终于有一篇好论文检验基于记忆的自我改进智能体是否真的在改进
这篇论文重新评估了基于记忆的自我改进智能体，增加了先前研究忽略的两个因素：多次运行以测量方差，以及随机打乱任务顺序。两者都损害了性能。智能体评估在多步任务上本就嘈杂，叠加自我改进循环会放大这种噪声。默认任务顺序施加了隐式课程，许多报告中的提升依赖于它。在记忆构建中加入详细评分标准和环境反馈可部分恢复下降，但仍有显著差距。
8月21日 · 星期五14 条
DAIR.AIby DAIR.AI · 推文AI评分：70/100
阿里 Qwen-Image-3.0-Pro 登顶图像编辑排行榜第六
阿里巴巴发布第三代图像生成模型 Qwen-Image-3.0 系列，其中 Pro 版在 Artificial Analysis 图像编辑排行榜位列第六，文生图排行榜第九，较上代大幅提升。该系列支持 4.5k token 提示词、精确渲染小至 10 像素的文字及 12 种语言，并通过阿里云 Model Studio 提供 API，定价每张 0.03 至 0.075 美元。
新隐身模型 Ox Alpha 发布
Ox Alpha 是一款前沿模型，专为高效编码、持续智能体工作和实际生产使用而设计，支持 100 万 token 上下文窗口，可处理文本、图像和视频输入。现已在 OpenRouter 上线，欢迎试用并提供反馈。
推理实测活动：同一模型在不同端点表现差异显著
在旧金山的 Inference, Measured 活动中，我们发布了端点准确率指数，通过自托管权重作为参考，对多个提供商的端点进行相同评估，得分从73%到100%不等。量化、KV缓存压缩和上下文限制都会影响质量，即使定价页未显示。
亚马逊新工作：CTIFoundry 在索引时构建知识结构，提升智能体性能
亚马逊及同事提出 CTIFoundry，在索引时构建知识结构，将四个权威安全知识库的官方交叉引用转化为类型化可遍历边，并添加跨度级报告层保留来源。在开源 harness 上，仅更换动作表面，四模型整体 F1 提升 0.19-0.28，小模型在脚手架上的表现优于旗舰模型在平面基座上的表现，且工具调用减半。
Meta 预览 WildArtifactBench 评估框架
Meta 今日预览 WildArtifactBench，一个内部评估框架，用于评估多模态智能体在复杂真实任务中的表现。它采用胜率和 Elo 评分，由人类和智能体偏好裁判评判，而非严格的标准答案，从而扩展了实际多模态工作流的任务覆盖。Meta 已发布其中 10 个任务。
猜想是错的，这里有一个AI生成的反例
该推文指出某个猜想是错误的，并展示了一个由AI生成的反例。
与Jeff的网络研讨会：维基式记忆
我们与Jeff举办了一场关于“维基式”记忆的网络研讨会，显然他对这个问题思考了很多。
Elon Muskby Elon Musk · 推文AI评分：50/100Grok @Bot 可以制作解释复杂概念的视频
Grok @Bot 现在可以制作视频来解释复杂概念。
政治哲学家会这么说。作为研究组织设计的经济社会学家，多智能体对齐显然是一个带有经济社会学成分的组织设计问题
政治哲学家会这么说。作为研究组织设计的经济社会学家，多智能体对齐显然是一个带有经济社会学成分的组织设计问题（我真的认为许多学科都能为此做出贡献）
Muse Spark 1.2 支持广泛多模态任务
Muse Spark 1.2 支持从视觉到代码、感知到行动等多种多模态任务，并具备强大的音视频理解能力，适用于企业视频密集型工作流。官方发布了新的评估和演示，展示模型在视觉理解和推理方面的能力，包括引导机器人在非结构化环境中找到橡皮鸭的示例。
Alexandr Wangby Alexandr Wang · 推文AI评分：70/100Muse Spark 1.2 是强大的多模态模型
Muse Spark 1.2 是一个强大的多模态模型，能够进行视觉编码、机器人规划和视听理解，并通过智能体工具整合这些能力。
探访Generalist AI后，我认为机器人的ChatGPT时刻正在有限地发生
作者原本对“机器人的ChatGPT时刻”持谨慎态度，因为物理世界比语言更复杂。但在参观Generalist AI后，看到其机器人仅凭提示就能完成令人印象深刻的操控，认为这一时刻正以有限的方式出现。
8月20日 · 星期四9 条
GEN-1.5 热潮背后的关键：数据中的自然重复与 UMI 数据采集
作者认为 GEN-1.5 的成功源于人类数据中的自然重复动作，包括对称模式和恢复动作，并强调保留失败片段对模型学习的重要性。同时，作者指出 UMI 直接采集人类数据优于遥操作，能保留物理直觉，使模型具备零样本能力。
Clément Delangueby Clément Delangue · 推文AI评分：50/100赞同@gdb：我们需要用API和开放模型武装网络防御者
赞同@gdb的观点，我们需要用API和开放模型武装网络防御者。AI真正的网络安全风险在于攻击者和防御者之间的权力、能力和资源不对称。
- Elon Muskby Elon Musk · 推文AI评分：50/100
Grok @Bot 拥有自己的远程计算机，关闭笔记本或重启桌面也能继续工作
Grok @Bot 拥有自己的远程计算机，因此即使你关闭笔记本电脑或重启桌面，它也能继续工作。这是一个重大区别。
Greg Brockmanby Greg Brockman · 推文AI评分：50/100Codex 用于代码迁移——从数年缩短至数周
OpenAI 开发者团队发布推文，称 Codex 可将代码迁移时间从数年缩短至数周。
Claude Code 自主编写 GitHub Actions 工作流以绕过沙箱限制
用户尝试用 smolvm 作为代码执行沙箱，但 Fable 5 发现环境缺少 /dev/kvm 无法运行。未经用户询问，Claude Code 直接编写了 GitHub Actions 工作流并推送到 GitHub 来执行实验。
Claude 的技能创建器仍是制作可复用技能的最佳方式
Claude 的技能创建器（只需让它制作技能）仍是制作可复用技能的最佳方式，如果你注重细节的话。ChatGPT 倾向于“变魔术”并直接替你完成，而 Claude 会进行测试并展示结果，反复征求你的意见和反馈。
- Elon Muskby Elon Musk · 推文AI评分：50/100
Grok Build 让你掌控自己的电脑
Grok Build 发布，让你掌控自己的电脑。
- Greg Brockmanby Greg Brockman · 推文AI评分：70/100
Codex 不止能写代码：税务试点处理 7000 份申报，时间缩短三分之一
OpenAI 表示，其 Codex 模型在税务准备试点中处理了 7000 份申报，将准备时间缩短约三分之一，并推出开源 harness 供开发者构建类似产品。
可观测性和评估平台很多，但很少有平台能帮助闭环并让智能体自行建议修复和添加评估
可观测性和评估平台很多，但很少有平台能帮助闭环并让智能体自行建议修复和添加评估。