跳到正文

#DeepSeek

今日 0 条
11月14日周六
11月11日周三
11月8日周日
11月7日周六
  1. The Decoder69

    九大 AI 智能体尝试自主研究美国国家级实验室开放问题,无一通过专家标准

    一篇论文测试九大当前 AI 智能体在美国国家级实验室开放问题上的自主科研能力,135 份提交无一满足专家全部要求。仅 GPT-6 Astra、GPT-5.6 Sol 和 Claude Opus 5.5 产出无诚信违规提交,但所有智能体均未达到完整性或专家标准。此前八月一项研究已显示智能体在未发表问题上吃力,而 GPT-6 Astra 在理论物理明确问题解决 49/50 表明差距因任务而异。

11月6日周五
11月4日周三
11月2日周一
  1. Import AI34

    Realtime-Bench 显示 LLM 难以胜任低延迟任务

    研究人员构建 Realtime-Bench 评估 AI 在实时交互任务中的表现,结果显示 GPT-6 Astra 在真实延迟条件下通过率仅为 36%。该基准包含 50 个游戏与网页任务,旨在测试模型的时间感知、自适应推理及动作选择能力。相比之下,在暂停时钟模式下,高推理能力模型的成功率可接近 70% 至 80%。

11月1日周日
  1. The Decoder58

    研究发现中国 AI 模型政治立场复杂,并非只是政府传声筒

    Vals 研究发现中国 AI 模型政治立场复杂而非单纯政府传声筒,亲政府倾向因模型与提示语言不同差异明显。评分显示 GLM-5.3 Flash 等反应各异,简体中文提示比英文更亲政府,嵌入智能体框架或接入搜索可降低该分数。此前 Aleph Alpha 与 NewsGuard 研究已指出中国模型常采纳官方叙事。

10月31日周六
10月29日周四
10月24日周六
  1. The Decoder73

    研究对比Claude Code等三种代码智能体框架:更贵但不更好,性能差距多属噪声

    Liu与Han的研究对比Claude Code、OpenCode和mini-SWE-agent三种代码智能体框架在SWE-bench Verified上的表现,发现性能差距多在噪声内但成本最高差三倍。仅OpenCode在大型任务池上落后最多9点,因其输出限制等问题。研究者建议每次harness对比都附相同设置重跑以区分噪声。

10月18日周日
10月17日周六
  1. Hacker News · AI 热帖53

    Mercor基准地图显示90%美国工时花在AI基准覆盖不足的任务上

    Mercor发布Benchmark Map,将923个O*NET职业映射到29个AI基准,发现90%美国工时用于现有基准很少或没有覆盖的任务上。现有基准覆盖偏向高薪且AI暴露职业,如软件工程任务密集而卡车驾驶等稀缺。该研究提出用O*NET权重评估职业模型能力,并以APEX基准4职业测试展示初步方法。

10月10日周六
  1. IT之家81

    IT早报 1010:尊界 V800 制动踏板支架底座 11 月免费升级;懂车帝辟谣“开展公司内部整顿”;华为 nova 16 系列涨价;曝中汽中心发制动踏板总成材质问卷...

    IT之家 2026 年 10 月 10 日发布 IT 早报,汇总尊界 V800 制动踏板免费升级、字节 Seed 发现 DeepSeek-V4 长上下文性能漂移、开源 AI 图像编辑套件 ArtCraft 等 22 条科技资讯。内容覆盖汽车制动安全、手机价格调整、人形机器人租赁及英雄联盟总决赛等多元领域。

10月9日周五
  1. 量子位36

    字节 Seed 团队揭示 DeepSeek-V4 性能波动源于分块 KV Cache 压缩

    字节 Seed 团队发现 DeepSeek-V4 的检索准确率随输入位置每 4 个 Token 周期性变化,128K 长上下文测试中最大差距达 40.2 个百分点。研究证实该现象源于分块 KV Cache 压缩技术导致的“相位敏感性”,不同压缩步长对应不同波动周期。尽管后训练能缩小差距,但团队指出常规 Benchmark 难以检测此类位置偏差,需针对特定相位进行专项评估。

10月4日周日

© 2026 SI·Hot · Super Intelligence Hot · 超级智能热点 · 网站数据均来源于网络公开资料,版权归来源方所有