搜索
ATM-Bench 将「个人 AI 助手是否真的记得你」这件事，变成了一个研究的测试基准。结果并不乐观：专用记忆智能体系统普遍低于 20%，而 OpenClaw、Codex、Claude Code 等通用智能体普遍表现不佳，最高准确率不到 40%。
本文主要介绍来自该团队的最新论文：Scalable Object Relation Encoding for Better 3D Spatial Reasoning in Large Language Models。
如今的大多数智能体，仍然活在一种「失忆式工作」模式中：每一次检索都是从零开始，每一条推理路径都无法沉淀，每一次失败也不会转化为经验。它们虽能多轮交互，但很难在深度研究中持续变强。
Anthropic 最强的模型，也是他们不敢发布的模型
前段时间有个叫 Happy Horse 的模型实火了一把，在知名 AI 评测分析平台 Artificial Analysis 上，直接把 Seedance 2.0 挤到了第二。
研究者们花了十年去扩展层内的计算能力，却忘了扩展层间的通信能力。
一年前，DeepSeek R1 横空出世，人们才意识到，真正让模型产生推理能力质变的，不必是更大的预训练规模 —— 后训练，用强化学习、过程奖励、闭环反馈，以极低的代价解锁了原本需要数倍算力才能触达的能力边界。
一张图在X上炸了：全球84%的人从未真正用过AI，16%偶尔玩玩免费聊天机器人，0.3%愿意每月付20美元，0.04%用AI写代码，0.01%是凌晨跑模型、买硬件的重度玩家。这不是鸡汤，微软官方数据托底。你天天刷AI资讯，以为全世界都在卷——其实你身处的那个圈子，是全球最顶端的0.01%。
很少看到黄仁勋这么激动。接近两个小时，正面回答关于英伟达一路在大模型时代涨到4万亿美元市值的种种问题。黄仁勋在“硅谷最受欢迎播客”的全新访谈，信息量有点高。视频发布半天，单在油管上的观看量已经超过10万+。
伯克利团队归纳出7种反复出现的模式：智能体和评测程序共享运行环境、标准答案暴露给被测系统、对不可信输入调用eval()、LLM裁判缺乏输入过滤、字符串匹配过于宽松、评分逻辑本身有bug、以及评测程序信任被测系统产生的输出。