共 11 条快讯 · 门户最近更新
推文介绍一篇NVIDIA团队论文称，让多模态模型在智能体场景中使用工具后，拒答有害请求的失败率最高相对上升68.7%，平均上升17.7%；该现象出现在Claude Opus 4.6和4.7、Gemini Agentic Vision、Qwen3.5-122B-A10B及agent-tuned开源模型，并横跨MM-SafetyBench、HoliSafe和VLSBench。作者将原因归因于工具输出淹没原始请求的恶意意图，以及模型注意力转向描述工具结果而非做安全决策；作者还提出，在最终回答前重新插入原始请求和图片可部分恢复被削弱的拒答。以上均为推文所述研究结论，未独立核实。
作者称在 SWE-bench Verified 上用同一模型运行了 Claude Code、mini-SWE-agent 和 OpenCode：前两者在 447 个任务上得分相差不超过 5 分，更换 harness 的影响约等于重跑一次（45 题困难子集上各有 13% 结果翻转）。成本差异主要来自每一步重复发送的 system prompt 和 tool schema；精简 harness 提示词和工具可在不降低准确率的情况下最多降本 3 倍。
作者omarsar0发文称，越来越多的公司和开发者开始意识到强化学习带来的商业机会；他认为对许多真实世界任务而言，并不需要AGI，而是需要合适的专用模型、运行框架（harness）和数据飞轮，并表示一个富有成果的后训练新时代正在到来，这一趋势正在全栈AI公司中发生并将持续增长。文中还引述Vincent Weisser的观点称"后训练/RL与推理正在接管算力"。以上为作者观点，未经独立核实。
作者称自己低估了 Opus 5.5 等模型的智能体协调能力，并回顾了约一年内个人设置的演进：从单独 Claude Code 会话，到子代理并行工作的多智能体系统，再到两个月前搭建的类似 Grok Bot 的持久化 Agent 团队——通过自有编排器管理约8个专职 Bot（CFO、CSO、CTO、CMO、CCO、CoS 等），一个月前又开始尝试带个人 Agent 的 agent-to-agent 通信。作者表示仍需在自动化、Webhook、系统提示词和工具等方面调优，并认为 Code、Claude Desktop 等应用“远远落后”但终会赶上，建议自建编排器。以上均为作者个人陈述，未经独立核实。
作者自述其智能体实践演进：从单个 Claude Code 会话到多智能体系统，再到自研编排器下约 8 个专业智能体组成的持久化团队。作者称 Opus 5.5 等模型已能很好协同，并认为 Code、Claude Desktop 等应用落后但会追上，主张自建 agent 编排器获得个性化优势。以上为作者观点，未经独立核实。
作者推荐 NVIDIA 论文 VERA，称其将基准轨迹转化为 9000 多个可重启沙箱并附评分 rubric，只保留可运行且能从可观察证据打分的环境，同时更新模型权重与 harness：harness 修改须通过自测且开发集提升至少 5 分才保留，模型 checkpoint 分数降超 20% 则拒绝。作者称 9B 协同演化智能体在 AutoCoWorkBench、AutoMedBench 上分别比最强单维基线高 10.3、13.0 分；27B 在 AutoCoWorkBench 得 71.6 分，高于 Claude Opus 4.8；环境语料已开源。以上为作者声称，未经独立核实。
作者介绍 NVIDIA 论文 VERA：将基准轨迹转化为 9,000 多个可重启沙箱，用 rubric 评分，仅保留能运行且可评分的环境。系统同时更新模型权重与 harness：harness 修改需通过自测且开发集提升至少 5 分，模型检查点得分下降超 20% 则被拒。作者称 9B agent 在 AutoCoWorkBench 和 AutoMedBench 上分别比最强单基线高 10.3 和 13.0 分，27B 版本达 71.6 分，高于 Claude Opus 4.8。环境语料已开源。
作者称，smallest_AI 的 Pulse 在 Voice Arena 的 Diarization Bench 之 Diarization + ASR 赛道排名第一，DER（说话人日志错误率）为 24.4%，该赛道下一名系统得分为 40.7%。正文说明该赛道共有七个系统参评，DER 为错误率，数值越低越好。推文末尾在冻结正文中被截断，相关细节以原文已给出的信息为准。
作者 @omarsar0 宣布为 @dair_ai 推出 MCP 工具，可连接 Codex、Claude 或 Grok Bot 来发现和探索 AI 论文。作者称索引收录了过去两年其在 X 上推荐过的论文，并经过人工精选；功能包括查找与总结论文、浏览 harness engineering 合集、生成文献综述、建立个人收藏和可视化论文等。作者表示将在未来几周随该工具发布若干基准，并持续推送更新与改进。
Scale AI 宣布开源其 RL 环境框架 AgentEnv。该公司表示，其构建的所有强化学习环境均运行在 AgentEnv 之上，开源目的是让更多人能够构建供智能体学习的训练环境。
转发者称，Jev 作为评判器（Jev-as-a-Judge）可通过一致性提升 LLM 评判器的可靠性，使其适合用于评判器、验证器及持续监控场景。该表述为作者个人经验分享，未在正文中提供量化数据或独立验证结果。