打破SWE-bench唯分数论，首个独立测量harness的基准开源了
编辑｜杨文 编程 Agent 的评测，一直是本糊涂账。 SWE-bench 如今已成事实标准，几乎每家发布新模型或新 Agent 框架，都会拿出一个 SWE-bench 分数来证明自己有多强。 但这些数字真的能直接横向比较吗？ LLM Agent 的能力，本质上是模型和 harn...
学术研究 方向最近有哪些内容值得看
今日资讯 学术研究
学术研究 方向的重要产品、公司和事件变化，会在这里更集中地出现。
如果你是按主题跟踪 AI 动态，这一页会比全站资讯流更好用。
学术研究资讯
1,671
正文图片
8,339
暂无图片
香港科技大学（广州）与IDEA研究院联手打造：让AI智能体像老医生一样越用越聪明的新框架
这项由香港科技大学（广州）、IDEA研究院与DataArcTech联合开展的研究，以预印本形式发布于2026年6月6日，论文编号为arXiv:2606.08348，感兴趣的读者可通过该编号检索完整论文。 一名经验丰富的老医生，跟刚入职的实习医生最大的区别是什么？不是脑子更聪明，也...
暂无图片
京东Joy Future Academy等多机构联手揭秘：为何AI“游览”完一圈后，会忘记它刚才看见的东西？
这项由香港大学、京东Joy Future Academy、香港中文大学、北京大学、复旦大学、清华大学、香港科技大学及密歇根大学联合开展的研究，以arXiv预印本形式于2026年6月8日公开发布，论文编号为arXiv:2606.09803。 你有没有想过，如果一个AI摄影师正在拍一...
ACL 2026收录！中科大团队针对Agent工具调用场景提出PTE指标，统一内部推理与外部工具调用成本
中科大研究团队投稿 智猩猩AI整理 工具集成推理（Tool-Integrated Reasoning, TIR）已成为大模型Agent解决复杂任务的主流范式。然而，当前TIR的评估长期以准确率为主导，效率评估则停留在工具调用次数或生成token数等粗粒度指标层面。 这类指标难以反...
Scaling Law 的真相，藏在那些“没用”的参数里｜Hao好聊趋势
腾讯前沿科技论文解读专栏，在代码与商业的交汇处，寻找AI的确定性。 文｜博阳 编辑｜徐青阳 自从Jared Kaplan 等人在 2020 年画出那条幂律曲线，Scaling Law 就成了大模型时代最重要的经验法则。参数越大，模型越强，成了定理。 但在 2024 年，百川智能发...
机器人也能“私人定制”了！给 AI 一张图，游戏角色真正走进现实｜npj Robotics
现在，用 AI 生成一张机器人图片并不难。 输入一句描述，几秒钟后，屏幕上就能出现机械蝎子、狮鹫，甚至一台从游戏里走出来的半人马机器人。 但从画出来到做出来，可以说差了十万八千里吧！ 这中间棘手的事很多。电机装在哪里？关节转动时会不会碰撞？零部件能不能承受扭矩？结构是否适合 3D...
暂无图片
剑桥大学与Mistral AI联手：当AI解题全对或全错时，如何让训练不白费？
这项由英国剑桥大学与法国AI公司Mistral AI联合开展的研究，以预印本形式于2026年6月发布在arXiv平台，编号为arXiv:2606.09380。感兴趣的读者可以通过该编号检索完整论文。 一、先从一个让人头疼的训练困境说起 教一个AI学数学，最直觉的方法就是让它反复做...
MiniMax开源428B多模态旗舰M3模型
IT时代网6月15日消息， MiniMax宣布开源其原生多模态旗舰模型MiniMax M3权重，同步发布MSA（MiniMax Sparse Attention）技术论文。M3总参数428B、激活参数23B，是首个从Step 0开始做多模态混合训练的开源模型，在Artificia...
暂无图片
AI写的代码，程序员到底怎么用？密苏里科技大学与德雷塞尔大学联合调查了三万五千条代码注释
这项由密苏里科技大学与德雷塞尔大学联合开展的研究，于2026年6月以预印本形式发布在arXiv平台，编号为arXiv:2606.06843。研究团队系统性地分析了GitHub上超过三万五千条与AI工具相关的代码注释，时间跨度从2022年12月（ChatGPT首次发布）延续至202...
2026-06-15 22:14
瞄准具身智能“最后一厘米”！清华×手亿首发EgoEMG数据集
谈及具身智能，业界习惯于聚焦大模型的规划能力和机械臂的执行精度，却往往低估了人类手部感知这一更基础、也更复杂的问题。 无论是拿起一枚硬币、拧动一颗螺丝，还是快速敲击键盘，你的手正以人类进化数百万年打磨出的方式在运作——二十七块骨骼、数十条肌腱、数百个神经末梢密切协同，在毫秒级的时...
ACL 2026 | 计算开销下降49%！腾讯混元提出生成式奖励建模框架，告别全量CoT冗余
腾讯混元投稿 智猩猩AI整理 生成式奖励模型（GRM）依托思维链（CoT）提升大模型评估能力，但现有方案存在两大痛点： （1）效率低下：对所有输入强制执行完整CoT推理，简单问题也消耗大量算力； （2）评估不准：依靠多数投票筛选推理结果，无法区分 “逻辑严谨的正确答案” 与 “瞎...
暂无图片
香港理工大学提出“光学推理”：用图片代替文字做推理，效率翻近两倍
这项由香港理工大学研究团队完成的研究，以预印本形式发布于2026年6月8日，论文编号为arXiv:2606.09585，感兴趣的读者可通过该编号查阅原始论文。 人类用语言思考已经司空见惯，但如果有一天，AI不再用文字"想问题"，而是直接用图片来推理呢？这个听起来有些奇特的想法，正...
谷歌DeepMind最新论文揭秘AI终局：从AGI到ASI，有4条路和6道关
作者：田小幺 编辑：李宝珠 转载请联系本公众号获得授权，并标明来源 AGI 未必是终点，更可能只是 AI 跨过人类平均水平之后，一个新阶段的开始。 过去十年，人工智能的发展速度不断刷新人们的预期。曾经还停留在科幻设想中的 AGI，正在成为许多大型 AI 机构面向未来十年的明确目标...
PEFT方法评测不能只看下游分：通用能力损失也该被量化
以 LoRA 为代表的参数高效微调（Parameter-Efficient Fine-Tuning，PEFT）已成为大模型适配与后训练的主流选择。相比全量微调，PEFT 仅更新少量参数，训练开销更低，也更容易在不同任务间快速部署。 然而，在 PEFT 方法的评测中，目标任务性能仍...
2026-06-15 21:13
暂无图片
大模型真的会“扔骰子”吗？不列颠哥伦比亚大学揭露AI随机性的惊人真相
这项由不列颠哥伦比亚大学（University of British Columbia）与独立研究者合作完成的研究，以预印本形式发布于2026年6月，论文编号为arXiv:2606.06622，有兴趣深入了解的读者可通过该编号查询完整论文。 **当AI被要求"随机"时，它到底做了...
南方医科大学：让AI成为医生的小助理，健康收益会更大吗？｜《自然-健康》论文
近期来自南方医科大学南方医院、香港理工大学和中山大学的研究团队在《自然-健康》发表了论文 “疾病筛查中人工智能与人类协作模式的成本效益分析” (Cost-effectiveness analysis of human–AI collaboration in disease scr...
2026-06-15 20:42
谷歌把废弃 Pixel 手机改造成数据中心，成本仅为传统方案零头
IT之家 6 月 15 日消息，美国加州大学圣地亚哥分校（UCSD）的研究人员与谷歌合作，将老旧的 Pixel 智能手机回收再利用，改造成低成本的数据中心。谷歌研究院表示，退役手机属于“隐含碳排放”（embodied carbon）范畴，即设备制造过程及其碳足迹所对应的碳排放。事...
打破SWE-bench唯分数论，首个独立测量harness的基准开源了
编辑｜杨文 编程 Agent 的评测，一直是本糊涂账。 SWE-bench 如今已成事实标准，几乎每家发布新模型或新 Agent 框架，都会拿出一个 SWE-bench 分数来证明自己有多强。 但这些数字真的能直接横向比较吗？ LLM Agent 的能力，本质上是模型和 harn...
怎么让Agent越用越聪明？NUS团队提出新框架：记忆像代码一样可以迭代
一个当前还能稳定完成任务的 Agent，在经历几轮系统版本更新之后，还能否继续保持可靠？ 真正的难点，在于它需要适应不断变化的环境。过去的大多 Agent 基准默认面对的都是静态环境 ， 但接口、规则、代码库和用户偏好都可能持续变化，因此很难评估 Agent 在持续演化环境中的可...
暂无图片
Fable 5被禁3天后Anthropic认怂！连夜急派员工赴华盛顿谈判：GPT 5.5有同款漏洞
该图片使用了AI生成技术 整理 | 华卫 作为 Anthropic 有史以来向公众发布的最强 AI 模型，Fable 5 仅“上线”了短短三天。它在聊天机器人竞技场排行榜上登顶，在编程基准测试中以两位数的优势碾压 OpenAI 的 GPT 5.5，并首次让付费订阅者接触到 Myt...