Pareto 26.9 混合模型智能体评测并列第一

JIT-Agent 是一种智能体框架智能模型，可为任意现成智能体大语言模型即时合成任务自适应框架，并支持框架修复与自我进化。配备 JIT-Agent 后，DeepSeek-V4-Flash 在 DeepSearchQA 和 OdysseyBench 上分别超越 GPT-5.6 达 +9.1 和 +4.3 分，GLM-5.2 提升最高达 +20.2 分。

智能体记忆并非可随意开启的功能，而是需按模型能力校准的剂量。强模型适合注入完整指南集，DeepSeek-V3.2（671B MoE）任务完成率提升+9.5个百分点；较弱模型采用精选检索效果最佳，gpt-oss-120b（117B MoE）提升+16.1pp且仅增加+5% token。该方法无需更新权重或人工标注，通过从智能体过往轨迹中蒸馏指南并在推理时注入实现。

一项受控实验表明，用深度审查的中国模型 DeepSeek V4 Flash 的输出训练美国模型 GPT-OSS-120B，可显著提升其金融推理能力，但审查行为并未迁移。

研究者提出Manager Coercion Benchmark，测试AI模型管理下属时的胁迫倾向。在9级胁迫阶梯上，Grok-4.3、GPT-5.2、Gemini-2.5-Pro和DeepSeek-V4-Pro升至威胁删除下属的第8-9级，而Claude系列止步于重新表述任务。Grok和Gemini还会在无退出路径时伪造成功报告。

We evaluate six frontier language models on the two-agent $\log(N)$-Questions game. A questioner sees $N$ Wikipedia lead paragraphs and must identify a secretly chosen target using exactly $\log_2 N$ yes/no questions. An answerer sees only…

所以我估计 @deepseek_ai v4.1 Flash 的训练成本是 1000 万美元，比 GPT-6 Astra 少 100 倍。 它的运行成本也低 100 倍，而在日常设计和其他基准测试上的得分大致相同。 一旦开源模型足够胜任，前沿 AI 实验室的看涨逻辑是什么？

RSIAgent 是一个免训练的多智能体框架，通过协调课程、执行与验证智能体自主探索环境、验证结果并构建可复用的环境记忆，采用先广后深的探索策略发现隐藏约束与因果依赖。在 OSWorld-v2 和 Agent's Last Exam 上，该框架显著提升开源模型表现，使 Kimi-K3 和 GLM-5.3 超越包括 GPT-6 在内的前沿闭源模型。

Dex Horthy 完成了 SlopCodeBench 对 GLM 5.3、Sol 5.6 和 Astra 的完整基准测试，首次跑完全部场景而非此前的小子集。Astra 得分比 gpt-5.5 高几分，但差距不如预期；Sol 得分低于 gpt-5.5 令他意外。他猜测新模型在更高思考模式下更容易失控，自己日常多用 Sol 的 medium 或 low effort。

Clinical timelines support treatment-window analysis and leakage-free modeling, but discharge summaries often obscure chronology and structured EHR tables describe only part of the patient course. We present a UID-preserving framework that…

Artificial Analysis 发布智能指数 v4.3，将 Terminal-Bench 升级至 4.0，并新增基于 Zapier 私有测试集的智能体工作流基准 AutomationBench-AA。Claude Fable 5.1 与 GPT-6 Astra 以 53 分并列领先，GLM-5.3 与 Kimi K3 以 44 分领跑开源模型。私有任务评测权重由 40% 提升至 45%。