人工智能
人工智能：大语言模型、智能体、扩散模型、计算机视觉、自然语言处理及顶级实验室最新动态。
593 published articles
虚拟活动
Anthropic宣布将于2026年6月举办“简报：人工智能用于科学”虚拟活动
Anthropic于2026年6月30日举办的虚拟活动将详细阐述Claude如何改变科学研究，参与者包括制药高管、生物技术领袖和学术机构，重点介绍AI原生研究环境和安全架构。
2026-07-01
基准深度解析
ARC-AGI-2：衡量AI系统流体智能的基准测试
ARC-AGI-2通过无法靠死记硬背解决的视觉网格谜题测试AI系统的流体智能。顶级前沿模型现得分75-85%，但70万美元的大奖尚未有人领取。本文深度解析该基准测试的设计、评分机制及当前排行榜。
2026-07-01
AI基准测试
GPT-5.4领跑2026年数学基准测试，前沿模型分数趋于饱和
GPT-5.4横扫顶级竞赛数学领域，略微领先竞争对手，但GPT-5.2 Pro各指标持平，GPT-5.3 Codex以更低成本提供几乎相同的分数。真正的差异在于模型在下一代基准测试（如FrontierMath和HMMT Feb 2026）上的表现。
2026-07-01
AI研究
Token级分析揭示混合LLM在承载含义的词汇上表现出色，但在重复标记上落后
艾伦人工智能研究所的研究人员逐Token比较了Olmo 3和Olmo Hybrid，发现混合模型在承载含义的词汇上表现出色，但在重复标记上表现不佳。该研究建议将过滤后的Token损失作为评估语言模型架构的更丰富方法。
2026-07-01
API 更新
Anthropic 提升 Claude API 速率限制，层级简化为三层
Anthropic 提高 Claude Sonnet 和 Haiku 的 API 速率限制，将使用层级简化为三个（Starter、Development、Scale），并确保任何组织不会看到更低的限制。更改是自动的。
2026-07-01
基准测试
牛津大学GauntletBench测试AI代理执行100个真实任务，它们失败了81%
牛津大学的GauntletBench对AI代理提出了100个具有挑战性的真实世界任务。前沿系统的成功率上限为19.1%，远低于人类表现。该基准测试针对五个专业应用中时间感知、图形理解和3D推理等被忽视的能力。
2026-07-01
人工智能
OpenAI的GPT-Live终于不再等着你讲完话
OpenAI的GPT-Live引入了全双工音频，使AI可以同时听和说。它能说“嗯”，在停顿期间等待，并将复杂推理任务交给后台的GPT-5.5，保持对话流畅。
2026-07-01
Anthropic 发布分析
Claude Sonnet 5 让 Opus 的价格差距更难合理化
Claude Sonnet 5 承诺以更低成本提供接近 Opus 级的推理和智能体性能。早期测试者报告称，在自主任务完成和多步骤复杂操作跟进方面有显著改善。通过 2026 年 8 月的入门定价，该模型使 Opus 的价格差距更难合理化。
2026-06-30
有效上下文、输出上限以及长窗口的隐性代价
你的AI模型说它能读取100万token，它在撒谎。这是真实的数学。
四大前沿大语言模型都宣称拥有100万+ token的上下文，但有效召回、输出限制和实际成本差异显著。DeepSeek V4 Pro 在输出上限和成本上领先，Gemini 在20万token以下表现出色，而 Claude Opus 在交互式代码审查的缓存方面胜出。本文分析了2026年4月的数据。
2026-06-30
产品发布
Claude Sonnet 5 来了，Anthropic 押注科学与企业市场
Anthropic 发布了 Claude Sonnet 5，这是一款更快、更强大的编程和智能体模型，同时为研究人员推出了 Claude Science，为团队推出了 Claude Tag。该公司还发布了一份关于人工智能指数级增长的政策框架。
2026-06-30
人工智能
DeepSeek新模型让效率竞争成为AI军备竞赛的前沿
DeepSeek发布了一款新的大型语言模型，通过将赌注押在效率而非蛮力上，加剧了与主要AI实验室的竞争。该模型旨在通过优化资源利用提供强大性能，反映了行业向成本效益型AI的广泛转变。
2026-06-30
智能体基准分析
ProgramBench：最硬核编程测试中，所有公开AI模型得分均为0%
ProgramBench要求AI智能体仅凭二进制文件重构程序，无需源代码或问题描述。所有公开模型均未能完全解决任何任务，暴露出在探测、架构和停止判断方面的弱点。该基准测试是针对编程智能体超越补丁式工作流程的压力测试。
2026-06-29