Develata's Space

Appearance

2026-08-14 ​

GPT-5.6 模型家族发布，以更低成本实现前沿级智能体性能，新增推理持久化、多智能体编排和程序化工具调用 API，多项基准得分大幅提升，成本显著下降。 Google DeepMind 发布 Gemini 3.7 Flash，间隔三周即迭代，主打编程与智能体，输入输出价格较 3.6 减半，关乎模型竞争与开发者成本。 新研究提出“信息充裕悖论”：长上下文训练虽…

GPT-5.6 构建者指南：如何以更低成本实现前沿智能体性能 88 ​

  • Tags: 模型发布 智能体 推理优化 API

  • Source: AI HOT 精选 | 阅读原文

[摘要]
GPT-5.6 模型家族发布，以更低成本实现前沿级智能体性能，新增推理持久化、多智能体编排和程序化工具调用 API，多项基准得分大幅提升，成本显著下降。

Google DeepMind 推出 Gemini 3.7 Flash：面向编程与智能体的最强工作模型 80 ​

  • Tags: 模型发布 编程 智能体 公司动态

  • Source: AI HOT 精选 | 阅读原文

[摘要]
Google DeepMind 发布 Gemini 3.7 Flash，间隔三周即迭代，主打编程与智能体，输入输出价格较 3.6 减半，关乎模型竞争与开发者成本。

Information Abundance Paradox: Long-Context Training Undermines Parametric Knowledge 80 ​

  • Tags: 大模型 长上下文 研究

  • Source: arXiv Computation and Language | 阅读原文

[摘要]
新研究提出“信息充裕悖论”：长上下文训练虽提升语境能力，却削弱模型参数化知识，超最优窗口后性能下降。对长上下文扩展方向提出重要警示。

Large Language Models Reproduce Racial Stereotypes When Used for Text Annotation 80 ​

  • Tags: AI安全 模型偏见 研究

  • Source: arXiv Computation and Language | 阅读原文

[摘要]
新研究覆盖19个LLM、400万次标注判断，发现文本中的种族身份线索使模型系统性地产生刻板印象偏差，影响自动标注在学术、审核、招聘等场景的应用，凸显AI公平性风险。

ToolHazard: Scaling Adversarial Environments for Security Evaluation and Alignment of LLM-based Agents 80 ​

  • Tags: AI安全 智能体 论文

  • Source: arXiv Computation and Language | 阅读原文

[摘要]
论文提出ToolHazard，可扩展合成对抗环境框架，用于评估和提升LLM智能体对间接提示注入的防御能力，实验显示智能体普遍存在漏洞，并可用生成数据提升安全性。

Previewing Ultrafast mode: GPT-5.6 Sol at up to 14X the speed 78 ​

  • Tags: 产品发布 推理优化 OpenAI

  • Source: OpenAI News | 阅读原文

[摘要]
OpenAI预览Ultrafast模式，基于Cerebras硬件，使GPT-5.6 Sol推理速度提升至14倍，输出速率达750 token/s，显著提升API性能。

DeepSeek V4 Pro与Grok 4.6同日发布，双双逼近Claude Fable 5体验 78 ​

  • Tags: 大模型 模型发布

  • Source: AI HOT 精选 | 阅读原文

[摘要]
DeepSeek V4 Pro正式版与Grok 4.6同日发布，参数规模均超1.5T，逼近Claude Fable 5体验，标志两大前沿模型同日竞争，值得关注。

The Wording Effect: Quantifying Two-Way Drift in LLM Benchmark Performance 78 ​

  • Tags: 大模型 基准评估 研究

  • Source: arXiv Computation and Language | 阅读原文

[摘要]
IBM研究揭示LLM基准测试对题目措辞高度敏感，模型越强因措辞变化丢分越多，基准分数可靠性受挑战。

Ripple-Pivot Search: Active Parallel Decoding for Diffusion Large Language Models 78 ​

  • Tags: 推理优化 大模型 研究

  • Source: arXiv Computation and Language | 阅读原文

[摘要]
提出Ripple-Pivot Search，一种免训练的扩散大语言模型并行解码方法，利用中点位置的涟漪效应加速推理，实现4-10倍加速，结合KV缓存最高18倍，且保持生成质量。

QV-PIC: Query-Aware Visual Position-Independent Caching for Efficient RAG Serving 78 ​

  • Tags: 推理优化 RAG 大模型 研究

  • Source: arXiv Computation and Language | 阅读原文

[摘要]
QV-PIC 提出查询感知的视觉位置无关缓存框架，用于高效 RAG 服务，通过双分辨率图文复用提升质量并显著降低首 token 延迟，较全预填充 TTFT 降低 83.8%。

A corpus-specific clinical RAG system matches or outperforms newer frontier LLMs on HealthBench 78 ​

  • Tags: RAG 医疗AI 模型评测 大模型

  • Source: arXiv Computation and Language | 阅读原文

[摘要]
专为印度及中低收入地区构建的临床RAG系统VITA在HealthBench上以51.9%得分超越GPT-5.4等前沿大模型，但在新模型和中性裁判评测下优势收窄至持平，表明语料特异性可提升落地能力。

Mechanist: AI as a Scientific Instrument for Discovering the Mechanisms of Intelligence 78 ​

  • Tags: 智能体 AI安全 模型解读 研究发布

  • Source: arXiv Computation and Language | 阅读原文

[摘要]
介绍Mechanist智能体系统，将AI作为科学仪器自动发现模型工作机制，可生成假设并执行实验，用于解释和控制AI，提升性能与安全性。

Learning to Persuade Exposes How Easily LLMs Abandon Correct Beliefs 76 ​

  • Tags: AI安全 大模型 对抗攻击

  • Source: arXiv Computation and Language | 阅读原文

[摘要]
研究揭示大模型易被针对性说服攻击误导，强化学习训练的说服者可将单一交互说服成功率从24%提升至93%以上，并跨模型转移，GPT-4o-mini也有25%攻击成功率，凸显对抗说服鲁棒性对多智能体系统安全的重要性。

MiniMax Music 3.0 发布：新一代开源权重、生产级全能音乐模型 75 ​

  • Tags: 模型发布 开源生态 音乐生成 产品发布

  • Source: AI HOT 精选 | 阅读原文

[摘要]
MiniMax发布Music 3.0，新一代开源权重音乐生成模型，支持根据概念和歌词一次性完成整首歌的作曲、编曲与制作，最长五分钟，提升音乐创作效率。

DeepSeek Harness v0.1 开发者预览版发布 75 ​

  • Tags: 开源生态 智能体 开发者工具 公司动态

  • Source: AI HOT 精选 | 阅读原文

[摘要]
DeepSeek 发布 Harness v0.1 开发者预览版，基于 Cordis 元框架、以 MIT 许可证开源，主打“一切皆插件”的智能体框架，组件可自由组合替换，具备生态影响力。

Towards Understanding On-Policy Distillation through the Lens of Test-Time Scaling 75 ​

  • Tags: 大模型 训练方法 推理优化

  • Source: arXiv Computation and Language | 阅读原文

[摘要]
该研究通过测试时扩展视角分析在线策略蒸馏（OPD），发现OPD主要提升采样效率而非真正扩展学生模型的推理能力边界，对LLM后训练方法有重要启示。

Self-Evolving Embodied Agents via Skill-Harness Evolution 75 ​

  • Tags: 智能体 具身智能 模型发布 研究进展

  • Source: arXiv Computation and Language | 阅读原文

[摘要]
提出SHAPER框架，通过进化技能与环境回滚实现免训练具身智能体自我进化，在VLABench和ESI-Bench上验证有效性，为动态环境适配提供新路径。

ConRub-Med: Reinforcement Learning with Consensus Rubrics for Open-Ended Medical Question Answering 75 ​

  • Tags: AI研究 医疗AI 强化学习 大模型

  • Source: arXiv Computation and Language | 阅读原文

[摘要]
新研究ConRub-Med提出基于共识评分规则的强化学习方法，提升开放式医学问答表现，在多个医学基准上超越现有模型，并构建了5166条评分数据集。

HarmThoughts: A Benchmark for Fine-Grained Harmful Behavior Detection in Reasoning Traces 75 ​

  • Tags: AI安全 基准评测 推理模型

  • Source: arXiv Computation and Language | 阅读原文

[摘要]
新基准HarmThoughts用于评估推理模型在推理痕迹中逐步产生有害行为的细粒度检测，覆盖16类推理行为、5.7万句标注，揭示现有安全监控在细粒度上的不足并验证微调的可学习性。

Loop, Think, & Generalize: Implicit Reasoning in Recurrent-Depth Transformers 75 ​

  • Tags: 模型研究 推理优化 大模型

  • Source: arXiv Computation and Language | 阅读原文

[摘要]
研究循环深度Transformer在单次前向传播中组合知识进行隐式推理，发现可系统泛化，且通过增加推理时循环实现深度外推，揭示三阶段grokking过程。