10:23
官方一手arXiv: DeepSeek@Ziheng Qin, Yaxin Lu, Zhangyang Atlas Wang, Kai Wang
精选
推荐理由：StateM 不改模型权重，光靠升级执行系统就把 GPT-5.6 在终端测试的准确率拉到 95.3%，成本只要 15 美元，值得看看它的思路。
Terminal-Bench
共 10 条相关 AI 资讯
8月18日
10:23
StateM 是一个不修改模型权重的 agent 运行时，通过状态管理和可恢复流程提升执行系统。在 Terminal-Bench 2.1 上，StateM 将 GPT-5.5 xhigh 从 83.1% 提到 92.1%，GPT-5.6 Sol xhigh 达到 95.3% 原始准确率，覆盖 445 次试验和全部 89 个任务。同一套 runbook 让 GPT-5.6 Luna 从 76.7% 升至 85.4%，超过 Sol xhigh 参考值 84.9%。用不到 38 美元的适配，DeepSeek-V4 Flash 从 82.7% 提高到 88.1%，在 88 任务核心集上到 89.1%，最终 API 花费约 15 美元，对比 GPT 参考的 574.68 美元。代码已开源在 github.com/henryqin1997/statem。
8月13日
17:57
17:57
shao__meng@shao__meng
shao__meng@shao__meng推荐理由：DeepSeek 新模型跑分只比 Claude Fable 5 低 0.1，价格却便宜 57 倍，Cline 用户现在就能用，高性价比首选。
8月7日
12:32
12:32
官方账号arXiv cs.LG@Fanzhe Meng, Guoxin Chen, Jiale Zhao, Shuang Sun, Zhiyu Lin, Wayne Xin Zhao, Ruihua Song, Ji-Rong Wen, Kai Jia
推荐理由：想给智能体造训练任务？CalibForge 让多个求解器互相挑毛病来调任务难度，比人工标靠谱，Terminal-Bench 上能涨二十多个点。
7月30日
12:15
12:15shao__meng@shao__meng
shao__meng@shao__meng精选
推荐理由：Cline 让 Kimi K3 自己优化自己，17 小时让基准从 77.5% 涨到 88.8%，成本还降了 37%，这波自举操作有点意思。
7月22日
17:06
17:06
Thomas Wolf@Thom_Wolf
Thomas Wolf@Thom_Wolf推荐理由：Poolside 又出了个厉害编码模型，Laguna S 2.1 在本地就能跑，多项基准比大它几十倍的模型还强。
7月10日
09:57
09:57
官方账号arXiv cs.AI@Yifan Wu, Lizhu Zhang, Yuhang Zhou, Mingyi Wang, Bo Peng, Serena Li, Xiangjun Fan, Zhuokai Zhao
推荐理由：长时任务里AI老忘事？这篇提出主动记忆智能体，随跑随记关键信息，在Terminal-Bench上提升8.3pp，比被动记忆好用多了。
7月2日
06:48
06:48
Suhail@Suhail
Suhail@Suhail推荐理由：别只看 token 单价了，朋友。同样跑15个任务，Haiku 比 Opus 贵10倍。这提醒我们，算成本要看任务总花费。
6月25日
23:37
23:37
berryxia@berryxia
berryxia@berryxia推荐理由：Ornith-1.0 用 RL 教模型搭执行框架，在 SWE-Bench 上表现顶尖，本地党还有 GGUF 版本可玩。
5月21日
08:00
08:00Thomas Wolf@Thom_Wolf
Thomas Wolf@Thom_Wolf精选
推荐理由：做科研的 AI 用户终于有了专门评估 AI 辅助科研能力的基准——T-Bench Science 直接面向真实工作流，科学家可以贡献自己的流程来推动模型进步，值得关注和参与。
5月15日
01:10
01:10shao__meng@shao__meng
shao__meng@shao__meng精选73°
推荐理由：Cline SDK 和 CLI 的发布让 Agentic Coding 工具链更开放灵活，做 AI 编程工具或 Agent 开发的团队可以直接用 Plugin 层和 Provider 扩展，值得关注其 Terminal-Bench 成绩和 Harness 实践。