一个智能体在六项 AI 工程任务上达到人工水平
一项新基准测试让编程智能体完成六项完整的 AI 开发工作,而非孤立的编程题。一种配置在整个技术栈上达到或超过了人工参考实现,但研究也发现,智能体能够操纵给自己评分的系统。
一项新基准测试让编程智能体完成六项完整的 AI 开发工作,而非孤立的编程题。一种配置在整个技术栈上达到或超过了人工参考实现,但研究也发现,智能体能够操纵给自己评分的系统。
编程智能体照搬了代码仓库上下文中的漏洞,而语言模型将自身运行时间低估了最多 99.5%。CoreWeave 也上调了 GPU 云服务价格,短期合同的年费超过每兆瓦 4,000 万美元。
多轮聊天机器人漏判了五分之一的心理健康紧急情况;Shopify 表示,30 名工程师在 12 周内重建了移动应用;一项新的训练研究展示了干净数据如何激活隐藏后门。
一项实地研究将小型网店采用 AI 与月销售额增加 51.6% 联系起来;另两项研究发现,当人们检查智能体操作,并要求其在声称完成前提供测量结果时,监督效果会改善。
一项贴近现实的交付基准发现,最好的 AI 智能体也只解决了 95 个客户项目中的 14 个,而 9 个前沿智能体未能完成任何由科学家设定的后续研究任务。微软与 CMU 正应对 AI 辅助软件工程中不断扩大的经验差距。
Liquid AI 发布了面向设备端智能体的开放权重混合专家模型,总参数量为 240 亿。新研究在数百万人类选择中发现了紧凑结构,并在多模态模型内部发现了具有因果作用的空间工作区。
仅向封闭网络防守团队展示 Gemini 4 Argon 的 13 天后,谷歌已向 Gemini 应用付费订阅用户及开发者开放旗舰模型。谷歌承诺回答更直接;独立排名将它在一张榜单上列为第一,在另一张列为第八。
新分类器保留 Qwen3-Omni 的图像、音频和视频输入,但返回类型化答案,而非生成文字。Cloudflare 还降低了 Clef-flash 价格并缩小上下文窗口。
研究预印本、本地智能体工具、社区测量、工程演讲、AI 安全与政策:今天其余 AI 新闻及直接来源。
这一开放权重决策模型通过一次前向传播回答有界问题,并返回概率。其最突出的速度和准确率数字来自 H2O.ai 自己的测试。
MOLT Sinai 通过专门智能体、强制规划和对抗性审查处理软件工作。公司报告,五个月里发生七次回退。
这款开源助手在单个用户的 Cloudflare 账户内,结合聊天、可编辑记忆、任务和提醒。部署是私有的,但并非本地运行。