chopra
精选72°
一项新研究评估了六个当代编程智能体在四种冷门编程语言（如 Brainfuck 和 Befunge-98）上的表现，发现最强智能体（Claude Opus 4.6 和 GPT-5.4 xhigh）会采用元编程策略——先写 Python 程序生成目标语言代码并本地调试，而非直接写目标语言。禁止这种策略会导致性能大幅下降。研究还发现，从强模型提炼的文本指导对弱模型帮助有限，但提供 Python 辅助代码能显著提升 Sonnet 4.6 和 GPT-5.4 mini 的表现。这表明强智能体通过工具、反馈和工作区状态构建目标语言的工作模型来适应陌生环境，元编程只是最明显的例子。
论文编程智能体元编程Claude Opus 4.6GPT-5.4评估基准
推荐理由：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。
原文
6月2日
16:11
5月31日
15:56
15:56Decoder@Jonathan Kemper
精选
哈尔滨工业大学的研究人员通过新基准测试LiveBrowseComp发现，主流AI搜索智能体（如GPT-5.4和Kimi K2.6）在标准测试中表现良好，但主要依赖训练记忆而非实时搜索。LiveBrowseComp仅询问过去90天内的事件，迫使模型无法依赖记忆。在此测试下，模型性能显著下降，现有排名被打乱。这表明AI搜索智能体存在“确认偏差”，即倾向于确认已知信息而非真正研究网络。该发现对依赖AI进行实时信息检索的用户和开发者具有重要警示意义。
论文AI搜索智能体基准测试GPT-5.4Kimi K2.6
推荐理由：这项研究戳穿了AI搜索智能体的真实能力——它们更擅长背书而非真正搜索。做信息检索或依赖AI获取最新资讯的团队，看完会重新评估工具选择。
原文
5月26日
12:37
12:37arXiv: DeepSeek@Faizan Faisal
精选
一项新研究评估了GPT-5.4、DeepSeek-V4-Flash和Gemma-4-E4B在临床SOAP笔记生成中的表现，发现启用推理能力反而显著降低了GPT-5.4的输出质量。研究使用OMI Health、ACI-Bench和PriMock57三个数据集，通过2x2实验设计控制推理和检索增强生成（RAG）两个因素。结果显示，非推理配置的GPT-5.4整体质量最高，而DeepSeek-V4-Flash在推理配置中表现最佳。同源RAG带来模型依赖的小幅提升，但推理能力不应被假设为能自动改善对保真度敏感的临床文档生成。
论文推理模型临床文档SOAP笔记GPT-5.4DeepSeek-V4-Flash
推荐理由：医疗AI开发者注意了：推理模型在临床文档任务上可能适得其反，做医疗NLP的团队在部署前务必做任务专属评估，别盲目相信推理能力。
原文
12:13
12:13arXiv: OpenAI@Roberto Cruz, David Rey-Blanco
精选
研究者提出MDIA，一个由7个专科路由节点组成的多智能体临床推理图，在HealthBench Professional基准（525个病例）上，使用未微调的GPT-5.4-2026-03-05模型达到0.6272分，比OpenAI的ChatGPT for Clinicians高出3.72个百分点。性能提升主要来自系统架构设计，包括专科路由、多轮上下文保持、药物状态安全门控、站点过滤搜索、长度感知合成和引擎级可靠性。实验还发现，使用不同模型作为评分者时结果差异显著，例如Gemini 2.5 Pro评分时MDIA得分0.6585，表明评估需要多个独立评分模型。该研究证明，智能体临床基准性能既取决于基础模型，也取决于编排架构。
论文多智能体临床推理HealthBenchGPT-5.4架构设计
推荐理由：医疗AI开发者注意了：MDIA用架构设计而非提示工程就超越了专业临床模型，做临床决策系统的团队值得研究其7节点路由和药物安全门控设计。
原文
12:06
12:06IT之家（博客/媒体）
72°
微软研究院开源了网页智能体框架 Webwright，它让 AI 模型在终端中编写 Playwright 代码、执行 bash 命令、查看日志并反复修正，而非传统的一次预测一个低级动作。该框架仅约 1000 行代码，由 Runner、模型接口和终端环境三个核心组件构成，没有复杂编排。在 Online-Mind2Web 基准上，基于 GPT-5.4 的 Webwright 准确率达 86.67%；在长链路任务基准 Odysseys 上，得分 60.1%，比基础 GPT-5.4 提升 81.49%。团队还解决了模型过早宣告完成和上下文膨胀两个工程问题。
AI产品网页智能体微软开源/仓库GPT-5.4自动化
推荐理由：做网页自动化或智能体开发的团队，可以用这 1000 行代码让模型自己写脚本、调试、反思，效果远超传统方法，值得直接拿源码试试。
原文
5月19日
11:38
11:38arXiv cs.AI@Haoyu Zhang, Qiaohui Chu, Yisen Feng, Meng Liu, Weili Guan, Yaowei Wang, Liqiang Nie
精选
MARS 是一个多模态智能体推理系统，专为 EgoVis 2026 的 CASTLE 挑战赛设计。该挑战要求回答 185 个关于四天活动、15 个同步视角、官方转录及多种辅助模态（如个人照片、热成像、心率数据）的封闭式问题。MARS 将任务视为多模态证据选择问题，通过构建视频和转录等主要来源以及辅助来源的证据记忆，并使用 DeepSeek 压缩长视频，最后通过 GPT-5.4 决策代理选择继续推理、请求缺失模态或生成答案。该系统在最终排行榜上获得第二名，代码已开源。
AI模型多模态推理智能体视频理解开源/仓库GPT-5.4
推荐理由：多模态推理是 AI 落地的关键瓶颈，MARS 展示了如何整合视频、转录、热成像等异构数据做智能体决策，做多模态 AI 或视频理解的团队值得参考其开源代码。
原文
5月17日
23:44
23:44rohanpaul_ai@rohanpaul_ai
精选72°
伊利诺伊大学、清华大学等机构联合研究发现，LLM智能体在反复重写自身记忆时，记忆可靠性会下降。许多智能体系统通过让LLM将原始经验压缩成整洁的书面总结来存储记忆，但论文指出，这种反复重写会逐渐损害记忆。实验表明，原始经验（即实际尝试和解决方案）往往比精炼的总结更有用。例如，GPT-5.4在无记忆情况下能100%解决ARC-AGI谜题，但使用基于正确解构建的记忆后，流式更新使成功率降至约54%。失败原因包括错误分组、过度泛化和过拟合，导致记忆丢失细节、混淆任务类型或学习到仅适用于狭窄案例的规则。论文建议，智能体记忆不应自动将每次经验重写为摘要，保留原始证据并偶尔进行总结效果更好。
论文LLM智能体记忆管理可靠性清华大学GPT-5.4
推荐理由：做智能体系统或记忆管理的开发者，这篇论文戳中了记忆重写的致命缺陷——原始经验比精炼总结更可靠，看完你会重新思考记忆存储策略。
原文