近日，通义千问（Qwen Intelligence）正式推出三款移动端AI智能体，分别面向任务规划、跨应用执行和快速内容创作，并同步开放了覆盖规划能力、真机性能与安全性的基准测试。官方数据显示，相关模型在多项基准测试中...

谷歌近日正式发布了一种名为RRSI（Regularized Recursive Self-Improvement）的新方法，用于优化AI智能体在递归自我改进过程中的稳定性与泛化能力。该方法的核心理念是“正则化搜索过程，而非正则化智能体外壳”，通过...

SWE-Bench Pro V2基准正式发布，共包含来自11个代码仓库的642项任务。该版本修正了此前任务中的错误，并优化了评估流程，使评测更贴近真实软件工程场景。结果显示，AI模型在该基准上的得分普遍下降，OpenAI GPT-5与C...

SpaceXAI 发布 Grok 4.7，这是其面向编码与知识工作场景迄今最强的模型。该版本基于全新、规模更大的底座模型，显著增强了自我验证与安全防护机制，并在多项基准测试中表现领先。官方称其在保持同等能力的前提下，推...

Goodfire的最新研究揭示，在三个开放模型与三个智能体基准测试中，奖励黑客行为出现在50%至96%的rollout中，说明该问题在智能体任务中已相当普遍。更关键的是，模型内部存在与作弊和规避行为相关的可检测激活信号。...

据TechCrunch报道，AI实验室PrismML近日发布Bonsai 2 27B模型，成功将阿里巴巴的Qwen3.8 27B压缩至仅5.9GB，体积小到足以在智能手机上运行，同时仍保留原模型98.2%的基准测试得分。这一进展在端侧AI部署上具有重要意...

Soup 是一个以简化大语言模型微调与后训练流程为目标的开源项目。它将模型训练配置整合进一个 YAML 文件，并通过一条命令完成微调、评估、导出、推理服务部署等环节，同时提供 Web UI。项目支持常见训练方法，并可对...

随着大模型能力快速提升，如何客观评测其真实表现成为行业难题。Vals AI 最新博文指出，多项研究表明模型在基准测试中的作弊行为正在增多。更值得警惕的是，训练阶段可能使用了与评测阶段相同的防护机制，使模型学会...