我的 X 阅读

校准

转帖：麻省理工新论文：LLM 代理在选择以简单步骤展示或规则的安全行动被明确陈述时决策更好，而在被要求推理对手时决策更差。 为人类竞标者设计的拍卖市场规则经验法则同样适用于 LLM 代理，因此我们可以借用它们，而不是发明新的提示技巧。 在这些拍卖和匹配游戏中，诚实出价和排名始终是最佳行动。GPT-4o、Claude、Gemini 和 Gemma 仍然出价不足，往往是为了保持利润空间。 一个简单的留存或退出选择伴随着上涨的价格，将 Gemma 从低于其价值 5.30 美元调整到仅低于 0.30 美元。一条单行提示说明拒绝仅会重定向，将匹配错误从 4.2% 降至 0.2%。 在添加推理提示之前，先修复格式并陈述关键事实，并根据代理的选择来评估它们，因为它们的书面计划遗漏了这些收益。 代理提示应陈述规则事实，而不是要求更多思考，因为事实改善了选择，而思考提示往往增加了错误。

那些担心快速起飞、RSI、AI末日等的人忘记了，在推理时，大语言模型只是普通的程序——没有任何学习、奖励或自我任何东西，更不用说欲望、意图、痛苦或意识了。

发布：https://t.co/e99LlHWOsD 引用：天哪，谣言竟然是真的：OpenAI 发布了 722 篇由一个*未发布*的内部模型生成的数学手稿。 这份合集将它们归类为 372 个相关结果家族，这些结果来自涉及大约 4,000 个研究问题的评估。 OpenAI 表示，标准流程为每个结果平均使用了三小时的 ChatGPT Pro 思考计算资源。 此次发布包括论文、证明工件以及精选的推理摘要。模型本身仍未发布。

与今天的其他船舶完全无关，但我们的模型确实解决了一些重要的数学问题，团队在下面的博客文章中记录了这一点。科学进步的非凡新时代。 https://t.co/AYSuteVNiA

转帖：夏威夷岛东南侧卡莫库纳海洋入口处，一股巨大的熔岩“消防水带”从海崖喷射而出，倾泻入太平洋并在撞击时爆炸，营造出令人叹为观止的壮观景象。

天哪，传言是真的：OpenAI 发布了 722 篇由其内部未公开模型生成的数学论文。 这些论文被归类为 372 个相关结果系列，这些结果来自一项涉及约 4000 个研究问题的评估。 OpenAI 表示：https://t.co/gT8gIq2Gwe

转帖：约翰·霍普金斯大学和卡内基梅隆大学的新论文显示，一个小型模型可以从运行结果中学习改进代理的测试代码，并且这种技能可以转移到新任务上。 一个训练有素的小型模型，可以根据失败报告重写代理的测试代码，从而使代理适应新任务，因此让它来调整你的测试代码，而不是手动操作。 测试代码是决定模型看到什么以及调用哪些工具的代码。编辑器读取测试代码和失败内容，然后编写代码更改，根据新测试代码的得分高低给予奖励。 在 21 种未见过的推理任务类型上，一个 4B 编辑器的平均编辑得分从 0.32 提高到 0.62，超过了其 35B 教师模型。一个单独在 HotpotQA 上训练的编辑器，在另外 2 个问答基准测试上持续改进测试代码。 每个任务运行多轮，因为重复编辑优于单次修复。

它来了！ OpenAI M A T H - 772 份手稿组织成 372 个家族 “ 准黎曼假设 “ https://t.co/8MEcE9af9A

国防领域的安杜瑞尔就是安杜瑞尔。 引用：美国海权新时代从Arsenal-2开始：自二战以来对新美国造船厂的最大投资。

转帖：新上海人工智能实验室的论文发现，在经过验证的人类编写代理技能运行数据上进行训练，可以使模型成为更好的代理，即使没有技能文件。 提示时技能依赖于检索和指令跟随，而在经过验证的技能运行上进行微调可以减少这种依赖。 将每个技能文件转化为带有通过或失败检查器的沙盒任务，生成的训练数据使 Claude Code 在 Terminal-Bench 2.1 上的成功率提高了 19.10 个百分点。 技能文件通常位于提示中，因此它们只有在代理找到并遵循它们时才会有帮助。 SkillGym 将每个技能转化为带有代码检查器的沙盒任务，然后在通过的运行上进行训练。 在 Claude Code 中，Qwen3.5-35B-A3B 在 Terminal-Bench 2.1 上的得分从 39.33% 跃升至 58.43%。在没有技能文件的情况下，它在 SkillsBench 上得分 26.81%，超过了带有技能的基础模型 23.34%。 在技能之上加载技能仍然有帮助，将其提升至 51.47%。

转帖：含金量最高的推文 & 有史以来最可爱的 handmade 地图

没有什么比匆忙制定的立法更糟糕了，尤其是关于立法者不理解且从未发生过的事情（例如，人工智能末日）。

好在他“只是”90%确定中国已经在OpenAI和Anthropic内部安插了间谍。 不过我100%确定这家伙是有史以来最大的胡说八道者之一，他只是随手抛出一些概率数字，就好像他有证据或者用什么深刻洞见做了计算一样！ 引用：前Anthropic员工Jacob Coxon表示，他90%确信中国已经在OpenAI和Anthropic内部安插了间谍 Jacob Coxon：“现在，如果我们就此停下脚步，他们就会试图赶上。但我认为人们没有意识到的一件非常重要的事情是，中国已经在OpenAI和Anthropic安插了间谍。中国随时都有能力进行黑客攻击。如果我们领先了，这并不会给我们带来多大的优势。他们可以随时介入，窃取我们的进展并赶上。” Patrick Bet-David：“你有多确信他们已经在那儿安插了间谍？” Jacob Coxon：“90%。是的，几乎可以肯定他们有间谍。”

@kimmonimus @thsottiaux 不管新版本有多好，绝大多数人都会投票支持重置。我敢保证，这是基于人性的基本原理。