METR 如何实现并评估面向安全评测的逐动作实时监控器
METR 开发并部署了一个基础的实时逐动作监控器，用 LLM judge 在智能体每次动作执行前审查，超过阈值即转人工审核并暂停评测，专注识别可能造成现实危害或试图绕过监控的行为。
全部AI 动态
全部动态
今日 12 条METRAI 评估 · 24/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 24/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 AK(@_akhaliq)AI 评估 · 28/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 28/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 ProgramDistill：从交互式 Web 应用生成可验证的参考引导 SWE 任务
ProgramDistill 提出从交互式 Web 应用出发，构建可验证、参考引导的软件工程（SWE）任务。论文已发布在 Hugging Face Papers（编号 2609.18…），原始公告由 AK 在 X 上分享。
Thomas Wolf(@Thom_Wolf)AI 评估 · 20/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 20/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 不用 IMU 也能实现人形机器人抗推行走：Blind Dexterity 只用关节编码器
Aditya Bhatt 等人的最新博士论文提出 Blind Dexterity，首次仅靠关节编码器实现抗推的人形机器人行走，无需 IMU 和力/力矩（F/T）传感器。该工作由 DFKI 与达姆施塔特工业大学（@ias_tudarmstadt）团队完成，论文已被 IROS 2026 接收。
Thomas Wolf(@Thom_Wolf)AI 评估 · 28/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 28/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 LLM 被教会在无人类引导下自主发现有趣数学定理
Niket Patel 展示了一种教 LLM 自主发现有趣定理的方法，提出可量化的"有趣度"指标，使发现结果的有趣度提升 4.3×，并形成自我扩展的发现循环。研究者指出，LLM 已能证明困扰数学家数十年的结果，而无需人类引导地找到有趣定理正成为新的瓶颈。
Kevin Weil 🇺🇸(@kevinweil)AI 评估 · 64/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 64/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Claude 完成 N=4 超对称杨-米尔斯九圈计算，打破八圈纪录
Anthropic 科学博客称 Claude 在平面 N=4 超对称杨-米尔斯模型中完成了九圈散射振幅计算，此前纪录是 SLAC 的 Lance Dixon 及合作者保持的八圈。
Stanford AI Lab(@StanfordAILab)AI 评估 · 13/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 13/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Stanford AI Lab 新研究：Cowsik、Dolev、Li 共同领导
Stanford AI Lab 发布了一项由 @AdityaCowsik、@KfirDolev 和 @michaelyli_ 共同领导的新研究，合著者包括 @gbruno_dl、@ANourya、@noahdgoodman 和 @YoavLevine。目前公开信息仅为作者署名，研究主题、方法与结果尚未披露。
Stanford AI Lab(@StanfordAILab)AI 评估 · 36/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 36/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 零真实数据预训练：随机初始化模型通过自博弈生成全部训练数据
斯坦福团队提出 Self-Play Pretraining with Zero Data：两个模型从随机初始化出发，一个生成器为通用图灵机提出程序，一个学习器只在这些输出上训练，全程不接触真实数据。该设置下模型在图像、文本、音频和旋律上的零样本验证损失随自博弈算力可预测地下降，且学习器涌现出上下文学习能力。
Anthropic(@AnthropicAI)AI 评估 · 50/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 50/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Anthropic 科学博客：Claude 完成九圈散射振幅计算
Anthropic 科学博客发布消息称，Claude 在 Claude Science 中接收一个描述九圈问题的提示词后，基本无监督运行数天，用 Dixon 及同事发展的方法解决了九圈散射振幅计算，总成本为几千美元。
AK(@_akhaliq)AI 评估 · 22/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 22/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 世界模型中的客体永久性训练：论文与 Hugging Face 链接
一篇题为 Training Object Permanence in World Models 的论文发布，聚焦在世界模型中训练客体永久性，论文可在 Hugging Face 上查阅。
clem 🤗(@ClementDelangue)AI 评估 · 38/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 38/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 HuggingFace 开源 SmolDataEnvs：5,000 个可验证 RL 环境任务
HuggingFace 开源 SmolDataEnvs，包含 5,000 个可验证的 RL 环境任务，面向代码和数据科学领域的小模型能力爬坡，环境、评测与训练全部开源。该数据集由 @adithya_s_k 贡献，已在 HuggingFace 上发布。
AK(@_akhaliq)AI 评估 · 10/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 10/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 论文《On the Diffusibility of High-Dimensional Latents》发布
论文《On the Diffusibility of High-Dimensional Latents》已在 Hugging Face Papers 上线，聚焦高维潜变量的可扩散性问题。原文未披露模型、参数规模或 benchmark 数据等具体信息。
DeepLearning.AI(@DeepLearningAI)AI 评估 · 58/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 58/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Meta AI 用专用记忆智能体缓解长上下文遗忘，Claude Sonnet 4.5 基准从 37.6% 升至 45.9%
Meta AI 将主行动智能体与专用记忆智能体配对，以解决长上下文导致 AI 智能体忘记早期错误的问题。记忆智能体保存关于工具和过往错误的结构化笔记，只在关键时机注入简短提醒。该方案把 Claude Sonnet 4.5 的基准从 37.6% 提升到 45.9%。
NVIDIA Technical BlogAI 评估 · 24/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 24/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 NVIDIA 谈生物基础模型的高效 MoE 训练
NVIDIA 技术博客讨论了如何为生物基础模型高效训练 MoE 架构。相比每个 token 都经过全部层的稠密 Transformer，MoE 使用多个专家子网络、每个 token 只激活其中一小部分，从而在大模型扩展时降低训练与推理算力开销。
Hunyuan(@TXhunyuan)AI 评估 · 30/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 30/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 腾讯混元研究：LLM 强化学习批次规模扩展，PPO 生成吞吐提升至 2.29 倍
腾讯混元（Hunyuan）将经典临界批次规模理论扩展到在线 LLM 强化学习，在 GRPO 和 PPO 上发现，重调学习率可在一定批次规模范围内保持每条回复的学习效果。在固定硬件下，扩大批次规模使 PPO 生成阶段吞吐最高提升 2.29 倍，其最佳 GRPO 配置则以少 29% 的时间达到相同验证目标。
Hunyuan(@TXhunyuan)AI 评估 · 29/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 29/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 腾讯混元研究：LLM 强化学习批大小与训练效率新发现
腾讯混元（Hunyuan）将经典临界批大小理论扩展至在线 LLM 强化学习，在 GRPO 和 PPO 上发现，重新调整学习率可在一定批大小范围内保持每个响应的学习效果。在固定硬件上，扩大批大小使 PPO 生成阶段吞吐量最高提升 2.29×，最佳 GRPO 配置以少 29% 的时间达到相同验证目标。
AK(@_akhaliq)AI 评估 · 18/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 18/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Contrastive Language Models 上线 Hugging Face
Contrastive Language Models 已在 Hugging Face 发布，项目主页为 huggingface.co/Contrastive-LM。该发布帖获得 549 点赞、49 次转发和 17 条回复，浏览量约 57860。
山行AIAI 评估 · 53/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 53/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Anthropic 研究：Claude Code 中真正拉开差距的是领域专长
Anthropic 发布研究《How Claude Code is used in practice》，基于 2025 年 10 月至 2026 年 4 月约 40 万次 Claude Code 会话、约 23.5 万名用户，分析人机决策分工与专长对结果的影响。
OpenAI(@OpenAI)AI 评估 · 28/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 28/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 OpenAI 推出 MentalHealthBench，覆盖从日常支持到急性危机全谱系心理健康对话
MentalHealthBench 是 OpenAI 推出的心理健康评测基准，覆盖人们向 AI 提出的各类心理健康对话，从日常支持到更急性的危机场景，而不像多数同类基准只聚焦紧急情况。
OpenAI(@OpenAI)AI 评估 · 39/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 39/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 OpenAI 发布 MentalHealthBench：前沿模型心理健康对话能力持续提升
OpenAI 发布开放基准 MentalHealthBench，用于评测前沿模型在真实心理健康对话中的表现，该基准由 80 多位心理健康临床医生参与构建。OpenAI 将其公开，供其他研究者审查方法、自行评测并在此基础上继续研究。
Microsoft Research(@MSFTResearch)AI 评估 · 29/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 29/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Microsoft Research 新发现：把 AI 推理移出机器人本体可提升任务成功率
Microsoft Research 新研究显示，将 AI 推理从机器人本体移出可提升任务成功率、提高效率，并支撑更先进的物理 AI 工作负载。该结论指向机器人硬件与智能增长不匹配的问题，即算力从机器人端外移是可行路径。
Microsoft Research BlogAI 评估 · 49/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 49/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 微软研究：把物理 AI 推理卸载到边缘或云端，可提升机器人成功率与续航
微软研究发现，将物理 AI 推理从机器人板载 GPU 卸载到边缘或云端 GPU，可显著提升移动操作任务的成功率、响应速度与电池续航。测试显示，较轻 GPU 下建图与规划最多变慢 383%，导航障碍及时检测下降 30%，VLA 模型准确率下降 50%；用树莓派 5 替代板载 GPU 后，Jetson Thor 一类板载 GPU 曾使续航最多减少 160%。
NVIDIA Technical BlogAI 评估 · 23/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 23/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 SWE-Serve 如何揭示本地测试与线上推理服务之间的差距
NVIDIA 联合 SGLang 团队推出 SWE-Serve，用于评测推理服务软件变更：AI 编程智能体的补丁能通过测试，却可能在服务器加载真实模型并处理请求时失败。该基准包含 53 个任务，要求检查完整服务链路，包括系统能否通过公开接口返回正确结果。
vivo互联网技术AI 评估 · 29/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 29/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 vivo BlueImage Lab 提出妆容迁移框架 ART，入选 ECCV 2026
vivo BlueImage Lab 提出妆容迁移框架 ART，通过两阶段训练把监督信号从合成伪目标逐步锚定到真实参考图像，解决复杂妆容迁移中的细节丢失与身份漂移问题。该方法在 MT、LADN、MT-Wild、MF2K 四个测试集上 MSimG 全部第一，MF2K 艺术妆测试集 MSimG 达 9.22，并发布首个 2K 妆容数据集 MF2K（8,573 张 2048×2048 人像）。
字节跳动技术团队AI 评估 · 40/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 40/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 TWIST 入选 ACM CCS 2026：面向云上大模型服务的隐私保护新方案
字节跳动安全研究团队与香港城市大学联合研究的 TWIST 被 ACM CCS 2026 接收，该方案用密钥将输入 Token 与模型权重映射到同一变换空间，使云端可沿用标准推理流程处理混淆态数据。
Epoch AIAI 评估 · 59/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 59/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Epoch AI 发布宜家组装基准 FAB：GPT-6 Astra 得分 80%
Epoch AI 发布家具组装基准 FAB，用 60 张宜家家具组装照片（含故意设置的错误）测试模型能否识别装配错误并获得装配手册与查看工具。
Aravind Srinivas(@AravSrinivas)AI 评估 · 38/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 38/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Perplexity 发布后训练新研究：让 Computer 智能体从真实会话的错误中学习
Perplexity 公布其 Computer 智能体后训练方法，结合拒绝采样微调（RFT）与提示引导自蒸馏，让模型模仿优质轨迹并显式纠正错误工具调用。在线 A/B 测试中，后训练 checkpoint 将工具调用失败率相对降低 21.2%。
Perplexity(@perplexity_ai)AI 评估 · 32/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 32/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Perplexity 用提示引导自蒸馏后训练 Computer 模型，工具调用失败率降低 21.2%
Perplexity 通过提示引导自蒸馏（hint-guided self-distillation）对 Computer 模型进行后训练，让模型从自身错误中学习。在一项实时 A/B 测试中，较晚训练的 checkpoint 相比早期 checkpoint 将工具调用失败率相对降低 21.2%。
AK(@_akhaliq)AI 评估 · 30/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 30/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 将 VLM 的智能迁移到机器人控制
一篇论文提出把视觉语言模型（VLM）的智能迁移到机器人控制中，论文页面已发布在 Hugging Face Papers（编号 2609.22…）。原帖未披露所用模型、参数规模或评测结果。
AK(@_akhaliq)AI 评估 · 19/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 19/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 onPanda：通过 Token 级纠正高效标注 LLM 与智能体的 on-policy 对齐数据
onPanda 提出通过 Token 级纠正实现 LLM 与智能体的 on-policy 对齐数据高效标注，论文已发布在 Hugging Face Papers。该工作面向对齐训练数据的标注环节，具体方法与实验结果可查阅论文原文。
Taranjeet(@taranjeetio)AI 评估 · 36/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 36/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 DolphinBench 发布：面向智能体记忆的动作评测基准，同时衡量准确率、成本与延迟
DolphinBench 是一个新的智能体记忆基准，在长历史对话后直接评测智能体的动作是否正确，而非问答式打分，并把准确率、成本与延迟放在同一张榜单上。它针对现有记忆评测已趋于饱和、且忽略选型时最关键的成本与延迟问题，主张关注工具调用中真正决定成败的事实。
AK(@_akhaliq)AI 评估 · 26/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 26/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 RRSI：Agent Harness 的正则化递归自我改进论文发布
论文《RRSI: Regularized Recursive Self-Improvement of Agent Harnesses》已在 Hugging Face 论文页发布，提出对 Agent Harness 进行正则化递归自我改进的方法。该工作由 AK(@_akhaliq) 分享，发布当日在社交平台获得 8 条回复、21 次转发和 80 次点赞。
mem0(@mem0ai)AI 评估 · 24/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 24/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 mem0 发布 DolphinBench 基准测试
mem0 发布 DolphinBench 基准测试，配套上线官网、排行榜与数据集，并开放运行与提交入口，代码仓库和论文同步公开。
mem0(@mem0ai)AI 评估 · 25/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 25/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Agent Memory Benchmarks 对比：智能体记忆评测的三个关键属性
一个智能体记忆基准需满足三项属性：按行动评分、在准确率之外同时衡量成本与延迟、以及可解性认证（带历史能通过、不带历史则失败）。该观点用于对比现有的 Agent Memory Benchmarks。
mem0(@mem0ai)AI 评估 · 26/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 26/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 DolphinBench 公布 Hermes 与 Claude Code 两套测试框架下 GPT-5.6-Luna、MiniMax M3、Claude Sonnet 5 的官方结果
DolphinBench 公布了两套测试框架（Hermes、Claude Code）与三个智能体模型（GPT-5.6-Luna、MiniMax M3、Claude Sonnet 5）的官方测试结果，实时榜单已在 dolphinbench.ai/leaderboard/ 上线。
mem0(@mem0ai)AI 评估 · 33/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 33/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 mem0 发布 DolphinBench：绘制智能体记忆的帕累托前沿
mem0 发布 DolphinBench，用于评测长历史之后的智能体行动，并将准确率、成本与延迟放在同一张榜上。现有公开基准多把记忆当作问答测验，只看答案对错和 precision、recall，忽略了选型时真正关心的成本与延迟。DolphinBench 认为关键事实往往不在请求里，而要靠工具调用体现。
Anthropic NewsAI 评估 · 72/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 72/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Anthropic 用 Claude 发现类 CRISPR 的新型酶系统 ART
Anthropic 成立生命科学实验室，让 Claude 智能体在 DNA 数据库中自主搜索，发现了一种与重复序列关联的新型逆转录酶系统 ART，相关预印本已发布。
DeepLearning.AI(@DeepLearningAI)AI 评估 · 44/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 44/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 10,000 个 AI 智能体用 88 小时在 Lean 中攻关 Navier-Stokes 方程，引发的争议给 AI 开发者上了重要一课
10,000 个 AI 智能体耗时 88 小时在 Lean 中形式化 Navier-Stokes 方程相关证明，由此引发的争议给 AI 开发者带来关键启示。智能体已能大规模形式化复杂数学证明，但人类评估对解释证明为何成立仍不可替代。企业数据隐私与零数据保留设置也属必需。
Hunyuan(@TXhunyuan)AI 评估 · 38/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 38/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 腾讯混元推出 WebCraftBench：用真机探索评测 AI 生成网站
腾讯混元发布 WebCraftBench，让智能体实际操作运行中的网页应用，通过覆盖率引导探索发现未被触达的页面，再对美观度、可用性及是否满足原始需求打分。在 197 组人工校验样本上，该评测与人类偏好的一致率为 85.3%。
METRAI 评估 · 60/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 60/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 METR 发布 Claude Opus 5.5 部署前评估摘要
METR 发布对 Claude Opus 5.5 的部署前评估摘要，认为该模型对 AI 研发的加速略高于 Fable 5.1，但不太可能完全自动化 AI 研发。
AK(@_akhaliq)AI 评估 · 24/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 24/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 WorldCrafter：带隐式 3D 感知记忆的一致性视频世界模型
WorldCrafter 是一个一致性视频世界模型，通过隐式 3D 感知记忆提升生成视频的时空一致性。相关论文已发布在 HuggingFace Papers。