AITOP

Claude Opus

共 24 条相关 AI 资讯
8月21日
10:17
10:17官方一手arXiv: Anthropic@Nikita Khudov
研究团队发布OenoBench，一个包含3266道选择题的葡萄酒领域知识评测基准。该基准基于38104个原子事实构建，涵盖六个支柱和四个难度层级。评估16个前沿模型配置，发现整体准确率在53%-84%之间，o3以83.6%领先。DeepSeek R1在推理模式下提升6.8个百分点，而Claude Opus和Gemini Pro无提升。Anthropic在自身问题上偏好度+9pp，Google则-8pp。开源模型与专有推理模型共享成本-准确率帕累托前沿。所有配置在闭卷可解项目上平均提升33pp。
论文OenoBencho3DeepSeek R1
事件专题
推荐理由：研究人员搞了个叫OenoBench的葡萄酒知识测试题库，用这个题库测了16个大模型，发现o3考得最好，DeepSeek R1在推理题上表现突出，还发现模型对自己出的题有偏好，挺有意思的。
原文
8月4日
06:04
7月30日
10:27
7月24日
11:36
11:36IT之家（博客/媒体）
77°
Anthropic 将 Claude Opus 和 Sonnet 模型纳入语音模式，此前仅 Haiku 支持语音对话。Sonnet 和 Opus 专为复杂问题设计，能给出深入回答并执行任务，例如将对话整理成推介方案或重新安排日历行程。语音模式新增支持法语、德语、西班牙语等 9 种语言。用户可在同一对话中自由切换文字与语音，也能随时更换模型。
AI产品Claude OpusSonnetAnthropic
事件专题
推荐理由：Anthropic 这次把 Opus 和 Sonnet 的语音模式开了，以前只有 Haiku 能用，现在能跟更强的模型聊复杂问题，还能让它帮你整理方案、改行程，支持多国语言，挺实用的。
原文
04:35
7月18日
16:51
7月17日
12:16
07:57
7月7日
23:24
7月3日
11:26
11:26官方账号arXiv cs.AI@Manuel Alonso-Carracedo, Ruben Fernandez-Boullon, Pedro Celard, Francisco J. Rodriguez-Martinez, Lorena Otero-Cerdeira
该研究评估了GPT、Claude Opus、Gemini和GLM四个大语言模型在短Linux/bash命令回答评分中的表现。采用四级认知分类（L1信息检索至L4高级系统管理），在1200个真实学生回答上与三位专家评分对比。Gemini 3.0 Pro配合rubric引导提示达到最高一致性（ICC(3,1)=0.888，MAE=0.10）。一致性随认知层级上升而下降，提示质量比模型选择影响更大。该框架可确定哪些问题适合AI辅助评分。
论文LLMGeminiClaude Opus
事件专题
推荐理由：想用AI批改Linux命令作业？试试Gemini 3.0 Pro加评分rubric，人机一致性高达0.888。
原文
7月1日
16:48
6月29日
23:10
23:10berryxia@berryxia
精选
Anthropic工程师Margot Van Laar在Code with Claude分享提示词工程最佳实践，强调通过评估（Eval）而非直接修改提示词来优化。她用客服机器人和零售排班两个案例演示：使用XML标签结构化提示词、移除旧模型遗留的禁止列表（如Claude 3 Opus）、用工具替代指令处理计算任务。拆解复杂任务为生成-评估-修复循环，并建议用更强推理模型（如Opus）加自适应思考替代小模型复杂提示词。
技巧提示词工程Claude评估
事件专题
推荐理由：Anthropic工程师手把手教你怎么调客服提示词和搭Agent，用Opus加循环拆解比堆复杂指令更管用，核心就一句话：先搞评估
原文
6月26日
21:24
21:24Geek@geekbb
精选
DAO-C是基于DeepSeek V4的终端编码agent，在7个真实开源bug-fix任务上总成本仅¥1.07。相比Claude Opus，费用降低约30倍。其成本优势源于前缀缓存聚合，命中率达95.8%。该工具在编码效率上媲美Claude Code。
AI产品DeepSeek V4Claude CodeClaude Opus
推荐理由：这个基于DeepSeek V4的终端agent超省钱，修7个bug才1块零7分，比Claude Opus便宜30倍，编码体验还接近Claude Code。
原文
6月23日
10:24
10:24官方一手arXiv: OpenAI@Moran Koren
该论文提出一种以验证为先的LLM辅助经济理论协议，并实例化为三种方法：单次严谨通道、对抗性验证器对（Claude Opus 4.8提议，OpenAI Codex反驳，作者仲裁）以及带评审门控的结构化多智能体项目。作者在一个开放示例——为Gans-Kominers等级膨胀模型设计Groves/Pigouvian激励相容机制——上评估该协议，三个运行均未产生严格直接揭示VCG/Clarke机制，对抗性通道自身证实了该点。结果揭示三个反复出现的现象：收敛发现、对抗验证的有效性、以及抛光不等于严谨。
论文LLM经济理论验证协议
事件专题
推荐理由：这篇论文为你演示了如何用LLM做经济理论研究，重点不是让模型生成答案，而是设计验证流程来确保结果可靠，三种方法对比很清楚。
原文
02:43
02:43官方账号SiliconFlowAI@siliconflowai
GLM-5.2 在 Designarena 的 HTML Web Design 排行榜上取得第一，超越了此前长期占据榜首的 Claude Opus 4.6 和 4.7。该模型已通过 SiliconFlow API 提供使用。开发者可以立即调用 GLM-5.2 构建 HTML 网页设计项目。
AI模型GLM-5.2Claude OpusSiliconFlow
事件专题
推荐理由：HTML 设计排行榜上 GLM-5.2 干掉了 Claude，现在就能用 SiliconFlow 的 API 上手，写网页贼快。
原文
6月18日
08:30
01:55
01:55官方账号Decoder@Jonathan Kemper
精选
智谱AI推出开源模型GLM-5.2，采用MIT许可证，支持稳定100万token上下文。在FrontierSWE编码基准测试中，GLM-5.2以1个百分点之差落后于Anthropic的Claude Opus 4.8。该模型在推理能力上仍显著落后于闭源竞争对手。
AI模型GLM-5.2智谱AIClaude Opus
事件专题
推荐理由：智谱AI的GLM-5.2在长时间编码任务上只比Claude Opus 4.8差1%，还是开源免费，码农可以试试。
原文
6月10日
03:45
03:45Guillermo Rauch@rauchg
Anthropic 的 Mythos 安全验证工具对 Malte Ubl 的 just-bash 项目进行了安全审计，结果未发现严重问题。just-bash 是一个完整的 bash 实现，包含 QuickJS、CPython 和可选文件系统访问，攻击面很大。该项目大部分代码由 Claude Opus 4.5 编写，仅经过最少的人工审查，但通过深度加固循环和机器强制编码规则保证了安全性。这一案例展示了 AI 生成代码在严格安全约束下可以达到的可靠性。
AI产品Claude OpusMythos安全验证
事件专题
推荐理由：AI 写代码的安全性问题一直让人担心，这个案例证明只要加固流程到位，AI 生成的复杂系统也能通过专业审计。做 AI 安全或代码生成的团队值得看看他们的方法论。
原文
6月9日
01:18
01:18elvis@omarsar0
Boris Cherny 分享了让 Claude Opus 自主运行数小时甚至数天的 5 个实用技巧。核心要点包括：使用自动模式避免频繁请求批准、利用动态工作流让 Claude 协调数百/数千个智能体、通过 /goal 或 /loop 命令持续推动任务完成、在云端运行 Claude Code 以便随时关闭笔记本、以及确保 Claude 能端到端自我验证工作成果。这些技巧对于需要长时间自主运行 AI 智能体的开发者非常实用。
技巧Claude Opus自主运行智能体
事件专题
推荐理由：做长时间自主 AI 智能体的开发者终于有了实操指南——这 5 个技巧直接解决「怎么让模型持续干活不卡壳」的痛点，建议做自动化任务的团队点开抄作业。
原文
6月8日
11:35
11:35rohanpaul_ai@rohanpaul_ai
精选72°
斯坦福、MIT、NVIDIA、Google 等顶尖实验室联合发布 AutoLab 基准测试，包含 36 个任务，要求智能体从弱代码出发，在固定时间内改进。测试 17 个强模型后发现，最佳结果并非源于初始想法好，而是模型持续测试、利用反馈。Claude Opus 4.6 因坚持迭代而领先，其他前沿模型常因过早放弃或过度思考而失败。该研究揭示了当前 AI 智能体在长周期研究中的关键短板。
论文智能体基准测试长周期研究
事件专题
推荐理由：做 AI 研究和智能体开发的团队会看到，坚持比聪明更重要——AutoLab 的发现直接点出了当前智能体在长任务中的致命弱点，值得反思自己的智能体设计。
原文
10:58
10:58shao__meng@shao__meng
精选
Claude Code 作者 Boris Cherny 分享了让 Claude Opus 持续运行数小时甚至数天的 5 条实战建议，包括启用自动权限模式、使用动态工作流编排子 Agent、通过 /goal 或 /loop 指令推动任务完成、优先使用云端版本避免本地关机中断，以及确保端到端自我验证能力。这些建议同样适用于 Codex、GPT-5.5 等其他模型，核心在于减少人工干预、提升任务连续性和验证有效性。对于需要长时间自主执行复杂任务的开发者来说，这些技巧能显著提升效率并避免 token 浪费。
AI产品Claude OpusClaude Code自主运行
事件专题
推荐理由：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。
原文
5月28日
05:21
05:21rohanpaul_ai@rohanpaul_ai
72°
Datacurve 推出 DeepSWE，一个更严格的编程基准测试，旨在揭示领先模型之间的真实差距。GPT-5.5 得分 70%，而 GPT-5.4 为 56%，Claude Opus 4.7 为 54%，差距在旧基准中常被掩盖。DeepSWE 使用原创任务而非公开 GitHub 问题，避免模型训练时见过答案。其提示词长度仅为 SWE-bench Pro 的一半，但解决方案需要 5.5 倍代码量和约 2 倍输出 token。评分方式也不同，DeepSWE 检查请求行为是否真正实现，而非仅依赖合并 PR 的测试。
AI模型基准测试编程能力GPT-5.5
事件专题
推荐理由：做 AI 模型评估或选型的团队，DeepSWE 能帮你看到模型在长周期软件工程任务上的真实差距，建议关注这个新基准。
原文
5月27日
17:59
17:59Philipp Schmid@_philschmid
72°
DeepSWE 是一个新的软件工程/智能体基准测试，包含 113 个任务，覆盖 91 个仓库和 5 种编程语言。其评估框架 mini-swe-agent 为每个模型提供单一的 bash 工具和相同的系统指令，没有厂商自定义原语。评估提示比 SWE-Bench Pro 更短，但平均需要修改 5.5 倍以上的代码和 7 个文件，旨在模拟开发者与智能体对话的真实方式。初步结果显示，Claude Opus 比 Claude Code 高 10 个百分点，Gemini 3.1 Pro 比 Gemini CLI 高 20 个百分点。该基准强调指令遵循能力，可能对探索型模型不利。
AI模型SWE 基准智能体编程助手
事件专题
推荐理由：做 SWE 智能体评估或开发 AI 编程助手的团队，这个新基准更贴近真实开发场景，值得关注其设计思路和模型表现差异。
原文
5月13日
12:33