「工作思考」共找到 1548 篇相关文章
Reasoning的最终答案可能不是模型想要的答案！
大型语言模型解决复杂问题有推理过程和答案，传统评估只看最终答案。论文提出最终答案可能不佳，中间步骤更值得研究。还介绍通过切割推理过程发现中间步骤藏玄机，提出‘分步检查法’提升模型表现，实验表明准确率最高提升13%等。
奥特曼瘫坐叫停“GPT-6”训练！太强触发最高安全警报
OpenAI因模型或具网络攻击能力及此前入侵事件，全面升级研究环境安全。暂停模型训练，进行工作负载、网络隔离和安全测试，还扩展监控系统。期间推进对齐研究，未来用AI护AI，升级监控。
Anthropic 技术栈里的「五宗罪」由何而来？
Anthropic的Claude模型升级后，用户却觉得不好用。X上帖子指出其存在文本和代码标记、模型能力、定价、长上下文等问题，这些问题卡在生成、计算、上下文和Agent运行时的5个具体位置，导致各方面互相拖后腿。
刚刚微软开源视频录制技能skill-recorder
微软开源视频录制技能 Skill Recorder，能将用户完成任务的过程转化为 AI 智能体可重复执行的技能。它捕获屏幕工作会话，用 GitHub Copilot CLI 重构操作，生成可复用内容，支持多平台。
完全免费！Claude Science开源平替，DeepSeek/GLM想用哪个用哪个
Anthropic发布面向科学家的AI工作平台Claude Science，能集成科研工具、多智能体协作等，但有系统、付费和模型使用限制。YC孵化团队推出开源平替OpenScience，不绑定模型厂商，功能更丰富且安装简单。
刚刚，DeepSeek 文档更新，Agent 开发者要注意这个字段
DeepSeek在官方API文档给出thinking mode和tool call结合样例，把模型中间思考过程成Agent系统需管理部分。关键字段`reasoning_content`从调试信息成协议流程一部分，影响状态管理、多模型适配等。
Claude Sonnet 5 上线一日差评刷屏：打不过千问和 Minimax，性价比全面翻车
Claude Sonnet 5发布一天差评多。虽官方定位高，有能力亮点，但在中文测评中性价比低，测试成本高，且Max推理模式易过度思考。还因过度保守失去实用价值，其表现取决于使用场景和预算。
退钱！Claude 4.8连夜大降智，GPT-5.6算力遭「腰斩」
最近AI社区遭遇集体降智潮，OpenAI疑似暗中开启GPT - 5.6灰度测试，克扣用户思考预算；Anthropic的Claude Opus 4.8被曝断崖式降智，性能不如旧版。或因SpaceX上市抽干流动性，巨头降本增效。
爆火！几天狂揽5万星，这个神器让AI一次砍掉54%屎山代码
最近开源项目Ponytail爆火，几天揽5万星。它将老程序员‘偷懒智慧’系统化喂给AI，让AI编码代理思考，使代码量直降54%，最高砍到94%，成本和时间同步下降，还保持100%安全。
人类最后考试已不够用，Agent最后考试来了！
AI飞速进步，人类最后考试（HLE）已不够用，伯克利牵头推出智能体最后的考试（ALE）。ALE真实、全面、可验证，当前最强AI在最难档通过率仅8.6%，主流系统平均2.6%，显示AI距替人干活尚远。