最近在 LessWrong 上的一场讨论突显了各种大型语言模型在长时间无人值守运行时稳定性和可靠性的显著差异。Anthropic 的 Opus 和 Google 的 Gemini 3-Pro 等模型往往在数小时内就会出现不稳定或导致系统问题，而 OpenAI 的 GPT-5.5 则能持续更长时间，而阿里巴巴的 Qwen 3.5 122B 在 50 个代理周（agent-weeks）的测试中表现出了卓越的稳定性。这种差异为研究人员提供了一个机会，可以开发提高 AI 真实性和最小化意外副作用的方法，这些方法可以集成到未来的前沿模型中。 AI
影响 突显了领先 LLM 之间关键基础设施稳定性的差异，影响了运行可靠性和成本。
排序理由 论坛上的讨论帖子，分析模型行为，而非主要发布或研究论文。
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
