SemiAnalysis AgentX 集成 ModelScope

As models scale, reward hacking becomes more frequent, more sophisticated, and more consequential. Does it leave a telltale signature in model representations? This work analyzes how reward hacking is represented internally in frontier ope…

研究提出"显著性偏差"概念，指大语言模型被输入中无用的显性干扰（如数字）劫持，忽略任务隐含的常识前提。基于新构建的 SaliTrap 基准评估 12 个主流模型，最佳模型仅 54.8% 查询避开陷阱，8/12 模型低于 30%；GLM-5.1 和 Kimi-K2 在识别陷阱后仍分别有 86.2% 和 81.8% 的遵从率。

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…

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。

ZGCM-1 是一个完全开源的 7B 稠密基础模型，从零训练，主打在 256K 上下文中结合内部思考与外部工具调用，在数学推理和智能体搜索任务上可媲美 Qwen3-235B-A22B、GLM-5.1 等更大的前沿模型。

Coval 2026 年 9 月早期访问基准显示，Baseten 位居语音 AI 排行榜首位并处于质量-延迟帕累托前沿，其 STT 部署速度约为 OpenAI 的 5 倍，同时 WER 最优。Baseten 以 Qwen3 ASR 1.7B Streaming 定义 STT 帕累托前沿，当前基准中无其他供应商在更快的同时实现更低 WER。

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%。

Research planning is the decisive capability of AI scientists. Yet a research plan admits no verifiable answer, so reinforcement learning lacks the environment it requires: tasks paired with a critic. Rubrics extracted from scientific pape…

新论文提出 PILOT 框架，让智能体在任务运行中实时自我改进，而非等运行结束后才学习。监督者实时观察工作进程、可引导或中止，并将经验写入持久技能与记忆。在 6 项模型基准配置中 5 项排名第一，GLM-5.1 与 Kimi-K2.6 在 Terminal-Bench 2.0 上最佳通过率分别提升 14.6 和 12.4 个百分点，输出 token 量下降 42.9% 和 47.4%。

AMD 警报🚨🚨：在 Kimi K3 2.8T 上，AMD 每吉瓦的利润率甚至优于 B300、GB200 NVL72 和 B200。这得益于 AMD 更低的 TCO 和更好的性能，Mi355X 的利润率达到 53.6%，而 GB200 NVL72 为 44.3%。这来自我们的开源 Agentic Inference 基准测试 AgentX。 感谢 @roaner 和 @EmadBarsoumPi 两位 10x 工程师优化了这个 2.8T 模型！