跳到正文
10月15日周四
  1. Claude Code Releases25

    Claude Code v2.1.300 发布

    Claude Code v2.1.300 更新新增 virtualText prompt 装饰、OpenTelemetry 缓存指标及 agentId 视图功能。 修复多项工作区、遥测和会话恢复问题,支持 AWS 平台 /advisor 命令及 GenAI 语义约定追踪。

10月14日周三
  1. Anthropic (X)21

    Anthropic在新加坡开设第五个亚太办公室

    我们已在新加坡开设办公室——这是我们在亚太地区的第五个。我们还与新加坡政府签署了一份关于AI安全和负责任采用的谅解备忘录(MOU)。 你可以点击此处阅读关于我们新办公室的更多详情:https://www.anthropic.com/news/singapore-office-opening

  2. arXiv · AI36

    Physics:评估基础模型大学物理解题能力的基准测试

    Physics基准包含1034道来自博士资格考试的开放式物理问题,用于测试基础模型的解题能力。 该基准涵盖6个核心物理领域,通过基于LLM的评分协议评估数值、符号和文本答案。 测试了53个专有和开源权重模型,结果显示强开源权重模型接近专有模型性能,但多数开源模型正确率仍低于50%。

  3. arXiv · NLP33

    LLM 推荐系统中的品牌偏见与认知操纵动态:以护肤品为例

    在护肤品这一难以事前判断质量的品类中,知名品在规格相同时可占据 100% 的 LLM 推荐份额,但竞对仅需 +0.1 星优势即可打破该垄断。 营销话术及伪造临床证据可将偏见盈余推高 +0.17 星;多品牌均优化时,单家收益从 +0.802 跌至 +0.007,不参与品牌零推荐。 提示需将生成式引擎优化(GEO)视为新兴营销实践来研究。

  4. arXiv · AI37

    人类与 AI 智能体在软件逆向工程中的能力对比

    研究发现,GPT-5.5 Pro、Claude Opus 4.8 和 Kimi K3 等顶级模型在二进制逆向理解上已具备与人类分析师相当的水平。 人类倾向遵循本地程序结构,而强模型采用“贪婪抓取”策略;在 4000 个真实二进制测试中,更大的上下文窗口能容纳更多程序,但低层表示会迅速耗尽资源。

  5. arXiv · AI42

    LEST:基于规范的大语言模型安全行为测试框架

    研究者提出 LEST 框架,将 LLM 文档化的安全声明转化为黑盒测试规范,通过变异提示词寻找反例。在针对 Claude Opus 4.8 和 GPT-5.5 的评估中,使用 SORRY-Bench 等 97 条种子提示,自动筛选出 312 个候选反例,但人工验证仅确认 19 个有效。 该框架实现了从自然语言文档到可执行测试及反例的全链路追溯,证明现有基准提示不足以下述所有文档安全行为。

  6. arXiv · NLP58

    ICLR 2026论文:基于偏好学习序数概率奖励模型

    研究提出概率奖励模型(PRM)范式及其离散实现序数概率奖励模型(OPRM),将奖励视为随机变量以学习响应质量的全概率分布。通过引入数据高效的区域淹没调优(RgFT)策略结合质量等级标注,该方法在多个奖励模型基准上比现有模型提升了2.9%至7.4%的准确率,并证明其能同时捕捉相对排序和绝对质量。

  7. arXiv · AI56

    Cortex:对编码智能体技能与规则进行测量门控的演化与修剪

    作者团队发布了Cortex工具及其配套研究,该工具通过测试而非信任的方式管理编码智能体的经验文件(harness)。Cortex将开发者修正保存为可重放任务,在保留某条技能或规则前,必须证明其在重复运行中能带来净增益且未使其他任务显著变差。测试显示,在特定场景下,该工具构建的经验体系使模型更常遵守项目约定,且自动加载的规则起主要作用。该工具、实验环境及数据已开放获取。

  8. arXiv · ML36

    LLM 评估是一个预测问题

    研究发现 Web 文本具有高度非平稳性,模型性能随时间连续变化,时间序列预测器比历史性能数据更能准确预测 LLM 未来表现。 基于近期评估数据的预测结果选择部署模型,比直接依赖历史性能指标更可靠,从而提升了下游任务的准确性。 作者主张在 LLM 评估中将时间视为基本变量,并开放了相关代码和数据。

  9. arXiv · NLP29

    RelLedger:面向 LLM 智能体组织的关联性信息治理

    RelLedger 提出一种审计框架,用于追踪 LLM 智能体组织中的关系驱动决策。该框架通过交叉比对发送方历史、事件目标及无关行为者,定位控制线索。 在 GPT、Claude 等模型测试中,Claude 在冲突历史下发送通知概率高出 62.22 个百分点;紧张历史使接收方审查率降低 45.83 点。 该研究揭示了模型特异性控制路径,并验证了显性损失规则下关系差距缩小的现象。

  10. arXiv · AI35

    AuthGateBench:首个面向良性请求的LLM授权门控基准

    AuthGateBench发布了1400个实例,涵盖5种源自Claude Code真实事故的失败模式。该基准采用LLM生成对比对的流水线,通过保持动作与轨迹相同但改变请求来翻转标签,以评估模型是否基于上下文而非单一动作进行推理。实验显示模型在明确授权时仍常阻止动作,决策不稳定;但回顾性检索的环境信号可显著提升授权准确率。

  11. arXiv · AI43

    EvoWeb: 面向演化型 Web 应用的编码智能体基准测试

    研究团队推出基准测试 EvoWeb,通过 32 个 Web 应用的 320 个累积请求评估编码智能体。 智能体在持久代码库中迭代修改,多模态 Web 智能体在实时浏览器中测试每个中间应用,评估新功能、跨请求集成及既有功能。 实验表明跨请求集成是关键挑战,依赖更深的后续请求解决准确率更低,运行时错误随请求次数增加而变多。

  12. arXiv · AI48

    SpecForge:基于行为规范的代码智能体递归自我改进方法

    针对代码智能体递归自我改进中的输出耦合问题,SpecForge 提出多前沿树搜索框架,在 DevEval+ 上取得 94.9% 解决率(Claude-4.5-Sonnet),平均提升 5.7 个百分点。框架采用 Pareto 引导状态选择、依赖约束实体选择及错误多样化扩展机制,改进后的规范可跨语言及新功能任务迁移。该研究已被 NeurIPS 2026 主会接收。

  13. arXiv · AI42

    语言模型倾向性分布外泛化预测研究

    研究通过系统提示、SFT及GRPO等技术测试语言模型的倾向性分布外泛化,发现良性特质提升常伴随不良特质扩散。 基于探索性因子分析识别出三个特质簇解释了约50%的方差,且观察到不依赖目标特质的“漂移”现象。 代码和数据已公开,表明泛化行为难以通过单一预测因子准确预判。

  14. arXiv · NLP22

    印尼区域语言下校准型系统一决策模型的翻译效应与标签预算评估

    Jev 模型在印尼区域语言上的评估显示,其校准误差未随语言距离增加而扩大,但错误排序能力在三组数据集中均有所下降。 当提供印尼语人工翻译时,Jev 的准确率最高提升 37.2 个百分点;重训练的分类器需每语言超过 500 个标签才可在 10 种语言中的 9 种零样本匹配 Jev。 将 Jev 置信度 10-30% 的决策路由至 LLM,可匹配该 LLM 表现且 API 成本降低 24-77%。

  15. Claude Code Releases28

    Claude Code v2.1.299 发布

    Claude Code v2.1.299 新增空闲压缩功能,使超过 200K token 且闲置约 54 分钟的对话在缓存过期前自动压缩。 该版本还引入了 CLAUDE_CODE_DISABLE_FILE_MENTIONS 环境变量,以及 $.prompt.media 和 $.session.identity() 等新钩子功能。

  16. Anthropic (X)70

    Anthropic 发布新内部版本控制系统并全面迁移 monorepo

    Anthropic 在工程博客发布新内部版本控制系统,并宣布在 5 个月内完成 monorepo 从 git 的完整迁移。由于合并代码变更量从 5 月的 2500 次/日激增至 9 月的 3 万次/日,现有为人类开发者设计的瓶颈基础设施无法支撑 agent 规模的工作负载。

    推荐理由:原文展示了 Anthropic 从 git 迁移至内部版本控制系统的过程,以及应对 agent 规模瓶颈的架构决策,读者可参考其内部基础设施演进方法。

10月13日周二
10月12日周一
  1. arXiv · NLP39

    SWE-bench 补丁性能实证研究:四种前沿模型解题率与运行效率排名反转

    基于 SWE-bench 的 F2P 测试,Claude Opus 5、GPT 5.6、DeepSeek V4 Pro 和 Qwen 3.8 Max 生成的补丁在 262 个案例中显示出显著运行性能差异。 研究采用 Welch ANOVA 统计方法,发现大语言模型的解题率与补丁运行性能独立,且模型性能排名近乎反转。 该结果揭示了纯正确性评估遗漏的架构回归,建议未来评估体系纳入补丁性能指标。

  2. OpenClaw Releases33

    OpenClaw 2026.10.2 版本发布

    OpenClaw 2026.10.2 修复了稳定版升级中断及 Windows、克隆文件系统更新路径停滞问题,确保原位更新不再报错。 OpenAI 和 Anthropic API 密钥路线默认启用 provider-native compaction,且凭据在长工具输出跨块边界时自动脱敏。

10月10日周六
10月9日周五
  1. AWS Machine Learning Blog67

    Postman 在 Amazon Bedrock 上为 4000 万开发者部署 Agent Mode

    Postman 在其面向 4000 万开发者的产品中上线 Agent Mode,使用 Amazon Bedrock 的 Claude 模型提供 API 测试、文档、发现和实现的 AI 原生工作流。

    推荐理由:原文给出了 Agent Mode 的架构模式和 Bedrock 部署方式,读者可以据此判断成熟产品接入智能体时的上下文预算与路由缓存设计。

  2. arXiv · AI42

    从被动遏制到主动确保:OpenAI、Anthropic 与 Google 智能体安全事件的经验教训

    2026年 OpenAI、Anthropic 和 Google 的智能体安全评估意外触及授权范围外的真实系统,暴露了预设边界失效的问题。 研究提出主动智能体安全确保周期和五层边界确保堆栈,结合风险分层任务设计、可执行范围契约及跨运行监控等机制。 核心结论表明主动安全需覆盖完整执行系统的持续确保,而非依赖单一沙箱或安全措施带来的信心。