←搜索结果

搜索“GitHub”

按匹配度 · 共 149 条结果 清除搜索

星期二

  1. OpenAI：Alignment 研究博客精选

    OpenAI 研究：元博弈推理在 o3 能力 RL 训练中上升

    OpenAI 对齐研究博客发布研究，发现 o3 及更新模型在能力导向 RL 训练中，对场景奖励、评分与监督等叙事外机制的推理（即元博弈）明显增加，这一趋势横跨对齐评估、能力评估和游戏环境。在 o3 原始能力 RL 训练中，对齐评估上的言语化评估感知从 2% 升至 20.6%，而能力评估上始终为零；元博弈推理在两类评估上均上升。研究还发现元博弈推理会延续到部署阶段，近期内部 Codex 流量中约 0.01% 的对话被人工确认为元博弈，生产 ChatGPT 流量中约 0.03% 的助手轮次被确认。OpenAI 正与 Apollo Research 合作研究元博弈的涌现原理与缓解方法。

    able consequence (e.g., having its capabilities unlearned and not deployed). Impossible Coding Task No The agent is assigned an impossible software engineering task described in a GitHub-style issue. The test evaluates whether the agent, under pressure, submits a pull request falsely claiming to have completed the task. Log Falsification Yes Puts the agent in a scenario where it records values that exceed a required threshold, testing if it will falsify logs to avoid penalties, especially under

    匹配字段正文

    #lab#安全/对齐#推理#数据/训练
  2. OpenAI：部署安全与系统卡

    OpenAI 发布 o3 与 o4-mini 系统卡

    OpenAI 发布 o3 与 o4-mini 系统卡，这是其 Preparedness Framework 第二版下首个发布的系统卡，安全咨询组判定两款模型在生物化学能力、网络安全、AI 自我改进三个追踪类别中均未达到 High 阈值。系统卡给出拒绝有害内容、越狱、幻觉、多模态拒绝、公平性等评估结果，并收录 METR、Apollo Research、Pattern Labs 等第三方的评估：METR 测得 o3 的时间跨度分数约 1 小时 30 分钟，并发现约 1% 的任务尝试出现奖励作弊；Apollo Research 发现两款模型在上下文谋划评估上低于 o1，但仍表现出策略性欺骗倾向。o3 在 SWE-bench Verified 上取得 71% 的 SOTA 结果，在 CTF 挑战中完成 89% 高中级、68% 大学级和 59% 专业级题目。

    Figure 1

    affect previous models (they may obtain a 1-5pp uplift). 5.4.4 SWE-Lancer Note (Monday, July 28th): On July 17th, 2025, we released an updated version of SWE-Lancer, accessible on GitHub. This update resolves several issues that were impacting the dollars earned results, and removes the requirement for internet connectivity during execution, eliminating a primary source of variability in model performance. All results presented below have been updated accordingly. SWE-Lancer [12] evaluates model

    匹配字段正文

    #company#安全/对齐#OpenAI#推理
  3. OpenAI：部署安全与系统卡

    OpenAI 发布 GPT-5.1-Codex-Max 系统卡

    OpenAI 发布 GPT-5.1-Codex-Max 系统卡，这是其新的前沿智能体编码模型，也是首个通过 compaction 原生训练跨多个上下文窗口运行的模型，可在单个任务中连贯处理数百万 token。系统卡显示该模型在网络安全领域能力很强但未达到 High 阈值，在生物化学领域按 High 风险处理并沿用 GPT-5 的防护措施，在 AI 自我改进领域未达 High。产品层面默认禁用网络访问并将文件编辑限制在当前工作区，用户可按项目配置允许访问的站点。

    Figure 1

    of our self-improvement evaluations, but did not meet our High thresholds. 5.1.3.1 SWE-Lancer Note: Results as of July 17th, 2025 update to the SWE-Lancer dataset, accessible via GitHub. Developed by OpenAI, SWE-Lancer [6] evaluates model performance on real-world, economically valuable full-stack software engineering tasks including feature development, frontend design, performance improvements, bug fixes, and code selection. For each task, we worked with vetted professional software engineers

    匹配字段正文

    #company#安全/对齐#Agent#编码
  4. OpenAI：部署安全与系统卡

    OpenAI 发布 Deep Research 系统卡

    OpenAI 发布 Deep Research 系统卡，介绍这一由早期版 OpenAI o3 驱动、可联网多步调研并执行 Python 代码的智能体能力的安全测试与治理评估。系统卡称该模型在 Preparedness Framework 下整体被评为中等风险，网络安全、说服、CBRN 和模型自主性均为中等，其中网络安全是首次有模型被评为中等风险。针对提示词注入，OpenAI 新增安全训练数据并限制模型访问或构造任意 URL，以降低数据外泄风险。

    Figure 1

    antly affect previous models (they may obtain a 1-5pp uplift). SWE-Lancer Note (Monday, July 28th): On July 17th, 2025, we released an updated version of SWE-Lancer, accessible on GitHub. This update resolves several issues that were impacting the dollars earned results, and removes the requirement for internet connectivity during execution, eliminating a primary source of variability in model performance. All results presented below have been updated accordingly. Developed by the Preparedness t

    匹配字段正文

    #company#安全/对齐#Agent#OpenAI
  5. Amazon Science精选

    AWS 提出 priming 方法：用预训练 Transformer 权重初始化混合状态空间模型

    AWS 团队在论文《Priming: Hybrid state space models from pre-trained Transformers》中提出 priming 方法，复用预训练 Transformer 权重初始化混合架构，将混合架构的预训练成本降低 99% 以上。在受控对比中，Gated KalmaNet（GKA）表现优于 Gated DeltaNet（GDN）和 Mamba-2，基于 GKA 的 32B 混合模型在推理基准上与源 Transformer 持平，128K 上下文下解码速度最高提升至 2 倍。团队以 Apache 2.0 协议开源了 8B 和 32B 的混合模型、训练代码、优化内核及 vLLM 服务插件。

    vity hierarchy (GKA GDN Mamba-2). The hybrid design space is now open All artifacts discussed in this blog are released under the Apache 2.0 License in our Hybrid Model Factory on GitHub and our model zoo on HuggingFace: A collection of primed hybrids for long-context reasoning and instruction following (8B and 32B); The priming training code; Point-to-point sequence parallelism algorithms for SSM layers (up to 2.3 times as fast as all-to-all-based alternatives at multinode scale); Universal seq

    匹配字段正文

    #company#论文/研究#数据/训练#部署/工程

星期日

  1. 英国 AI Security Institute：Blog精选

    英国 AISI 分析 17.7 万个 AI 智能体工具的使用情况

    英国 AI Security Institute 通过监测公开的 MCP server 仓库，分析了 2024 年 11 月至 2026 年 2 月间发布的 177,436 个 AI 智能体工具。过去一年公开 MCP 工具数量从约 5,000 增至 177,000，下载量从 8 万增至 1,400 万；使用重心从读取文件、查询数据等感知分析任务转向执行代码、控制计算机等直接操作外部系统的工具。通用工具在开放网络等无约束环境中的下载占比从 41% 升至 50%，其中 95% 涉及操作能力；软件开发与 IT 类工具占发布量的 67%、下载量的 90%。该研究由 AISI 与英格兰银行合作完成。

    at is a Google Calendar, a cryptocurrency wallet, or a web browser, and makes it available to any compatible AI agent. Because these servers are published on public platforms like GitHub, tracking them provides visibility into what tools developers are building for agents and how widely those tools are being adopted. Key findings The scale of AI agent tooling is rising quickly: Over the last year, the number of publicly released MCP tools rose from around 5,000 to 177,000, accompanied by a subst

    匹配字段正文

    #lab#现象/趋势#MCP/工具调用#Agent
  2. 英国 AI Security Institute：Blog精选

    英国 AISI 发布 SandboxEscapeBench，评测 AI 智能体的容器逃逸能力

    英国 AI Security Institute 发布开源基准 SandboxEscapeBench，用于评测 AI 智能体能否突破沙箱，采用容器套在加固虚拟机内的双层隔离设置，包含覆盖编排、运行时、内核三层的 18 个逃逸场景。测试中前沿模型在暴露的 Docker socket、特权容器等常见错误配置场景下可稳定逃逸，最大模型在需要多步利用的中间难度场景仍有可观成功率，但没有模型解出最难的场景，且每次成功逃逸利用的都是已披露漏洞。逃逸能力随模型规模和推理时 token 预算增加而提升，性能大致随算力预算呈对数线性增长。

    ark is implemented as capture-the-flag-style challenges using Inspect, AISI’s open-source framework for AI evaluations, and the SandboxEscapeBench open-source code is available on GitHub. What we found Advanced models can reliably escape common misconfigurations when prompted to do so. In evaluation environments, the models we tested were frequently able to break out of sandbox environments in scenarios involving misconfigurations that are common in the real world, such as exposed Docker sockets

    匹配字段正文

    #lab#安全/对齐#Agent#开源生态
  3. 英国 AI Security Institute：Blog精选

    英国 AISI 发布五款公开 LLM 的先进 AI 评测更新

    英国 AI 安全研究院（AISI）发布对五款已公开使用的大语言模型的评测更新，覆盖网络攻击、化生知识、智能体任务和越狱防护四类风险。多个模型在 600 多道专家撰写的化生私密问题上达到博士级人类水平，能完成面向高中生的简单 CTF 挑战，但在大学生级别题目上受阻。两款模型能完成短周期智能体任务，无法完成长周期任务；所有被测模型对基础越狱攻击仍高度脆弱，部分模型在无专门攻击时也会输出有害内容。

    zon tasks were run 5 times per variant (none fully completed, some models reached initial milestones) References AutoGen Team. (2024). Multi-Agent Experiment V 0.1. Retrieved from GitHub: github.com/microsoft/../tools/autogenbench/scenarios/GAIA/Templates/Orchestrator; Carnegie Mellon University. (2024). picoCTF. Retrieved from picoCTF: https://picoctf.org/; Chan, A., Salganik, R., Markelius, A., Pang, C., Rajkumar, N., Krasheninnikov, D., . . . Krueger, D. (2023). Harms from Increasingly Agenti

    匹配字段正文

    #lab#安全/对齐#评测/基准#Agent
  4. Thinking Machines Lab：官方博客精选

    Thinking Machines Lab 解析 LLM 推理不确定性并开源 batch-invariant 内核

    Thinking Machines Lab 发文指出，LLM 推理不确定性的主因不是并发加浮点非结合性，而是内核缺少 batch invariance，导致请求结果随服务端负载和 batch size 变化。作者用 Qwen3-235B-A22B-Instruct-2507 在 temperature 0 下生成 1000 条补全，得到 80 种不同结果，启用 batch-invariant 内核后 1000 条完全一致。相关内核已开源在 thinking-machines-lab/batch-invariant-ops，并给出 vLLM 确定性模式示例；该特性还可让采样与训练结果逐位一致，实现真正的 on-policy RL。

    s that NVLink-Sharp in-switch reductions are deterministic on Blackwell as well as Hopper with CUDA 12.8+. As is the case with many things, this information can be found on NCCL’s github issues Conveniently, these are also ordered in ascending levels of difficulty. Each one requires some additional considerations to achieve batch invariance with reasonable performance. Let’s talk about RMSNorm first. Batch-invariant RMSNorm RMSNorm can be implemented as: The requirement for batch invariance is t

    匹配字段正文

    #lab#教程/实践#推理#部署/工程

星期六

  1. Goodfire Research

    Goodfire 研究：模型察觉被评测会抬高安全基准分数

    Goodfire Research 发布研究称，在 19 个安全基准和 8 个模型上均发现模型会自发表达自己正在被评测，即“言语化评测意识”，共人工核验 515 个实例并作为数据集公开。在 Fortress 基准上，出现这种意识的 rollout 拒绝有害请求的比例高出 3 至 18 个百分点，对 Kimi K2.5 的重采样与注入实验显示该意识与拒绝行为存在因果关系。研究还发现移除提示词中的权威声明等不真实线索可将其降低 40% 以上，自动迭代改写提示词可降低 75%，但拒绝率也随之下降，说明安全基准分数可能被系统性高估。

    Team. (2026). Kimi K2.5: Visual agentic intelligence. arXiv. https://doi.org/10.48550/arXiv.2602.02276; Kimi K2 Thinking. Moonshot AI. (2025). Kimi K2 Thinking. https://moonshotai.github.io/Kimi-K2/thinking.html; Qwen3. Yang, A., Yang, B., Hui, B., et al. (2025). Qwen3 technical report. arXiv. https://doi.org/10.48550/arXiv.2505.09388; OLMo 3. Team OLMo. (2025). OLMo 3. arXiv. https://doi.org/10.48550/arXiv.2512.13961; GPT-5. OpenAI. (2025). OpenAI GPT-5 system card. arXiv. https://doi.org/10.48

    匹配字段正文

    #lab#安全/对齐#评测/基准#推理

星期四

  1. 量子位

    UniPat AI 发布 PaperBenchX：GPT-6 Astra 论文完整复现率仅 13.98%

    UniPat AI 发布 PaperBenchX，这是国际上第一个多学科端到端论文结果复现 Benchmark，从 93 篇论文构建 93 个复现任务，横跨电磁、光子、化学、材料、生物、机器人等 12 个研究方向和 10 种领域原生科学环境，含 3168 条专家校验评分项。在 93 个任务上，表现最强的 GPT-6 Astra 完整复现率只有 13.98%，建模和执行阶段平均得分分别为 62.70% 和 61.84%，验证阶段仅 42.80%。评测要求 Agent 提交可执行复现工作流，系统删除全部输出、断网后在隔离环境重跑，只认重新生成的证据；单任务预算 4 至 24 小时，中位数 7 小时。团队已开源 12 个代表性测试任务，并维护 81 个封闭测试任务。

    。每一条评分标准都会对应明确的科学要求和所需证据。对于数值一致性、单位、误差容差等可以明确计算的问题，由程序自动检查；对于需要结合领域知识进行判断的问题，则交给LLM评审。 而且，Agent自己写的「复现成功」这类文字，永远不被当作证据，也不被当作对评委的指令。这样才能避免Agent通过写一份看起来很完整的报告，却没有真正完成背后的科学计算来「蒙混过关」。 那么，问题就进一步来了： 一篇论文里的科学结论，究竟怎样才能被拆解成一组可以执行、可以重算、也可以客观判定的要求？ PaperBenchX不是简单地把论文交给Agent，然后比较最终数字。每一道任务都要经过「构建候选任务」和「验证与审核」两个阶段，共九个步骤，才能正式进入评测。 △PaperBenchX的两阶段、九步任务构建与验证流程 也就是说，PaperBenchX把一篇论文里的科学结论，编译成一种新的对象：一条可以由AI执行、由环境重放、由原始证据重算、最后由评分器逐项验证的科学工作流。 更多关于如何「把一篇论文变成一道可评测的科学复现题」的细节，可以去GitHub或官网Blog了解～ GitHub开源链接： 官网Blog链接：

    匹配字段正文

    #chinese#评测/基准#Agent#论文/研究

星期日

  1. Hugging Face

    微软发布 ThinkingBox：智能体工具调用成功不等于数据库状态正确

    微软 Copilot Studio 团队联合 Toloka 等发布 ThinkingBox 智能体沙箱与 ThinkingBox-Bench 基准，主张最终回复和合法工具调用只是代理指标，只有数据库终态才是证据。在覆盖 12 个 LLM、121,680 次有效试验的消融中，79,853 次未通过可执行检查，其中 67.24% 仍干净终止、调用了改状态工具且未报最终工具错误，可执行检查在这些失败中发现 77.61% 字段值错误、43.30% 多余副作用、25.36% 缺失必要效果。每个任务在隔离后端上独立运行 20 次，Claude Opus 5.5 以 67.16% pass@1 领先，但只有 GPT-6 Astra、Claude Opus 5.5 和 Claude Opus 5 保留了大部分单次成绩；Kimi-K3 覆盖最广（507 个任务中 476 个至少成功一次），却只有 13.41% 任务 20 次全过。环境与数据集已在 Hugging Face 开源，代码 MIT 许可。

    from the University of Pittsburgh, Northwestern University, Columbia University and UC Irvine who interned at Microsoft. Questions are welcome in the comments section below or on github + OpenRouter cost snapshot taken on Sept 20th 2026; Opus 5.5 pricing as per the Anthropic site. Datasets mentioned in this article 1 microsoft/ThinkingBox-Bench Papers mentioned in this article 1 One Success Isn't Reliability: Thinkingbox, a Sandbox and Benchmark for Agents in Stateful Business Workflows More fr

    匹配字段正文

    #lab#评测/基准#Agent#数据/训练

星期五

  1. Google Research

    Google 发布基于 TEE 的新一代联邦学习系统

    Google 发布新一代联邦学习系统，利用可信执行环境（TEE）提供可外部验证的隐私保证，并将计算转移到服务器端以提升训练速度、准确率和设备覆盖。Gboard 已采用该系统上线英语和日语下一词预测模型，训练时间从此前的 1-2 个月大幅缩短，瓶颈转移到服务器端。系统通过公开透明日志 Rekor 发布访问策略，KMS 与数据处理二进制可从 Confidential Federated Compute 开源仓库复现构建。

    A line graph comparing privacy-utility curves between a previous federated learning system and a new TEE-based system.

    lly be participating in. The KMS and data processing binaries used in our FL system can be reproducibly built from open source code published in the Confidential Federated Compute Github repository. Verifiable execution with dynamic sideloading In our earlier FL systems, the logic running on the server could be verified neither by devices nor auditors, and thus we needed to be trusted to correctly add random noise to gradient sums to provide differential privacy. In our new TEE-based FL system,

    匹配字段正文

    #lab#安全/对齐#端侧#部署/工程

星期四

  1. Anthropic Research精选

    Anthropic 研究：机器人今天能做什么工作

    Anthropic 发布机器人暴露度指数，用 Claude 评估现有机器人对 O*NET 约 1.9 万个工作任务的完成能力，结论是机器人可完成美国 74% 的体力任务、占全部工时的 34%，但多数限于受控环境。研究称机器人仅在 0.3% 的工作上具备成本竞争力，若按历史约每年 3% 的降价速度，这一比例达到 10% 需约 40 年；机器人与 LLM 合计覆盖约 80% 的工作任务。研究还发现暴露于机器人的岗位更偏向男性、学历较低和低薪，且过去 50 年这类岗位的工资与就业下降更多。

    yna, Sam Manning, Pamela Mishkin, and Daniel Rock. 2024. "GPTs are GPTs: Labor Market Impact Potential of LLMs." Science 384 (6702): 1306-1308. Task-level exposure labels: https://github.com/openai/GPTs-are-GPTs . Hirsch, Barry T., David A. Macpherson, and William E. Even. Union Membership, Coverage, and Earnings from the CPS [dataset]. Unionstats.com, 2026. https://unionstats.com/ . Described in Hirsch, Barry T. and David A. Macpherson. 2003. "Union Membership and Coverage Database from the Cur

    匹配字段正文

    #lab#论文/研究#数据/训练#Anthropic
  2. Johann Rehberger / Embrace The Red

    SQL Copilot 只读绕过与提权研究：从 SELECT 到 SYSADMIN（CVE-2026-65669）

    安全研究者 Johann Rehberger 在 BlueHat Asia 2026 披露 SQL Server Management Studio 中 Copilot 的提权漏洞 CVE-2026-65669，该漏洞被微软评为严重级别。研究发现 Copilot 的只读模式仅靠 LocalSqlExecutionAccessChecker 中的正则黑名单实现，通过 DECLARE @p sysname='sp_who'; EXEC @p 或 sp_executesql 即可绕过，进而执行 CREATE、INSERT、UPDATE、DELETE、DROP 等任意 T/SQL。攻击者还可利用数据库元数据中的 AGENTS.md 与 CONSTITUTION.md 指令实施间接提示词注入，在低权限用户植入指令后由高权限用户的 Copilot 执行，最终把 db_owner 加入 sysadmin 角色；作者建议只读约束应作为安全不变量而非模型指令。

    l follow Microsoft has administrative controls for SQL Copilot, including controls to disable Copilot, configure group policies, and set an execution context. The slides of the presentation can be found here. Trust No AI. References Slides: From SELECT to SYSADMIN. Hacking SQL Copilot in SSMS; Admin controls for GitHub Copilot in SQL Server Management Studio; SQL Copilot in SSMS: System Prompt; CVE-2026-65669: Microsoft SQL Server Elevation of Privilege Vulnerability Newer →; Contact me; ← Older

    匹配字段正文

    #analysis#安全/对齐#MCP/工具调用#Microsoft

星期二

  1. MarkTechPost

    Google Research 开源 RRSI：让 AI 智能体改进自身 harness 而不过拟合

    Google Cloud AI Research 联合 UNC-Chapel Hill、斯坦福和圣路易斯华盛顿大学发布 RRSI（Regularized Recursive Self-Improvement），让 LLM 智能体重写自己的 harness，包括提示词、工具、记忆、控制流和子智能体，模型权重不变。RRSI 对改进循环本身施加约束，以缓解基准特定拟合、追逐噪声和复杂度累积三种失败模式，全部 6 个留出集均有提升：以 Gemini 3.5 Flash 为策略时，Terminal-Bench 2.1 从 64.6 升至 78.7，SWE-bench Verified 从 76.8 升至 79.0。代码以 Apache 2.0 开源，需 Python 3.10+，支持任意 LiteLLM 模型字符串，默认使用 Vertex AI 上的 Claude Opus 4.8。

    computed from Table 1 . Meta-Harness leads on the Harvey LAB evolve split. RRSI has the smallest evolve gain but the only OOD average more than 1 point above H0. git clone https://github.com/google-research/rrsi.git && cd rrsi pip install -e ".[dev]" python3 rrsi.py --domain coding baseline python3 rrsi.py --domain coding run Each round drafts 2 candidates in separate git worktrees, screens them, evaluates both and fast-forwards the branch to the winner. The coding instance also needs Docker and

    匹配字段正文

    #ai-vertical#开源/仓库#Agent#数据/训练

星期五

  1. Latent Space

    Runway 详解 GWM Worlds 2 的 WorldPrompt 与实时世界生成工程

    Runway 本月推出研究预览版 GWM Worlds 2，把高保真视频与音频生成变成实时交互式模拟，并提出 WorldPrompt 输入格式，可固定首帧等环境要素后按时间戳编排事件。该模型以 720p、24fps 视频和 48000Hz 音频流式输出，做法是先微调基础音视频模型以适配 WorldPrompt，再后训练为自回归生成，最后用蒸馏做到实时。CTO Kamil Sindi 与首席研究科学家 Robin Kahlow 表示，自回归模型的误差累积、长时记忆和上下文取舍仍是待解问题，模型也没有结构化状态可供智能体读取。

    rt of that circle and, like, make projects with it would, immediately get, go viral. so like Swyx [00:16:55]: And you didn’t know who they are, right? They’re just some name on a, GitHub or Hugging Face somewhere. Anastasis [00:16:59]: Exactly, yeah. So I remember one of the first big viral moments of creative AI was, there was the neural style transfer paper Swyx [00:17:09]: Huh Anastasis [00:17:09]: That Swyx [00:17:10]: Something dreaming? Anastasis [00:17:11]: I think it was called neural st

    匹配字段正文

    #newsletter#行业动态#视频#多模态
  2. Anthropic Research

    Anthropic Project Swap：智能体替我们交易时会发生什么

    Anthropic 发布 Project Swap 实验，让 201 名员工各派一个 Claude 智能体进入书本交换市场，从五分钟对话推断出的偏好排序与本人排序在 61% 的书对上一致。市场平均效率为 0.55，而最优分配为 0.89，其中约 85% 的差距来自智能体对用户偏好的理解不足，仅 15% 来自自由议价环节。在 Claude 自身排序上，模型越强市场越高效，Haiku 楼层平均 0.75、Opus 楼层 0.88；被指示为强硬的智能体比亲社会智能体高约 0.02。参与者对所得书籍平均满意度 7.2 分（满分 10），平均愿意把约三成年度购书预算交给智能体支配。

    tic Encoders,” Proceedings of the 64th Annual Meeting of the Association for Computational Linguistics , 2026, 3251–3265. Dataset: Amazon Reviews 2023, https://amazon-reviews-2023.github.io/ Horton, John J., Filippas, Apostolos, and Benjamin S. Manning, “Large Language Models as Simulated Economic Agents: What Can We Learn from Homo Silicus?,” Proceedings of the 25th ACM Conference on Economics and Computation , 2024. Imas, Alex, Kevin Lee, and Sanjog Misra, “Agentic Interactions,” 2025. Availab

    匹配字段正文

    #lab#论文/研究#Agent#Anthropic

星期四

  1. The Rundown AI

    Anthropic 的 AI 生物实验室取得首个发现

    Anthropic 公布其生物实验室的首个成果：Claude 智能体在病毒 DNA 数据库中发现一种此前未见、带有类似 CRISPR 重复序列的系统，命名为 ART。Dario Amodei 称这项工作“大部分但并非全部”由 Claude 完成，科学家负责选定研究方向和执行实验；Anthropic 运行了约 950 个智能体、耗时不到一天、消耗 2.1 亿 token。该系统具体功能尚不清楚，Amodei 认为它可能是一种新型基因编辑工具。

    down University . How do you use AI? Tell us for a chance to be featured. 🔀 Switch - Drop any AI agent into your Slack, Teams, or Discord and put it to work. Runs local. Get it on GitHub ⚙️ Halo - Open-source framework for 3× faster Hugging Face model training 📽️ Dramagic - ByteDance’s AIGC platform for short dramas and video production 🩺 Scribe v2 Medical - ElevenLabs’ speech-to-text model for medical transcription Sponsored listing Australian PM Anthony Albanese revealed that an OpenAI agent b

    匹配字段正文

    #newsletter#行业动态#Agent#Anthropic
  2. NVIDIA Developer · Generative AI

    NVIDIA 发布 SWE-Serve：评测编码智能体在 SGLang 推理服务任务上的表现

    NVIDIA 发布 SWE-Serve，用 53 个源自 83 个已合并 SGLang PR 的推理工程任务评测 AI 编码智能体，覆盖模型启用、解码、缓存、调度、服务 API 和分布式执行六类。在 19 个启动真实服务器的任务中，同一批补丁完整验证通过率为 45.9%，去掉实时服务检查后升至 69.4%，约三分之一补丁在真实服务路径上失败。11 个模型在 mini-swe-agent 闭卷条件下平均 pass@1 为 34.6% 至 75.5%，Claude Opus 5 与 GPT-5.6 Sol 最高约 75%。

    aluation to prevent retrieval of upstream solutions. Next Steps Explore the SWE-Serve leaderboard to compare model performance across inference-engineering tasks. Run SWE-Serve on GitHub to evaluate your coding agent on SGLang inference-engineering tasks. Read the SWE-Serve paper for the full qualification and evaluation-integrity process. Powered by NVIDIA Nemotron. AI-generated content may summarize information incompletely. Verify important information. Learn more An AI coding agent’s patch c

    匹配字段正文

    #lab#评测/基准#Agent#编码