GPT-4o 相关 AI 资讯

论文00:37

随机对照实验：GPT-4o 做家教能提分，代写则一周后增益消失

Ethan Mollick 晒了用 GPT-4o 做的教学实验：当 Tutor 用成绩涨且能保持，让 AI 代写涨分就没了，家长老师都该看看

#GPT-4o #教育 #随机对照实验

Ethan Mollick@emollick原文

论文 Agent 与开发者09:33

Insight Provenance：判断科研评审洞见来自人类还是 LLM

研究者做了个数据集专门判断评审点子是人写的还是 AI 写的，发现 AI 想法大多离不开论文本身，人会带外部知识进来，挺有意思的角度。

#InsightProv-v0 #GPT-4o #DeepSeek #AI检测

arXiv: DeepSeek@Zhuoyang Zou 等 7 人原文

论文 Agent 与开发者精选07:56

MIT 论文：告诉 LLM 智能体规则事实比要求多推理更能改善决策

MIT 实测 GPT-4o、Claude 这些模型玩拍卖游戏，发现让它们“多想想”反而更差，一句话说明规则就能把错误率从 4.2% 降到 0.2%，写提示词的都该看看。

#LLM #智能体 #提示词工程 #GPT-4o

rohanpaul_ai@rohanpaul_ai原文

技巧 Agent 与开发者精选01:42

Simon Willison 重跑长数字加法实验，测试本地 Qwen 3.8 27B

Simon Willison 用 Colin Fraser 的老加法实验测本地 Qwen 3.8 27B，还对比了开不开推理模式的结果，想本地跑模型的可看。

#Qwen #GPT-4o #推理模型 #数字加法

官方账号Simon Willison@simonw原文

论文中美对照多源确认精选01:04

Qwen3.8 27B 开启推理后在 DGX Spark 上算对 169 位数加法实验

有人在 DGX Spark 上重跑了 GPT-4o 的文字加法实验，Qwen3.8 27B 开推理后 169 次只错 2 次，还能看到逐位进位的思考过程。

#Qwen3.8 #GPT-4o #DGX Spark #推理模型

事件专题

官方账号Simon Willison’s Weblog3 个信源在谈原文

论文 Agent 与开发者12:34

Gemma-3-12B 微调模型匹配 GPT-4o 放射报告实体提取

医学 AI 研究发现：用真实数据蒸馏微调的开源模型，能在单张消费级 GPU 上匹敌 GPT-4o 的放射报告提取能力。

#Gemma-3-12B #GPT-4o #实体提取 #医学AI

arXiv cs.LG@Aawez Mansuri 等 13 人原文

论文 Agent 与开发者10:50

SCB基准测试评估语音多轮推理能力

SCB团队用103个数学问题测试了语音系统多轮推理能力，LEGO表现优于GPT-4o Realtime。

#SpeechConversationBench #GSM8K #LEGO #GPT-4o

arXiv cs.AI@Kanpat Vesessook, Saksorn Ruangtanusak原文

产品中美对照多源确认08:54

OpenAI年度发布会总结：25个新品但额度减半

OpenAI发了25个新品，但个人用户额度砍半，企业用户不受影响。

#OpenAI #GPT-4o #ChatGPT #额度调整

事件专题

爱范儿@彭海星11 个信源在谈原文

模型中美对照多源确认83°23:17

OpenAI 发布 MentalHealthBench，GPT-6 Astra 得分 57.3

OpenAI 拉了 80 多位心理医生做了个心理健康对话基准，GPT-6 Astra 考了 57.3 分，GPT-4o 只有 32.1，想看模型心理对话靠谱程度可以关注这套评测。

#OpenAI #MentalHealthBench #GPT-6 #GPT-4o

事件专题

rohanpaul_ai@rohanpaul_ai11 个信源在谈原文

论文 Agent 与开发者10:30

LLM 能否生成阿拉伯古典 Maqama 文体？首个对照评估研究发布

有人认真测了五个大模型能不能写阿拉伯古典韵散体 Maqama，连 GPT-5.4-mini 都在榜上，提示词策略的影响挺有意思。

#GPT-4o #GPT-5.4-mini #提示词工程 #阿拉伯语

arXiv cs.AI@AbdulRahman A. Morsy, Aya Zirikly原文

论文 Agent 与开发者11:30

LLM 解释器审计：GPT-4o 等三大后端为智能体错误行为流畅辩护

论文让 GPT-4o、Gemini 当智能体解释器，结果三家全把错误行为解释得头头是道。

#GPT-4o #Claude-3-Opus #Gemini #智能体

arXiv cs.AI@Param Raval 等 3 人原文

模型中美对照多源确认06:46

Anthropic 与 OpenAI 合作发布新模型

Anthropic 和 OpenAI 联手了，把 Claude 3.5 Sonnet 和 GPT-4o 组合起来，用户能选着用，比单独用哪个都强。

#Claude #GPT-4o #推理模型 #多模态

事件专题

Gary Marcus@GaryMarcus11 个信源在谈原文

模型中美对照23:46

Pruna AI 发布 P-Video 模型，在视频生成任务上超越 GPT-4o

Pruna AI 新出的 P-Video 模型，能生成 16 秒的视频，比 GPT-4o 好用。

#Pruna AI #P-Video #视频生成 #GPT-4o

Replicate@replicate原文

论文中美对照精选13:04

研究显示大语言模型推理能力提升心理深度需看评判者是谁

朋友间推荐：研究GPT-5和GPT-4o、DeepSeek-R1和V3在心理深度上的表现差异，以及LLM作为评判者的不同结果，挺有意思的。

#GPT-5 #GPT-4o #DeepSeek-R1 #DeepSeek-V3

arXiv: DeepSeek@Ruichen Zheng 等 7 人原文

模型 Agent 与开发者多源确认05:47

Agent Arena 排行榜更新

朋友，Agent Arena 的排行榜更新了，你可以去看看不同 AI 智能体在基准测试中的表现，比如 GPT-4o 和 Claude 3.5 Sonnet 的对比。

#Agent Arena #GPT-4o #Claude 3.5 Sonnet #智能体

事件专题

lmarena.ai@lmarena_ai11 个信源在谈原文

模型中美对照多源确认22:20

互联网使能代理失控，引发技术担忧

Gary Marcus说，别再搞这些失控的互联网使能代理了，这就像打开潘多拉的盒子，希望它可控，结果可能更糟。

#GPT-4o #OpenAI #互联网使能代理 #失控风险

事件专题

Gary Marcus@GaryMarcus11 个信源在谈原文

模型 Agent 与开发者多源确认73°11:54

OpenAI发布GPT-4o架构细节

OpenAI公开了GPT-4o的技术架构，开发者能了解其工作原理和性能优势。

#GPT-4o #OpenAI #多模态 #推理模型

事件专题

小互@imxiaohu11 个信源在谈原文

论文 Agent 与开发者精选73°09:23

内核管理共享内存实现系统级个性化

新系统让AI助手共享用户记忆，GPT-4o等模型个人化分数提升2-4分，响应速度提高15-61%。

#GPT-4o #Llama-3.1 #Qwen-2.5 #AIOS

arXiv cs.AI@Ryan Lum, Yongfeng Zhang原文

行业中美对照多源确认73°15:12

Anthropic研究员警告AI巨头拿人类生命赌博

OpenAI前研究员爆料AI巨头内部真实恐惧，认为他们拿人类文明冒险，还透露了GPT-4o研发内幕。

#Anthropic #OpenAI #GPT-4o #AI安全

事件专题

IT之家11 个信源在谈原文

产品 Agent 与开发者11:13

OpenRouter 默认使用 GPT-4o Image 2.5 Flare

OpenRouter 默认换成了 GPT-4o Image 2.5 Flare，专门做视觉内容创作和产品原型，比之前的更适合设计师和开发者。

#GPT-4o #OpenRouter #Image 2.5 Flare #视觉生成

OpenRouter@OpenRouterAI原文

论文精选73°11:10

LLM代码生成中的复合提示约束研究

OpenAI等模型在复合提示下表现差异大，JSON+专家角色+中等紧急程度组合导致GPT-4o-mini性能下降12.2个百分点。

#LLM #代码生成 #提示工程 #HumanEval+

arXiv: OpenAI@Shrenik Jadhav 等 6 人原文

论文精选73°09:33

微调大模型提升PR与问题分类

研究人员微调了多个大模型来自动匹配PR和问题，准确率提升显著，还能解释模型决策依据。

#CodeLlama-7B #GPT-4o #微调 #PR分类

arXiv: DeepSeek@Mustafa Yasir Altunhan 等 3 人原文

模型中美对照多源确认23:05

Kimi K3靠Harness逼近Opus 5

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。

#Kimi K3 #GPT-4o #Harness #智能体

事件专题

量子位@henry11 个信源在谈原文

论文17:47

大语言模型内容审核研究：从拒绝到警告

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。

#Claude Sonnet 4.5 #GPT-4o #DeepSeek-V3 #内容审核

arXiv: DeepSeek@Xucheng Yu 等 3 人原文

论文精选09:19

TwT：难度自适应推理的多领域机器翻译框架

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。

#TwT #DeepSeek-R1 #GPT-4o #机器翻译

arXiv: DeepSeek@Yongshi Ye 等 5 人原文

模型精选10:54

数据优先本体论的显式世界模型：DaoQL多模态存储验证与反事实推理评估

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。

#DaoQL #GPT-4o #反事实推理 #显式世界模型

arXiv cs.AI@Zhanbo Li 等 4 人原文

技巧 Agent 与开发者精选11:49

输入随机数验明正身：识别OpenRouter等聚合商模型是否被调包

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。

#OpenRouter #GPT-4o #Claude Sonnet 5 #Qwen3-Max

小互@imxiaohu原文

技巧 Agent 与开发者14:52

用5.6 Sol让AI从相册提取全部衣服图片并搭配新装

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。

#GPT-4o #图像生成 #穿搭推荐 #智能体

AI Will@FinanceYF5原文

论文10:04

基于验证器的强化微调推理模型优化建筑热能存储控制

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。

#RLVR #RFT #GPT-5 #GPT-4o

arXiv cs.LG@Takumi Shioda 等 3 人原文

论文10:21

LLM代码性能基准再审视：现有测试仅暴露6.11%显著差异

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。

#EffiBench #EvalPerf #DeepSeek-v3.1 #GPT-4o

arXiv: DeepSeek@Nhat Minh Le 等 5 人原文

模型中美对照官方一手23:36

Seedream 5.0 图像模型上线，2K 分辨率表现优于 GPT-4o

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。

#Seedream 5.0 #GPT-4o #图像生成 #文本渲染

官方一手歸藏(guizang.ai)@op7418原文

论文13:04

评估大语言模型在反犹事件分类中的表现

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。

#LLM #GPT-4o #Llama-3.2-3B-Instruct #反犹事件分类

arXiv: OpenAI@Karina Halevy 等 5 人原文

论文 Agent 与开发者11:55

持续状态AI控制中的分布式攻击研究

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

#Iterative VibeCoding #Claude Sonnet 4.5 #GPT-4o #AI安全

arXiv cs.AI@Josh Hills 等 3 人原文

论文精选09:43

BOUNDARY_SYNC: 测量多智能体LLM系统中通信引起的表示耦合

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。

#BOUNDARY_SYNC #GPT-4o #LLM #多智能体

arXiv: DeepSeek@Zewen Liu原文

论文10:13

EPC：测量LLM代理系统评估者偏好耦合的标准化协议

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。

#EPC #GPT-4o #Qwen #DeepSeek

arXiv: DeepSeek@Zewen Liu原文

论文15:13

LLM Agent记忆中毒检测的取证轨迹签名

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。

#LLM Agent #记忆中毒 #行为检测 #GPT-4.1

arXiv cs.LG@Jun Wen Leong原文

论文11:44

Mistral在UKRI基金提案实体提取中表现优于GPT-4o和DSIT-Taxonomies

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。

#Mistral #GPT-4o #实体提取 #主题检测

arXiv cs.AI@Xingran Ruan 等 7 人原文

论文10:26

EPC诊断框架揭示GPT-4o评估器漂移：版本间偏好耦合从强到零

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。

#GPT-4o #DeepSeek #Qwen3.7-plus #EPC

arXiv: DeepSeek@Liu Zewen原文

论文10:04

零样本GPT-4o教育顾问干预偏差：43%误报率，监督学习更精准

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。

#GPT-4o #Decision Transformer #XGBoost #干预偏差

arXiv cs.LG@Craig Atkinson原文

论文10:19

RSPC基准：基于精神科医生标注的数字化关系中的压力与精神状况建模

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。

#RSPC #Reddit #Claude-3-Haiku #GPT-4o

arXiv cs.LG@Parmitha Vangapandu 等 7 人原文