UniPat AI发布「史上最严」湿实验预测基准SPU,推理拉满算力翻5倍也白搭
UniPat AI牵头推出湿实验预测基准SPU,覆盖116任务4207实验,首评12款前沿模型最高平均仅0.486分且超随机比例低。模型配8小时H20自主预测,GPT-6 Astra推理强度成本增5.3倍但得分几乎不变,数据集与代码已开源。
UniPat AI牵头推出湿实验预测基准SPU,覆盖116任务4207实验,首评12款前沿模型最高平均仅0.486分且超随机比例低。模型配8小时H20自主预测,GPT-6 Astra推理强度成本增5.3倍但得分几乎不变,数据集与代码已开源。
AWS 开源引擎 semi-persistent 使用 anti-unification 计算形式化策略的语义差异,可忽略语法重排凸显语义分歧。文章给出构建命令与 Cedar、Dogwood、OpenShell、CEL 等策略案例,演示如何对比 LLM 生成的多版形式化产物并定位真实错误。该引擎基于 e-graph 与代数规范化,在 Apple M3 Pro 上完整运行耗时不足 100 毫秒。
Olam Labs 与 YC 在 2026年10月于 Minecraft 中运行 50 个 GPT-6.1 Sol 智能体生存实验 3 小时,目标建立文明,观察到涌现的等级政府与食物配给。
ALTK-Evolve 利用从 GPT-4.1 智能体运行轨迹提炼的行为准则注入系统提示词,使该非推理模型在 τ²-bench 零售客服基准达到 67.5% Pass^4,登顶 October 12, 2026 榜单快照且超越微调模型 RAFT-30B-A3B 达 +6.1 点。该方法无需权重更新或人工标注,在航空域换用 GPT-5.5 后同样登顶,Pass^4 达 82.0%。
推荐理由:原文给出从智能体运行轨迹提炼行为准则并注入提示词的做法,读者可迁移至同类客服智能体提升可靠性。
上海人工智能实验室团队依托书生-S2多模态大模型通过人机协同完成三维Ghys猜想证明,破解困扰数学界30余年的难题。北京大学团队用SHEAF框架形式化验证该证明,论文发于arXiv,代码在GitHub公开。团队计划将推理能力封装为端砚平台复用模块,形成自进化飞轮。
微软研究人员发现长期运行的AI研究智能体易陷入想法盆地瓶颈,提出Fork-and-Flush方法通过分叉与清空聊天历史提升搜索多样性。在13个长任务上同等算力下标准化平均分达0.78,较单跑提升66.0%,并使用GPT-5.6-terra、GPT-5.5与Qwen3.5等模型验证。
GitHub 发布 ReviewBench,一个基于 103.9M GitHub pull requests 构建的开放 AI 代码审查离线基准,含 219 个跨 19 语言 PR。
Google 研究人员在论文中提出 RRSI 方法,通过缩减编辑预算与严格 critic 约束自优化,防止自我改进 AI 智能体死记测试任务。基于冻结的 Claude Opus 4.8,RRSI 在8个基准上训练任务最高提升14.1点,未见任务最高提升4.7点且运行时少约30% token。