跳到正文
AI 资讯
今天11月19日周四1 条
11月18日周三
  1. AIHOT76

    Fireworks 评测 Kimi K3.1 Pro:智能体场景下该替换还是组合使用

    Fireworks 评测 Kimi K3.1 Pro 在智能体任务中的表现,其在 17 项共同基准中的 14 项高于 Kimi K3。K3.1 Pro 在遗留代码维护和银行客服任务上表现更强,但在记忆创建、合同审查和员工关系重建等任务上出现回退。

    推荐理由:Fireworks 按任务拆解质量、成本和时延差异,并模拟模型路由,适合评估单一替换之外的组合收益。

  2. AIHOT78

    OpenAI 发布 GPT-6.2 Astra 与 GPT-6.2 Sol 系统卡

    OpenAI 发布 GPT-6.2 Astra 与 GPT-6.2 Sol 系统卡,说明两款推理模型的训练方式、内部部署防护及安全评估。两款模型均达到网络安全 Critical 门槛和生物化学 High 门槛,GPT-6.2 Astra 在 Sandbox Bench 中解出 36.4% 的目标,高于 GPT-6 Astra 的 18.2%。

    同一件事,精选收录的是《OpenAI 发布 GPT-6.2 Astra 和 Sol》

11月17日周二
  1. AIHOT82

    Microsoft Research 发布开源插件 TokenEconomizer,用仓库历史经验降低 AI 编码 Agent 成本 18.4–30.9%

    Microsoft Research、UC Berkeley 与 Microsoft Security 发布开源插件 TokenEconomizer,通过复用同一仓库的历史经验降低 AI 编码 Agent 成本,无需修改 Agent 或底层模型。

    推荐理由:提供无需修改底层模型的插件机制与跨仓库实测数据,便于理解编码 Agent 如何利用历史经验控制成本。

11月14日周六
  1. Google Research78

    Google 开放 Antigravity /teamwork 与 /boost 多智能体工具

    Google 开放 Antigravity 的 /teamwork、/boost 等智能体工具,并与 Gemini 4 Argon、Gemini 4 Carbon 和 Gemini 4 Hydrogen 配合用于研究、形式化验证、编码和系统优化。

    推荐理由:文章同时给出多智能体工作流的设计机制、研究案例与性能数据,便于评估其对研究和工程流程的实际影响。

11月13日周五
11月12日周四
  1. The Decoder65

    Google DeepMind 发布 AlphaProof Code,四周验证 Signal 加密核心代码

    Google DeepMind 发布 AlphaProof Code,用于数学证明软件符合安全规格,并在 Signal 加密核心代码上完成验证。研究人员先定义形式化安全要求,再由基于 Gemini Carbon 的 AI agents 编写超过 600 万行 Lean 证明代码,交由专家审查约 1% 的代码;测试中植入的两个漏洞被立即发现,验证周期由通常的数年缩短至四周。

11月11日周三
  1. AIHOT71

    OpenRouter 实测 OCR 模型,Claude Opus 5.5 最准、Mistral OCR 性价比最高

    OpenRouter 实测 15 个视觉模型、Mistral OCR 与 Tesseract,Claude Opus 5.5 以 264 项关键值中答对 262 项居首,每 1,000 页成本为 $16.42。Mistral OCR 答对 258 项,每 1,000 页成本为 $2.02,兼顾准确率与价格。文章还提供调用代码,并建议关闭推理、用两个不同实验室的模型交叉校验关键字段。

11月10日周二
  1. Google DeepMind81

    AlphaProof Code 深度形式化验证 Signal 密码协议代码

    Google DeepMind 使用 AlphaProof Code 引导 AI 智能体,对 Signal 密码协议实际运行代码的关键安全属性进行形式化证明。由 Gemini Carbon 驱动的智能体生成了超过 600 万行 Lean 证明,供专家复核的代码范围仅占 1%,整个验证过程耗时 4 周,相关形式化验证工件也已开源。

    推荐理由:文章详述多智能体形式化验证框架如何将密码协议安全目标转化为 Lean 证明,并给出人工复核比例与周期等验证细节。

11月9日周一
  1. Hugging Face Blog70

    HOPE 论文提出面向 MoE 语言模型的二阶专家剪枝方法

    HOPE 论文提出一种面向 MoE 语言模型的二阶专家剪枝方法,通过 F 矩阵保留专家之间的协作关系。实验覆盖 Qwen3.5-122B、Qwen3.5-35B 和 GLM-4.5-Air,在 50% 剪枝率下取得 1.58 的平均排名,并在 Qwen3.5-35B-A3B 的 SWE-Bench Pro 上达到 42.3。团队还开源了包含校准、求解二次规划和剪枝三步流程的代码包。

    推荐理由:HOPE 把专家两两协作纳入剪枝目标,并通过多模型基准与三步使用流程说明其在高剪枝率下的取舍。

11月8日周日
  1. The Decoder63

    Alibaba与亚洲高校团队构建 Co-Design Bench,测试编码智能体真实任务完成率

    Alibaba与亚洲高校团队构建 Co-Design Bench,用真实用户变更请求测试编码智能体。在测试的 10 个模型中,GPT-6 Astra 平均满足约 70% 的任务要求,但完全正确的任务仅占 26.4%;现有编码基准上的部分模型得分已超过 99%。研究还发现,同一模型在不同运行环境下得分可从 75% 降至 56%,因此作者建议同时报告模型与工作环境。

11月6日周五
  1. Microsoft Research62

    PDD Kit 用 Verus 形式化验证智能体编写的 Rust 全栈应用

    Microsoft Research 推出研究原型 PDD Kit,将用户意图转为 Verus 形式化规范,验证编码智能体生成的 Rust 代码,并在证明无法覆盖处回退到测试。

    推荐理由:给出了从意图澄清、Verus 证明、信任边界测试到 CI 接入的完整流程,可用于评估形式化验证如何约束编码智能体生成代码。

11月5日周四
10月30日周五
10月29日周四
10月28日周三
10月26日周一
10月5日周一