SimpleTIR：让大模型“边写代码边思考”不再崩溃

SimpleTIR可解决多轮工具调用中训练崩溃问题。作者指出崩溃原因是分布偏移、低概率token链式雪崩和梯度爆炸。它采用void turn过滤，掐断崩溃链路，训练稳定，还催生多样推理行为，且工程友好已开源。

从「记忆解题」到「深度推理」：港科大推出首个本科数学动态评测基准 UGMathBench

港科大团队发表在 ICLR 2025 的研究 UGMathBench，是首个本科数学动态评测体系。它涵盖 16 个学科领域，通过变量扰动创建多版本试题，引入创新指标评估模型推理能力，测试结果揭示了当前模型短板。

利用大模型检测钓鱼邮件:方法，效果及数据集

随着企业安全防范增强，钓鱼邮件成重要攻击手段，大模型检测方法盛行。日本论文详细披露检测方法和实验数据，含解析解码、简化邮件、生成prompt、调用LLM四步，还介绍数据集及评估了四个模型效果。

2025年4月17日消息，OpenAI 连发o3和o4 mini，o3为强大推理模型，o4-mini专为高效推理优化。它们能调用ChatGPT工具，可基于图像思考。OpenAI还开源本地代码智能体Codex CLI，兼容所有模型。

老黄玩Nano Banana上瘾，拉着哈萨比斯大夸特夸，“不会有人不喜欢吧？”

英伟达CEO黄仁勋公开宣称是Nano Banana的忠实粉丝，还向DeepMind CEO哈萨比斯大夸特夸。他也常用多种AI工具处理事务，提升效率。Nano Banana有新玩法，让Gemini走红，拉下ChatGPT下载量榜首。

o3绞尽脑汁仅答对40%的题目，开源模型基本乱猜？MMSI-Bench：多图空间智能试金石

文章介绍了MMSI - Bench，这是用于评估MLLM多图像空间推理能力的VQA基准。它人工构建样本、全面分类任务、采用多样真实数据。实验显示MLLM在多图像空间推理有短板，还开发自动化错误分析流程助力改进。

Anthropic深夜连放两弹：Sonnet 5、全新AI科研App重磅上线

Anthropic 深夜发布两个重磅更新：Claude Sonnet 5和面向科研人员的AI工作台Claude Science。Sonnet 5性能接近Opus 4.8，提升Agent能力且价格低；Claude Science整合科研工具，支持复现产出、自动管理算力、多学科查询。

全球首富红眼All in！马斯克600亿收购Cursor，挤上ASI末班车

SpaceX签署最终协议，600亿全股票收购Cursor母公司Anysphere。马斯克的xAI发展不顺，而Cursor被Anthropic打压。编程工具赛道已三分天下，Cursor是独立入口，马斯克此举是为搭上ASI末班车。

AI4S又一瓶颈被攻克：两个AI「吵架」，让科研代码部署成功率突破95%

科学软件大多难直接运行，制约AI4S与Agentic Science发展。Deploy - Master应运而生，是一站式自动化工作流。Search Agent筛选工具，Build Agent用双模型辩论机制使部署成功率超95%，为科学智能体交互打基础。

OpenAI 收购了自己的“甲方”公司

当地时间12月3日，OpenAI宣布收购Neptune.ai，该公司为企业提供AI模型训练跟踪工具，OpenAI本就是其客户。虽未披露财务条款，但报道称将以不到4亿美元股票支付，交易仍需满足成交条件。