Claude Sonnet 相关 AI 资讯 · AI 热点

7月29日

09:16

09:16

官方一手arXiv: DeepSeek@Maxim Chupilkin

论文使用动态序数理想点方法，将LLM作为受访者分析1946-2025年5555份联合国决议。支持率从DeepSeek的37.8%到GPT-5的97.3%。在21世纪，GPT-5、Claude Sonnet和Gemini最接近俄罗斯，DeepSeek最接近法国，所有四个模型均远离美国。针对美国反对而中俄支持的2104项决议，GPT-5支持96.1%，Gemini 83.4%，Claude Sonnet 65.2%，DeepSeek 36.1%。

论文 DeepSeek GPT-5 Claude Sonnet

推荐理由：用联合国投票数据测了四个大模型的政治立场，发现DeepSeek最亲法，GPT-5最亲俄，跟开发者国家不一样。

7月13日

09:14

09:14

官方一手arXiv: DeepSeek@Maxim Chupilkin

一项论文使用背书实验测试GPT-5、Claude Sonnet、Gemini和DeepSeek四款大模型对国际经济与安全政策的评分。当政策被描述为获得美国或欧盟支持时，模型评分显著高于被描述为获得中国或俄罗斯支持的政策，数值条件中GPT-5、Claude Sonnet和Gemini对中国和俄罗斯背书的政策评分分别降低约10%-20%。加入要求模型提供理由后，GPT-5和Claude Sonnet的西方/非西方差距保持不变，Gemini的惩罚减弱，但DeepSeek此前无差距转而呈现对中国和俄罗斯的惩罚。模型理由显示西方背书被视为可信度信号，而中俄背书与数据安全、主权、监控或地缘政治风险关联。

论文 GPT-5 Claude Sonnet Gemini

推荐理由：这篇论文用实验数据告诉你，大模型评政策时会看谁站台——同一政策挂美国旗得分高，挂中国旗得分低。GPT-5、Claude Sonnet、Gemini、DeepSeek表现各异，值得关注。

6月23日

10:48

10:48

官方账号arXiv cs.LG@Despina Christou, Grigorios Tsoumakas

论文对比了5个小型语言模型（360M至3B参数）在通用域和文学域关系抽取上的表现。在通用域，Qwen2.5-0.5B经过微调后达到0.83 micro-F1，超过零样本的GPT-5.4（0.69）和Claude Sonnet 4.6（0.66）。在文学域，调优后的SLM在Biographical基准上达0.92，GPT-5.4为0.83，文学均值0.833 vs 0.578。结果表明，任务特定调优的SLM可在单张消费级GPU上部署，提供准确、隐私且硬件高效的关系抽取。

AI模型 Qwen2.5-0.5B GPT-5.4 Claude Sonnet

推荐理由：Qwen2.5-0.5B调优后，在关系抽取任务上干掉了GPT-5.4和Claude Sonnet，而且模型很小，单卡就能跑，适合隐私敏感场景。

6月16日

14:22

14:22

官方账号AlphaSignal@AlphaSignalAI

精选

CUA-Gym是一个端到端流水线，通过三个协调编码智能体自动生成可验证的计算机使用任务。它构建了94个流行应用的模拟版本，包括Slack、Notion、Salesforce和Gmail克隆，并直接读取状态设计奖励函数。生成的训练数据集包含32,112个验证元组，覆盖110个环境。基于该数据训练的模型在OSWorld-Verified基准上达到72.6%，与Claude Sonnet 4.6持平。一个3B参数的小模型以十分之一参数匹配了17B基座模型的性能。

AI模型 CUA-Gym Claude Sonnet OSWorld-Verified

推荐理由：CUA-Gym用三个AI智能体自动生成训练数据，省去人工标注。它克隆了94个常用软件，训练出的模型追平了Claude Sonnet 4.6，小模型3B参数达到17B效果，还完全开源。

11:17

11:17

官方账号arXiv 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 Sonnet GPT-4o GPT-5.4

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。

6月9日

02:18

02:18

rohanpaul_ai@rohanpaul_ai

精选72°

一篇新论文提出CL-BENCH基准，测试AI智能体是否真正从经验中学习，而非仅依赖记忆。研究发现，简单的全上下文学习优于专门的记忆系统，Claude Sonnet 4.6在纯上下文模式下取得最佳成绩。该基准涵盖编码、数据库、预测等6个领域，要求智能体在连续任务中发现模式。结果表明，当前记忆密集型AI智能体并未比保持完整对话上下文更可靠地学习。这提醒我们，长期运行的AI智能体需要更好的方式来记住有用经验、遗忘过时信息并适应环境变化。

论文智能体基准测试持续学习

推荐理由：这篇论文戳破了AI智能体“越用越聪明”的幻觉，做智能体开发或长期任务自动化的团队值得看看——你的系统可能只是在记笔记，而不是真在学习。