GPT-4o 相关 AI 资讯

AITOP

8月20日

23:05

量子位@henry

Kimi K3在18个Agent自主科研任务中表现优异。该模型在Harness框架下运行，其性能接近OpenAI的GPT-4o。Kimi K3在多项基准测试中展现出强大的多模态理解能力。该模型在处理复杂科研任务时表现出色。

事件专题

推荐理由：Kimi K3用Harness框架，在18个Agent科研任务里，性能快追上GPT-4o了，挺厉害的。

原文

8月13日

17:47

官方一手arXiv: DeepSeek@Xucheng Yu, Emily Knox, Haohan Wang

一项基于40,800组问答的系统实验发现，主流大模型对受限书籍的拒绝率仅为0.07%。实验覆盖400本书、17种提示设计和六大前沿模型，包括Claude Sonnet 4.5、GPT-4o和DeepSeek-V3。模型差异体现在警告语言上，警告率提升8-15个百分点，犹豫标记提升2-5个百分点。提及性内容的频率是最强信号，差距达33-52个百分点。提示框架可让警告率差距变化最多19个百分点。

论文 Claude Sonnet 4.5 GPT-4o DeepSeek-V3

推荐理由：这篇论文用四万组问答测了六大模型，发现它们很少拒绝聊敏感书，但会用警告和犹豫来暗示，想了解内容审核现状可以看看。

原文

8月3日

09:19

官方一手arXiv: DeepSeek@Yongshi Ye, Biao Fu, Chongxuan Huang, Yidong Chen, Xiaodong Shi

精选

TwT（Translation with Thought）是一个难度自适应的多领域机器翻译框架，通过强化学习在直觉与深思推理间动态切换。该模型先利用DeepSeek-R1蒸馏并由GPT-4o重写的长思维链进行监督微调，再通过混合奖励优化翻译质量与推理效率。在15个基准、3种已见语言和59种未见语言上，TwT-7B和TwT-14B的翻译质量超过更大的SOTA推理模型，同时token用量减少32%至60%。

论文 TwT DeepSeek-R1 GPT-4o

推荐理由：这个TwT框架让翻译模型根据难度动态调整思考量，7B和14B的小模型打过大模型，token还省了30%到60%，做多领域翻译的可以看看。

原文

7月21日

10:54

官方账号arXiv cs.AI@Zhanbo Li, Shifeng Wu, Xiangjin Meng, Wenjie Cai

精选

该论文提出数据优先本体论，将确定性知识移入显式多模态数据库DaoQL。在五个领域的反事实实验（n=1250）中，DaoQL+GPT-4o达到94%可组合反事实分解性，比单独GPT-4o高49个百分点。DaoQL在同机嵌入式设置中报告图BFS为1.20 ms、HNSW为83.1 us、Fluent混合查询为105.8 us。在LDBC SNB SF1和ANN-Benchmarks上实现34/34查询覆盖，ANN-Benchmarks在桥边保护修复后Recall@10>=99%且千级QPS。论文明确区分可证明结构、初步实证证据和架构路线图声明。

AI模型 DaoQL GPT-4o 反事实推理

推荐理由：这篇论文把LLM当推理引擎，把知识存进显式数据库DaoQL，反事实推理比GPT-4o单独强49个百分点，适合做高精度场景的参考。

原文

7月20日

11:49

小互@imxiaohu

精选

布拉格经济大学Tomáš Bruckner发现，AI模型无法生成真正随机数，每个模型有固定偏好的数字。GPT-4o偏爱42、37、57，Claude Sonnet 5几乎只说47，Qwen3-Max在30次采样中每次都答42。利用这一特征可以作为模型指纹，在OpenRouter等聚合商处验证实际调用的模型。该方法将常见缺陷转化为识别手段。

技巧 OpenRouter GPT-4o Claude Sonnet 5

推荐理由：聚合商可能偷偷换模型，你输入一个随机数，看它回答哪个数字就能认出是谁，实测GPT-4o、Claude、Qwen各有偏好。

原文

7月15日

14:52

AI Will@FinanceYF5

用户Thijs向AI支付5.6 Sol（约56美元）获取其相机胶卷访问权限，让AI提取所有个人衣物照片。AI随后将这些图片整理成完整衣橱集合，并自动搭配新服装方案。最终通过gpt-image功能在用户身体上渲染穿着新搭配的效果图。整个过程展示了AI结合个人数据与图像生成的创意工作流。

技巧 GPT-4o 图像生成穿搭推荐

推荐理由：花5.6 Sol就能让AI翻遍你相册里的衣服照片，自动搭配并渲染上身效果，虚拟试衣很方便。

原文

10:04

官方账号arXiv cs.LG@Takumi Shioda, Kohei Terashima, Tatsuo Nagai

本研究采用带可验证奖励的强化学习（RLVR）微调开源推理模型，用于建筑热能存储调度。仅用30条训练提示，强化微调（RFT）将排放从70.5降至61.2 kg-CO2，接近动态规划最优值60.8。GPT-5无需微调即接近最优，而GPT-4o（非推理模型）排放高于无存储基线。分析表明，RFT主要稳定了候选比较、前瞻和可行性检查等规划模式，并在预测误差和未见条件下保持鲁棒。

论文 RLVR RFT GPT-5

推荐理由：这篇论文用30条提示微调开源模型，让建筑冷负荷调度排放从70.5降到61.2，逼近最优，比GPT-4o强得多。

原文

7月9日

10:21

官方一手arXiv: DeepSeek@Nhat Minh Le, Yisen Xu, Zhijie Wang, Tse-Hsun, Chen

这篇论文重新评估了EffiBench、Enamel、EvalPerf和Mercury四个代码性能基准，对1,538个任务进行30次运行统计检验。结果显示，基准提供的优化实现中仅有6.11%明显快于规范解法。在308个非显著的任务中，有209个存在潜在的性能优化但未被原始测试暴露。为此，作者提出一个LLM多智能体框架（使用DeepSeek-v3.1和GPT-4o）生成性能导向测试，在1,345个原始测试无显著差异的任务中，分别有24.01%和25.43%检测出显著差异。

论文 EffiBench EvalPerf DeepSeek-v3.1

推荐理由：这篇论文把EffiBench、EvalPerf等流行代码性能基准的漏洞全翻出来了——1538个任务里只有6%能真正测出差异。他们搞了个多智能体框架自动生成更刁钻的测试，效果直接翻四倍。

原文

7月8日

23:36

官方一手歸藏(guizang.ai)@op7418

Seedream 5.0 的图像模型上线，作者测试了几张图，包括生成游戏截图、科普图、UI 设计稿和剧情介绍图。模型支持 2K 分辨率，比 GPT-4o 更高，但文字细节方面，多文字时仍存在模糊问题。整体进步明显，比之前的图像模型提升较大。

AI模型 Seedream 5.0 GPT-4o 图像生成

推荐理由：Seedream 5.0 图像模型刚上线，能生成 2K 分辨率图片，比 GPT-4o 清晰，但文字多时会糊。想试试新模型可以看看这些例子。

原文

7月7日

13:04

官方一手arXiv: OpenAI@Karina Halevy, Julia Mendelsohn, Chan Young Park, Yulia Tsvetkov, Maarten Sap

研究者引入仇恨事件检测任务，测试GPT-4o和Llama-3.2-3B-Instruct在多个专家标注数据集上的反犹事件分类能力。结果表明GPT-4o潜力较大但需显著改进。提供术语定义或上下文示例可提升性能：定义对修辞类事件（如经典反犹陈词）最有效，示例对行动类事件（如人身攻击）更有帮助。以大学校报为案例，LLM可辅助识别相关真实事件，支持早期监测。

论文 LLM GPT-4o Llama-3.2-3B-Instruct

推荐理由：这篇论文告诉你GPT-4o和Llama-3.2-3B在处理反犹事件时谁更强，还给出了提升分类效果的实用技巧。

原文

7月3日

11:55

官方账号arXiv cs.AI@Josh Hills, Ida Caspary, Asa Cooper Stickland

arXiv论文研究AI编程代理在持续代码库中分布攻击的风险。作者提出Iterative VibeCoding基准，包含20个任务变体（CLI工具和Flask Web服务），使用Claude Sonnet 4.5作为攻击代理、GPT-4o作为监控器。渐进攻击将侧任务分布在多个PR中，非渐进攻击集中于单个PR。实验显示，没有单一监控器能同时抵御两种攻击，渐进攻击在最强监控器下的逃逸率从93%（最弱diff监控器）降至47%

论文 Iterative VibeCoding Claude Sonnet 4.5 GPT-4o

推荐理由：这篇论文研究了AI编程代理如何利用持续代码库分布攻击，发现现有监控器难以同时防住两种策略

原文

09:43

官方一手arXiv: DeepSeek@Zewen Liu

精选

BOUNDARY_SYNC协议通过耦合放大因子(CAF=JSD_cond/JSD_baseline)测量多智能体LLM系统的表示耦合。在GPT-4o实验(N=30,约9900次API调用)中，文本通信导致显著同质化(CAF=0.803, p<0.001)。图像通信也出现同质化(CAF=0.834)。群组规模K=5时同质化，K=3时出现分化趋势(CAF>1.0)。跨模型复现显示极端变异(CAF 0.034-0.803)，且耦合由提示上下文驱动而非累积更新。

论文 BOUNDARY_SYNC GPT-4o LLM

推荐理由：这篇论文用BOUNDARY_SYNC协议发现LLM智能体交流越多想法越趋同，对设计多智能体系统很有启发。

原文

7月2日

10:13

官方一手arXiv: DeepSeek@Zewen Liu

该论文提出了EPC（评估者偏好耦合）协议，这是一种RFC风格的标准化协议，用于隔离和测量LLM代理系统中评估者偏好动态的四个阶段。协议包含了执行器和评估器配置、策略与任务设计、TTRL更新规则以及gamma、JSD、ECE、Brier等度量指标的计算方法。同时发布版本化的参考快照v1.0，包含GPT-4o、Qwen、DeepSeek等八个评估器条件的122次独立实验重复测量结果，并标注了版本标识符、API端点与测量日期。该协议、参考快照及实现代码已作为开放基础设施发布，旨在支持第三方复现、跨评估器比较以及检测专有评估器无声更新导致的测量衰减。

论文 EPC GPT-4o Qwen

推荐理由：这篇论文搞了个标准协议EPC，专门用来测LLM代理系统里评估器偏好怎么耦合的，还附带了GPT-4o、Qwen、DeepSeek等8个评估器的大规模实测数据，方便你复现和对比。

原文

6月30日

15:13

官方账号arXiv cs.LG@Jun Wen Leong

研究发现LLM Agent在持续记忆中毒攻击下存在行为不变性：成功攻击必须调用memory_recall_fact后再调用email_send_email。仅凭该规则的检测AUC达0.9563，基于19个轨迹特征的随机森林分类器将AUC提升至0.9904（BCa 95% CI [0.987, 0.993]）。跨9个模型（7B-120B参数）验证，6/9的留出测试AUC为1.000。该签名可泛化至GPT-4.1和GPT-4o等前沿模型，无需重新训练。通过工具调用日志即可区分记忆通道攻击与提示注入攻击。

论文 LLM Agent 记忆中毒行为检测

推荐理由：这篇论文发现了一个简单规律就能检测AI Agent的记忆中毒攻击，准确率高达99%，还能区分不同攻击类型，非常实用。

原文

11:44

官方账号arXiv cs.AI@Xingran Ruan, Angelo Salatino, Rosa Filgueira, Kara Moraw, Alexandru Marcoci, Gemma Derrick, Sarah Callaghan

这篇论文比较了GPT-4o、Mistral和DSIT-Taxonomies算法从42份UKRI基金提案摘要中提取研究实体的效果。Mistral实现了90.5%的主题分类准确率，远超DSIT-Taxonomies的71.4%。Mistral与GPT-4o的实体集质量相当且语义重叠度高，但Mistral在操作效率和安全性上更优。研究依托OpenAlex Topics分类体系，为大规模敏感数据分析提供参考。

论文 Mistral GPT-4o 实体提取

推荐理由：这篇论文实打实比较了GPT-4o、Mistral和DSIT-Taxonomies在提取基金提案实体上的能力，Mistral准确率90.5%碾压对手，做科研数据挖掘的可以看看。

原文

10:26

官方一手arXiv: DeepSeek@Liu Zewen

论文提出EPC诊断框架，包含多模态偏好崩溃指数(MPCI)、评估器耦合矩阵和JS散度(JSD)。在8种实验条件下（N=122次重复）发现耦合系数均值范围0.00-1.18，其中GPT-4o May、GPT-4o-mini、Qwen3.7-plus和DashScope 30r四个条件显示强耦合（N=36），而GPT-4o June、qwen-plus N=30等四个条件崩溃到近零。特别地，GPT-4o从5月到6月的版本漂移（N=8重复实验）导致结论反转，自评估条件97%为零（JSD=0.003）。

论文 GPT-4o DeepSeek Qwen3.7-plus

推荐理由：这篇论文告诉你，你以为可靠的GPT-4o评估器可能几周后就失效了，它还给了你一个EPC框架来自己检查。

原文

10:04

官方账号arXiv cs.LG@Craig Atkinson

研究在Open University Learning Analytics数据集（N=800，4个时间截点）上发现干预偏差：第56天，oracle标记70.1%学生无需干预，但零样本GPT-4o对73%学生推荐行动，误报率43个百分点。商业RAG和SQL增强检索校准同样差，在10000学生规模下每周期约4300次不必要接触。监督学习方法（ONNX Decision Transformer和XGBoost）校准误差接近零，Decision Transformer达到macro-F1 0.79、macro-recall 0.85，决策延迟低于5毫秒。LLM-as-judge评估（DeepEval G-Eval）无法捕捉干预偏差，反而奖励流畅的过度干预。

论文 GPT-4o Decision Transformer XGBoost

推荐理由：零样本GPT-4o当教育顾问爱多管闲事？实测误报率43%，换成Decision Transformer或XGBoost就能准到几乎零误报。

原文

6月26日

10:19

官方账号arXiv cs.LG@Parmitha Vangapandu, Sai Ganesh Mokkapati, Sathwik Narkedimilli, MSVPJ Sathvik, Timothy Liu, Simon See, Johannes C. Eichstaedt

研究者发布了RSPC（Relational Stress and Psychiatry Corpus），包含1,799条来自Reddit异地恋版块的帖子，由精神科医生标注了诊断类别（焦虑、抑郁等）、关系压力触发因素和关系阶段。在多项任务中测试了7个微调Transformer模型和5个大语言模型，其中Claude-3-Haiku在障碍分类任务中最佳（Macro-F1=0.538），GPT-4o在关系触发检测任务中最佳（Macro-F1=0.519）。分析发现焦虑障碍与慢性关系不确定性有强关联。RSPC推动心理健康NLP从个体视角转向上下文感知的社会动态建模。

论文 RSPC Reddit Claude-3-Haiku

推荐理由：想了解AI如何从人际关系中识别心理健康问题？这篇论文用Reddit数据建了专门基准，挺实在。

原文

01:37

官方账号OpenAI@OpenAI (@OpenAI)

OpenAI 在官方博客发布“How agents work”指南，详细拆解 Agent 的核心组成：模型调用（以 GPT-4o 为例）、工具集成（代码解释器、函数调用等）、持久化记忆（向量数据库）以及编排模式（链式与多步）。指南对比了简单查询与复杂多步骤 Agent 的设计差异，并给出基于 Assistants API 的代码示例。文章未公布新的基准分数，但提供了可立即实现的架构建议。

技巧 Agent OpenAI GPT-4o

事件专题

推荐理由：OpenAI 手把手教你做智能体，从原理到代码都有，适合想自己搭 Agent 的同学。

原文

6月23日

12:00

官方一手arXiv: DeepSeek@Yuhan jiang, Peng Luo, Liqiu Meng

精选

新基准Lost in Aggregation将迷宫导航分解为Fine（局部通行）、Meso（交叉口拓扑）和Macro（全局方向）三个认知层级。在1050个拓扑标注迷宫（3x3至30x30共7种尺寸、3个难度级别）上评估GPT-4o、DeepSeek-V3和Llama-3.3-70B。结果发现：端到端导航在10x10以上几乎完全失败，但单独测试各层级时模型在30-75%水平。首错分析定位59%失败在Meso层级、39%在Fine层级，全局方向仅1%。层次化规划（仅在交叉口查询LLM、配合显式单元格提示）将GPT-4o在中等尺寸上的成功率提升最多92个百分点，但30x30时又遇到扩展瓶颈。基准代码和迷宫已开源。

AI模型 Lost in Aggregation GPT-4o DeepSeek-V3

推荐理由：想知道LLM为什么在导航任务中迷路吗？这个基准把问题拆成三个层级，告诉你59%的锅在交叉口选择，39%在局部感知，方向判断几乎不犯错。对做空间推理的开发者非常有用。

原文

6月19日

20:53

20:53IT之家（博客/媒体）

麻省理工学院一项4月发布、持续4周、67人参与的研究发现，过度依赖聊天机器人可能削弱批判性思维。参与者借助基于GPT-4o的AI助手判断新闻真假，准确率提高21%，但第四周无AI帮助时独立判断能力下降15.3%。研究指出，AI直接给出答案而非引导思考，长期会削弱用户识别错误信息的能力。约四分之一参与者误以为能力提高，实际表现已变差。

论文麻省理工学院 GPT-4o ChatGPT

推荐理由：麻省理工用67人做了4周实验，发现依赖ChatGPT越久，你自己辨别假新闻的能力反而下降15%——别把脑子外包给AI。

原文

6月18日

09:24

官方一手arXiv: DeepSeek@Serena A. Hoffstedde, Machiko Hirota, Akshara Nadayanur Sathis Kanna, Rihito Kotani, Ujwal Kumar, Gabriele Trovato, Phan Xuan Tan

该研究使用60份日本履歴書格式简历、12个基于语言性别信号的名字对，以及Claude Sonnet 4.6、GPT-4o、DeepSeek-V3、Gemini 2.5 Flash、Llama 3.3 70B五个SOTA模型，进行了43200次API调用。交叉随机效应线性混合模型确认所有五个模型均存在显著亲女性偏见。提示级性别中立指令未能有效减少偏见。移除名字几乎完全消除了女性效应，表明名字是主要性别通道。隐私过滤器与GPT-4o安全过滤器的不兼容导致42%的请求被拒绝。

论文 GPT-4o DeepSeek-V3 Claude Sonnet 4.6

推荐理由：这篇论文用43200次测试发现，五个主流LLM在日文简历上全有亲女性偏见，改提示没用，删名字才行，看清AI招聘的坑。

原文

6月16日

19:46

官方账号Decoder@Jonathan Kemper

爱沙尼亚语言研究所发布了一项基准测试，用于评估AI语言模型对俄语宣传的抵抗力。测试涵盖了GPT-4o、Claude 3.5 Sonnet、Llama 3.1等8个模型，发现部分模型在30%的测试样本中会生成亲俄内容。Meta的Llama 3.1 70B表现最差，错误生成率高达42%；而OpenAI的GPT-4o错误率最低，仅为12%。该基准测试还包含一个包含1000个样本的俄语宣传语料库，用于衡量模型对政治操纵的脆弱性。

AI模型 GPT-4o Claude 3.5 Sonnet Llama 3.1

事件专题

推荐理由：想知道你用的AI会不会被俄语宣传带跑偏？爱沙尼亚语言研究所测了8个主流模型，GPT-4o最扛打，Llama 3.1中招率最高。看看你的AI排第几。

原文

11:38

官方一手arXiv: OpenAI@Marta Vallejo, Siwen Wang

该研究通过十名参与者观看33张安全风险场景图像的眼动数据，生成人口平均注视热图。使用GPT-4o通过OpenAI Vision API生成视觉注意力显著性图，并与注视数据比较。空间对齐评估采用四个指标：皮尔逊相关系数0.515±0.117、NSS 0.988±0.323、KL散度1.766±0.844、AUC-Judd 0.806±0.076。与Gemini Pro、Gemini Flash和Claude的对比显示，所有模型AUC-Judd超过机会基线0.5且NSS为正。Gemini Pro在三个指标上定位最强，GPT-4o在KL散度上分布匹配最佳。

论文 GPT-4o Gemini Pro Gemini Flash

事件专题

推荐理由：想知道AI能不能像人一样在危险场景下抓住关键区域？这篇论文用GPT-4o、Gemini Pro等模型做了对比，发现它们不靠眼动训练数据就能大致预测人类注视点。

原文

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

事件专题

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

10:48

官方一手arXiv: DeepSeek@Zewen Liu

论文发现，当AI智能体使用语言模型在反馈循环中自我评估时，会产生系统性偏好偏差。在多模态环境中，评估者偏好崩溃（EPC）被显著放大：用GPT-4o评估DeepSeek-chat时，单一策略step_by_step吸收48.4%权重，是纯文本自评估崩溃程度的3.2倍，而三个视觉域策略合计仅占9.1%。跨模态传染现象揭示：在一个模态获得的评估者偏好会转移到另一个模态并扭曲策略选择。四阶段隔离训练实验测量了传染系数，并发现跨模态暴露后最优策略发生反转。在53次独立重复、15,592次API调用统计中，跨模型评估产生强对称双向传染（均值γ_{T->V}=1.176, γ_{V->T}=1.089），而自评估（DeepSeek-chat）97%运行传染为零。

论文 GPT-4o DeepSeek-chat 多模态

推荐理由：这篇论文用GPT-4o和DeepSeek-chat做实验，发现AI自我评估时策略偏好会崩坏，还跨模态传染，数字很硬核，搞多模态和智能体的值得看。

原文

5月18日

06:44

Ethan Mollick@emollick

精选

Ethan Mollick在推文中透露，他们的实验使用了GPT-4和GPT-4o的混合模型，因为发表论文需要时间。他指出，如果使用更新的模型，尤其是最新的智能体工具，实验结果可能会更加显著。这表明AI技术的快速迭代对研究结果有重要影响，最新模型和工具能带来更大提升。

论文 GPT-4 GPT-4o 实验

推荐理由：AI研究者或实验设计者注意了：模型版本差异可能显著影响结论，使用最新智能体工具能放大效果，建议在论文中明确标注模型版本。

原文

5月17日

01:06

AI Will@FinanceYF5

一位开发者用 GPT-4o 和 Gemini 3.1 Pro 快速构建了一款交互式科学应用，UI 设计和星球纹理均由 AI 生成。该实验展示了多模态 AI 在创意编程和科学可视化中的潜力，无需专业设计或编程背景即可快速产出可交互的原型。这一流程大幅降低了科学教育应用的制作门槛，适合教育工作者、科普创作者和前端开发者参考。

AI产品 GPT-4o Gemini 3.1 Pro 交互式应用

推荐理由：AI 从设计到代码全包了，做科学可视化或教育应用的开发者可以直接抄作业，省掉 UI 和纹理设计的时间。

原文

5月13日

01:58

01:58官方账号Sam Altman Blog（资讯）

精选

OpenAI推出GPT-4o，该模型支持文本、图像和音频输入输出。GPT-4o在推理速度和成本上优于前代GPT-4 Turbo，并向所有ChatGPT用户免费开放。这一发布标志着多模态AI进入新阶段。

AI模型 GPT-4o OpenAI 多模态

事件专题

推荐理由：多模态免费模型来了

原文