跳到正文
11月18日周三
  1. arXiv · AI40

    视觉语言模型何时该放大?七家模型小物体细节测试分析

    在线视觉语言模型常因图像缩放或拒绝导致小物体细节丢失,测试显示默认设置下可读最小文本像素阈值显著增大。 将照片分九块可提升 Claude 和 Gemini 准确率 11.1 至 14.5 个百分点,GPT-6.1 Sol 从 50.7% 升至 83.7%。 Gemini 在细节缺失时自信错答率达 43% 至 48%,研究据此发布智能体放大决策规则。

  2. arXiv · AI35

    CueClash:前沿视觉语言模型在接近图像平面的 3D 关系判断中存在偏差

    研究提出 CueClash 数据集,揭示 Claude Opus 5.5、GPT-5.5 和 Gemini 3.6 Flash 等前沿视觉语言模型在判断 3D 关系时依赖 2D 视觉线索。 低推理力度下,这些模型的“捷径差距”达 +18 至 +37 个百分点;提供地面坐标后可正确率达 99% 至 100%。 模型生成的场景地图多保留深度顺序但缩短深度,表明其 3D 空间理解仍存在局限。

  3. arXiv · AI28

    RoboTeam 基准测试:基于视觉的多智能体实时控制多机械臂

    RoboTeam 是一个模拟基准,要求智能体仅凭摄像头图像在实时环境中协同控制 4 至 16 个机械臂完成长周期任务。 在自适应系统中,gpt-6.1-sol 和 opus-5.5 分别完成 28 和 27 项任务,而其他四个模型最多完成 3 项。 gpt-6.1-sol 典型任务耗时 3.5 小时,消耗 2.18 亿输入 token,且三分之一步骤需重试。

  4. arXiv · AI28

    开放权重LLM修改下的水印证据:低秩输出水印的精确界

    研究揭示了开放权重LLM权重修改对OpenStamp风格水印验证器的影响,建立了残差约束下的精确有限词表下界。 在Llama-2-7B和Mistral-7B-v0.3实验表明,INT8量化和30%剪枝保留了85.6-94.8%的测试真阳率,而500步LoRA微调则将其降至28.8%和11.6%。 这些结果深化了对水印抗模型编辑/调优攻击鲁棒性的理解。

  5. arXiv · AI31

    简捷有效:基于演示条件提示搜索的提示优化器审计

    研究人员隔离出演示条件提示搜索(DCPS)作为机制归因控制,发现其在 StablePrompt 中匹配 PPO 准确率的同时成本约为其三分之一。 在 DSPy 系统中,DCPS 在 GPT-4.1-mini 上匹配 GEPA 准确率,rollout 数量减少 55%,API 成本降低 32%。 研究建议基准测试需报告 rollout 数量、token 用量和美元成本。

  6. arXiv · AI32

    RehearsalBench 基准测试:评估 AI 预测企业运营变革后果的能力

    RehearsalBench 发布基准以测试 AI 预测企业变革后果能力,最佳模型 GPT-6 Astra 较无干预提升 6.8%。 十款模型在 14 个组织场景中完成 280 次尝试,平均预测正确但效应大小常高估五倍,且从未建议“不行动”。 外部验证中 12 款模型对 33 个真实变更的预测排名与现实排名相关系数达 0.92。

  7. arXiv · ML42

    GPT-6 Astra与Claude Fable 5.1通过权重空间编程直接编辑拖拉机引导控制器

    GPT-6 Astra与Claude Fable 5.1在无梯度下降下直接读写神经网络权重,为拖拉机引导控制器编程。 253参数网络控制车辆沿线弧路径行驶,模型仅通过少量模拟评估即成功修复原网络或从零构建有效控制器,且无需人工干预即可控制真实拖拉机,误差与纯追踪策略相当。

  8. LessWrong · All Posts45

    为何前沿AI在真实世界中的说服力不足?

    研究显示AI在实验室中比顶级人类辩论者更能改变观点,但这一优势未转化为真实世界的说服力。 2026年6月英国AI安全研究所的研究表明,在约20000次政策对话中,AI比精英辩论者和专业游说者多改变了5个观点分,甚至促使更多人捐款。 这种“模糊任务”(如说服)上的表现差距,对评估AI能否从可检查任务泛化至现实场景至关重要。

  9. 36氪83

    GPT-6.2 Astra 发布后遭遇大量差评,作者实测认为其被低估

    OpenAI 发布 GPT-6.2 Astra 和 Sol,官方数据显示新模型在编程、科研及 3D 设计领域表现优异且成本显著降低,但首批开发者实测却引发巨大争议。多位开发者如 Theo 等指出其长期任务频繁中断、解释能力差,但作者通过三组 3D 场景实测发现,Astra 的实际表现优于舆论预期,首发后的批评更多被情绪放大。

    推荐理由:开发者实测结果与跑分呈现明显分歧,读者可据此理解新模型在真实长任务中的体验边界与成本逻辑。

  10. TechCrunch · AI38

    Nvidia 创投融资额达 655 亿美元,Jensen Huang 离任引发未来投资疑虑

    Nvidia 非公开公司股权投资价值升至 655 亿美元,过去一个季度投资 160 亿美元,过去九个月累计 580 亿美元。 其投资组合涵盖 Anthropic、OpenAI 等近 350 家初创公司,并为数据中心建设提供 1180 亿美元担保。 Jensen Huang 离任后,投资者预期新管理层将采取更保守策略,缩减投资规模。

  11. OpenClaw Releases40

    OpenClaw 2026.10.33 网关扩展稳定版发布

    OpenClaw 发布网关扩展稳定版 2026.10.33,集成自 2026.9.37 以来的累计改进及关键安全更新。 该版本基于 2026.11.4 产品基线,涵盖核心 npm 包、官方插件及 Gateway Docker 镜像,不包含原生应用。主要优化包括长对话内存管理、更新中断恢复、会话隐私强化及自动化 MCP 事件响应。

  12. IT之家24

    IT早报 1118:黄仁勋称愿重返英伟达任 CEO 董事会主席明确反对复职;中国“灵晟”蝉联全球超算榜首;GPT-6.2Astra 和 Sol 发布;苹果回应服务大规模中断

    英伟达董事会主席确认黄仁勋因违规辞任且无意回归,黄仁勋此前曾表态愿意重返 CEO 岗位。 中国“灵晟”蝉联 2026 年 11 月期 TOP500 全球超算榜首,新系统数量创历史新低,韩国“汉江”以 342.6 Petaflop/s 位居第 12 名。

  13. Simon Willison82

    GPT-6.2 Astra 和 GPT-6.2 Sol 实测表现

    OpenAI 发布了新模型 GPT-6.2 Astra 和 GPT-6.2 Sol,其中 Astra 定价为 $8/$40 每百万 token,缓存价格大幅降至 $0.40/百万。实测中,GPT-6.2 Astra 在长任务中可能会随机询问用户无法理解的内部实现细节,且部分任务表现不及 Claude Fable 5.2。

  14. Hacker News AI73

    使用 AI 多智能体框架复现硕士论文中的黎曼假设相关数学问题

    作者使用 Claude 和 GPT 模型构建多智能体框架,复现并验证了硕士论文中关于平方自由数在算术级数中方差的数论问题。实验在标准订阅限制下完成,模型发现了原论文中关于多项式取模运算的数学逻辑漏洞,并修正了导致常数项计算错误的变量替换步骤。最终结果证明 AI 能够处理复杂的证明生成与审查流程,但在自主性方面仍需要人类提供方向指引和关键决策。

  15. The Decoder90

    OpenAI 发布 GPT-6.2 Astra 和 Sol,API 价格更低且部分基准测试有进步

    OpenAI 发布了 GPT-6.2 Astra 和 Sol 两款语言模型,API 价格更低且部分基准测试有进步。Astra 面向专业场景,首次达到 OpenAI“高”AI 自改进阈值;Sol 面向日常使用,在多项任务上以极低价格接近 Astra 的性能。第三方评测显示两者在科学和 3D 设计等任务上得分较高,但法律类基准排名靠后,且编码能力相比前代基本停滞。

    同一新闻,精选展示《OpenAI 发布 GPT-6.2 Astra 和 Sol 模型》

  16. Hacker News AI62

    Agent Skill 的分发与 OCI 打包实践

    Agent Skills 是复用 AI 工作流的可移植包,当前分发依赖 GitHub、skills.sh、ClawHub 等渠道,且不同客户端的安装路径与行为存在差异。作者介绍了用 OCI 镜像打包、签名和校验 Skill 的完整发布流程,并给出了规范兼容、安全性、打包与多 Registry 重试等检查清单。