已驗證來源
每個故事都連結到最有力的可用證據:可用的原始來源,否則明確歸因的報告。
簡單的英語
發生了什麼、為什麼重要以及值得關注的內容——無需行話。
無填料
當訊號很弱時,我們不會發布任何內容,而是填充提要。
更多故事
9 故事創新
SKILL.state 為長時間運行的 AI 代理程式提出明確執行狀態
EMNLP 接受的一篇論文提出了一種運行時架構,該架構以可變的結構化執行狀態取代不斷增長的代理對話歷史。arxiv.org創新
FinRiskAtlas 發現廣泛的人工智慧評分可能會忽略金融風險審查的弱點
新的中文基準透過大型語言模型在金融風險工作流程中面臨的決策和證據狀態來評估它們,而不是僅根據一般能力得分。arxiv.org創新
BixBench3 發現人工智慧代理在全面的計算生物學研究中遇到困難
一個新的基準評估人工智慧代理是否可以在完整的計算生物學工作流程中將原始生物數據轉化為研究成果。在 20 項任務中,13 個前沿模型的得分在 0.00 到 0.48 之間,隨著資料集和分析步驟序列的增長,效能下降。arxiv.org創新
FLARE 使用法學碩士和精實來驗證最佳化重組
研究人員介紹了 FLARE,這是一個將基於 LLM 的代理與精益證明助手配對的系統,以檢查所提出的混合整數線性規劃重構是否保留了原始問題。在論文的 20 個問題、109 個公式的基準上,作者報告 NP 難子集的準確度為 100%,並且…arxiv.org創新
預印本建議透過認知能力來分析人工智慧和工作場所任務
研究人員基於對 6 個人工智慧系統的評估以及從 410 名員工收集的任務要求,提出了一個框架,使用共享的認知能力配置來比較人工智慧系統與工作場所任務。arxiv.org安全性
FuzzingBrain-Bench 測試法學碩士是否可以發現意外的軟體崩潰
新的 arXiv 基準測試評估大型語言模型是否可以在沒有給定預定義漏洞目標的情況下發現開源軟體中的明顯崩潰。在作者的測試中,Claude Opus 4.8 在 77 項挑戰中的 60 項中引發了崩潰,但在可能的 579 分中只獲得了 196 分。arxiv.org產業
隨著 ChatGPT 用途的擴大,OpenAI 在巴西開始商業運營
OpenAI 表示,它已在巴西啟動商業運營,隨著公司擴大 ChatGPT、Codex 和企業採用範圍,聖保羅團隊為企業、開發人員、研究人員和公共機構提供支援。
openai.com創新
PhysElite 論文報告稱,領先的多模式法學碩士解決了 33.7% 的奧林匹克級物理問題
一項針對 11,586 個雙語、基於圖表的物理問題的新基準報告顯示,18 個經過測試的多模態語言模型中最強的模型僅實現了 33.7% 的答案準確率。arxiv.org創新
LifePlanner 基準報告顯示,法學碩士代理人在利用社群媒體數據進行複雜規劃時表現不佳
新的 arXiv 基準使用地圖、工具和本地社交媒體貼文評估法學碩士代理人的地理空間規劃。其作者報告稱,複雜任務的通過率急劇下降,為 40.2%。arxiv.org