AI圈报
论文研究普通

Arena 对话亚马逊 AGI 科学家

信息来源：X：Arena (@arena)·
原始标题：Is it possible for AI to be both creative and effective?

内容摘要

AI 能否既富有创造力又高效实用？ Arena Conversations 新一期上线：@petergostev 采访了 Amazon AGI 高级首席科学家 Pradeep Natarajan。 他们讨论了： - 掌握基础原理带来的模型收益 - 评测作为差异化因素 - Harness 优化 - 准确率与风格等指标对模型创造力的约束 了解以上内容及更多。 https://www.youtube.com/watch?v=GqJhYHqNOEk
内容分类AI 论文与研究
内容层级普通情报
发布时间（北京时间）
本站收录时间（北京时间）
信息来源X：Arena (@arena)
站内情报编号intel-c2c37f8105c843b7ae0fb6b1
阅读原始信息 ↗查看数据来源更多论文研究

相关推荐

综合分类、实体标签与信息来源匹配

论文研究精选
Arena 研究：LLM 裁判偏爱自己答案的概率比人类高 70%
Arena 用 12 个模型对 1,460 场真实 Text Arena 对战做了 34,580 条裁决，发现模型偏爱自己答案的程度平均比人类高约 70%，GPT-6 Astra 在 88% 的对战中选了自己。OpenAI 三款裁判对 OpenAI 模型比人类宽容 37 分，AI 裁判之间一致率 79.4%，但与人类投票者只有 56.9%；模型很少判平局，Sol 在 96% 的对战中强行选出赢家。
信息来源：X：Arena (@arena) · OpenAI / GPT
论文研究精选
DeepSeek-V4.1-Flash (Max) 进入 Agent Arena 开源模型第 3 名
DeepSeek-V4.1-Flash (Max) 进入 Agent Arena 开源模型第 3 名，净提升 +4.87%，每任务中位成本 $0.07，重塑 Pareto 前沿。其成本比第 2 名 Hy4 preview 低 68%、成绩仅差 0.09 个百分点；总榜排名第 12，Confirmed Success 信号排名 第 4（+13.75%）。
信息来源：X：Arena (@arena) · DeepSeek
论文研究普通
Agent Arena 如何衡量智能体能力
我们如何衡量智能体的能力？ Agent Arena 不采用成对偏好投票，而是使用因果追踪方法，从真实世界的长时程智能体会话中测量五种信号。 更多信息见推文串。
信息来源：X：Arena (@arena)
论文研究普通
Arena 发布 Arena Alignment Index 智能体安全与对齐基准
Arena 推出 Arena Alignment Index 基准，基于 27 个模型的 90K+ 真实智能体会话，测量越权操作（UA）、虚假归因（FA）和虚假完成（DC）三类信号。
信息来源：X：Arena (@arena)
论文研究普通
Arena 提出图像模型后训练复合奖励方案，FLUX.2-dev 提升 69 Elo、Ideogram 4 达 1224
Arena 发布图像模型后训练奖励设计研究，指出人类偏好奖励必要但不充分，可能奖励看似美观但漏细节、加未要求内容或出现 reward-hacking 的输出。
信息来源：X：Arena (@arena)
论文研究普通
Arena 分析 12 个模型的 34,580 条判定：AI 评委平均 58% 偏爱自己的答案
Arena 对比了 12 个模型的 34,580 条判定与 1,460 场盲测对战的人类投票，发现 AI 评委平均 58% 的时间选择自己的答案，而人类只有 34% 选择同一答案，GPT-6 Astra 自选率高达 88%。
信息来源：X：Arena (@arena) · GPT
论文研究普通
Arena 2026秋季学术合作计划开放申请
提醒：Arena 学术合作计划 2026 年秋季周期已开始！ 我们正在接受美国高校终身轨教职人员的全新提案，研究方向为 AI 评估的科学基础：评估与排名方法论、测量与效度、从人类偏好中学习，以及安全与对齐。 每个项目最高可获 $50,000 资助。2026 年秋季提交截止日期为 2026 年 10 月 30 日。 在 thread 中了解更多项目信息 👇
信息来源：X：Arena (@arena)
论文研究普通
腾讯混元发布 WebCraftBench 真实应用评测基准
腾讯混元团队推出 WebCraftBench，基于 Code Arena 内部复刻版收集的 369 条真实请求构建，涵盖非正式语言、不完整指令等真实使用场景。该基准测试 AI 构建应用的外观、功能与需求达成度，在 17 个模型上的排名与 Code Arena 排行榜相关系数达 0.89；在 197 对人工验证样本上，与人类偏好匹配率 85.3%。
信息来源：X：Arena (@arena)
论文研究精选
Microsoft Research 与合作者证明 31 年历史的 KLS 猜想
Microsoft Research 的 Xinzhi Zhang 与 Zhao Song 证明 1995 年提出的 Kannan–Lovász–Simonovits（KLS）猜想，表明对数凹分布的最优平面切割与任意形状切割的差距不随维度增长，以普适常数为界。
信息来源：Microsoft Research 博客（RSS）
论文研究精选
Wiz Research 披露 PHP2Shell：AI 助攻 PHP 核心 RCE 漏洞，影响全球 70% 网站
Wiz Research 披露 PHP 核心中的多个内存安全漏洞（CVE-2026-109618/109619，CVSS 最高 9.2），实现无需认证的远程代码执行与内存泄露，影响至少追溯到 PHP 5.4 的近十年版本。
信息来源：Wiz：Research（安全研究）