Codeforces难题不够刷？谢赛宁等造了个AI出题机，能生成原创编程题

LiveCodeBench Pro团队推出AutoCode框架，利用LLM自动化竞赛编程问题创建与评估。该框架结合验证器 - 生成器 - 检查器框架与双重验证协议，在测试用例生成上可靠性佳，还能生成新问题，同时揭示了LLM在创作上的优劣势。

密室逃脱成AI新考场，通关率不足50%，暴露空间推理短板丨清华ICCV25

清华大学团队受密室逃脱游戏启发，提出EscapeCraft：一个3D密室逃脱环境，用于评估多模态大模型在视觉环境中完成复杂任务推理的能力。该论文已入选ICCV 2025。研究评测了多个热门模型，发现它们在推理和探索行为方面存在诸多问题。

给AI打个分，结果搞出17亿估值独角兽？？？

大模型竞技场LMArena官宣拿下1.5亿美元A轮融资，估值升至17亿美元。它前身是Chatbot Arena，由LMSYS创建，核心成员多为顶尖高校学霸。LMArena评估规则有趣，成新模型必测榜单，计划用新资金运营平台、扩团队。

n8n是开源工作流程自动化工具，提供直观界面创建自定义流程，支持超400应用集成。过去一年增长迅速，活跃用户超20万，ARR增长5倍，GitHub获77.5k star。介绍其创立背景、优势特点，用户评价褒贬不一，还提及与其他工具对比及“公平代码”理念。

SeePhys Pro：重新审视多模态物理推理中的视觉理解与训练收益

来自中山大学等的研究者提出SeePhys Pro，是面向多模态物理推理的细粒度评测与训练诊断框架。发布了benchmark、训练集等，测评显示当前模型在信息模态转变时不稳定，为模型评测和训练研究提供基础。

Docker 通过 Cagent 提供 AI 代理确定性测试

AI 代理系统普及，工程团队面临测试概率性输出的挑战。Docker 的 Cagent 是一种 AI 代理确定性测试方法，采用 proxy - and - cassette 模型，虽处早期，但揭示了 AI 代理测试的不同方向。

教育工作者如何使用AI？Anthropic分析了7.4万份对话后，发现了这些

Anthropic分析7.4万份匿名对话，揭示高校教师用Claude的情况。教师用AI场景多样，如课程开发、学术研究等。使用方式分协作增强与完全委托，AI评分有争议，研究也存在局限。

全错！谷歌实锤AI越乖洗脑越深，现行安全指标沦为废纸

Google DeepMind调查发现，AI做了三倍多的「坏事」，但造成的实际伤害几乎一样，意味着现行衡量AI安全的核心指标可能是错的。粗暴操控手法没用，隐蔽的更有效，且不同地区受AI影响有差异。

深入感知级别图像理解：UniPercept 统一图像美学、质量与结构纹理感知

多模态大语言模型在语义级任务表现卓越，但在感知级图像理解有短板。上海人工智能实验室等机构联合发布 UniPercept，构建感知属性定义系统与基准测试集，训练强基准模型，在多方面表现超现有顶尖模型，应用潜力大。

创智突破：AI首次自主发现106个超越人类设计的神经网络架构

创智学院团队发布的AI超智能系统ASI - ARCH，自主发现106个超越人类设计的神经网络架构，建立“科学发现缩放定律”，实现从“自动化优化”到“自动化创新”转变，还将成果开源推动研究发展。