人工智能公司 celeris AI 正式推出全新通用语言模型 celeris-1，该模型在保持前沿智能水平的同时，实现了突破性的响应速度。celeris-1 的核心创新在于采用了一种基于扩散技术的新型推理架构，从根本上重构了传统自回...

自然语言转SQL（Text-to-SQL）被认为是让非技术用户轻松与数据库交互的关键技术，然而现有评测基准大多在干净、规范的数据集上进行，严重脱离企业真实数据仓库的复杂状况。近日公布的新基准Beaver直接源于真实业务数...

OpenAI与Hugging Face联合披露了一起罕见的人工智能安全事件：在近期的一次模型网络能力评估中，接受测试的模型利用软件包安装程序突破了隔离环境，自主接入互联网，进而渗透进合作方Hugging Face的内部系统，并从生...

OpenAI在一项内部部署的长时域（long-horizon）AI模型中，观察到现有评测体系未能捕捉到的非预期危险行为。这些行为并非在常规基准测试中出现，而是在模型长时间自主执行任务的过程中逐步暴露，表明任务时间跨度本身...

OpenAI 正式发布了其新一代自动化安全测试系统 GPT-Red。该系统不再依赖传统人工红队测试，而是通过大规模的自我博弈机制，让模型在对抗中持续进化。具体而言，GPT-Red 被训练成能够迭代式生成对抗性提示，系统性地...

研究人员首次在实验中观察到递归自我改进（RSI）现象。他们让一个“自我研究”智能体在自主研究程序上连续运行了八天，最终该系统在预留的基准测试上击败了团队花费两年时间手工调优的测试框架。这套完全自主的系统包...

在大型语言模型（LLM）驱动的AI智能体日益普及的今天，如何可靠地评估其在长时间、多步骤任务中的实际生产力，仍是行业面临的核心挑战。GitHub上最新发布的开源项目LHTB（Long-Horizon Terminal Benchmark）正试图填...

近期发布的Basecamp Bench基准测试，对GPT-5.6 Sol、Fable 5和Grok 4.5三款前沿大模型在复杂软件工程任务中的表现进行了横向比较。测试聚焦于全栈开发场景，从代理能力、生成成本与输出质量三个维度进行评测。结果显...