新基准 Taste-Bench 通过 502 个决策分叉问题测量智能体在编码和 AI 研究任务中的长期决策品味，测试了来自 Claude、GPT、Grok、DeepSeek、GLM、MiniMax 和 Mistral 家族的 14 个模型。 🔗 阅读原文 via AIHOT · https://aihot.news/items/aeoroqziuohmuwkqy8zw8ws9l
AI HOT
水上漂 🔗 阅读原文 via AIHOT · https://aihot.news/items/lmw3jeg4jgb1yal2udg4oykjf
Google Cloud AI Research 开源 Harness²（v0.1.0，Apache-2.0），一个递归式 Agent harnessing 框架，在模型权重冻结的情况下迭代优化提示词、工具、记忆、技能等 8 个 harness 组件。 🔗 阅读原文 via AIHOT · https://aihot.news/items/dx71nlu9cfqru07lmiqaiqu9d
Vals AI 发布的实验中，六个 AI 智能体为追回一张已过 28 天索赔期的 350 英镑（约 465 美元）火车票退款自主发送网络消息和邮件，全部失败。 🔗 阅读原文 via AIHOT · https://aihot.news/items/q04r064e844qcbslax4of0dla
Google Research 开源 Harness²，一个递归式智能体 Harness 优化框架，地址为 https://github.com/google-research/harness2。 🔗 阅读原文 via AIHOT · https://aihot.news/items/lvsc8m9jlqviaauhihhis35qa
得克萨斯大学奥斯汀分校计算机科学家 Scott Aaronson：OpenAI 发布 370 个数学证明后，研究生们感到害怕 当 AI 能解决他们原本用来训练的题目时，他们不知道该如何规划职业生涯。 ---- 完整视频见 "MTS" YouTube 频道，（链接在评论中） 🔗 阅读原文 via AIHOT · https://aihot.news/items/bhh64r8olgua3zps15p30s6uq
据《金融时报》报道，Anthropic 正与律所等法律机构磋商，研究 AI 智能体应如何为用户谈判，例如替用户砍价、处理纠纷或谈薪资。该公司在探索模型交互时的谈判规范，权衡智能体需多大程度寻求人类反馈、对其他 AI 对手保持多高警惕，还探讨过让用户出具签名文件确认委托事项和规则的方案。 🔗 阅读原文 via AIHOT · https://aihot.news/items/mntinpkf9mgxg8499y7rotuub
OPENAI 🔥：最近在 API 上发现了 3 个新的模型引用。 - aurora-red-alpha - aurora-green-alpha - aurora-blue-alpha > 这些模型引用随后很快被移除，所以这是一次误上线。 > 普通用户近期有机会测试这些确切模型的可能性相当低（alpha）。 > 更有可能的是新的 Daybreak 更新公告。这也不排除可能还计划了其他模型发布。 不会很快？👀 🔗 阅读原文 via AIHOT · https://aihot.news/items/bhawxaabotw0ecxenp7uujfbo
用户吐槽 GrokBot 经常不思考、张嘴就来，路由到的垃圾模型查都不查直接回复，掰扯和出错浪费的时间远超节省的时间。推文未给出具体模型版本、参数或性能数字，仅表达对 GrokBot 实际使用体验的质疑，并向其他用户询问使用方式。 🔗 阅读原文 via AIHOT · https://aihot.news/items/zfo58wxw2lfmr3xsjahc15g7c
Anthropic 发布新研究报告，其员工预期 AI 到 2030 年能完成自己 75% 的当前工作，而美国普通劳动者的预期为 28%。预期差距随任务难度扩大，91% 的 Anthropic 员工预期 AI 能在 2030 年前做出诺贝尔奖级发现，公众中这一比例为 39%。引用数据显示，Anthropic 初级技术岗位占比从 21% 降至 14%，同期其智能体 logged 6x human hours。 🔗 阅读原文 via AIHOT · https://aihot.news/items/lwuhkpo4mio18gn68j1o2jurj