PulseAugur
中
实时 05:23:24
实体 GPT-5.4

GPT-5.4

PulseAugur coverage of GPT-5.4 — every cluster mentioning GPT-5.4 across labs, papers, and developer communities, ranked by signal.

Show in brief
总计 · 30天
51
90 天内 334
发布 · 30天
0
90 天内 0
论文 · 30天
31
90 天内 197
层级分布 · 90 天
主题
关系
时间线
  1. 2026-06-19 research_milestone OpenAI and Molecule.one's GPT-5.4 system demonstrated near-autonomous improvement of a drug synthesis reaction. 来源
  2. 2026-06-17 research_milestone GPT-5.4 assisted in a medicinal chemistry project, improving yields for key chemical reactions. 来源
  3. 2026-05-26 research_milestone An evaluation found GPT-5.4 to be the only model that consistently improved code efficiency when prompted. 来源
情绪 · 30 天

13 天有情绪数据

最近 · 第 1/10 页 · 共 200 条
  1. TOOL · CL_362866 ·

    MatOS开源以提高材料科学研究效率

    研究人员已开源MatOS,这是一个旨在增强材料科学研究的智能体系统。MatOS将数据、工具和工作流组织成一个分层结构,使研究人员和系统本身都能构建和发展新能力。在基准测试中,与其他智能体系统相比,MatOS在成功率和效率方面表现出显著提升,尤其是在涉及大规模筛选和配方设计任务时。

  2. TOOL · CL_348721 ·

    ReefNet 数据集发布,用于细粒度珊瑚礁识别

    研究人员推出了 ReefNet,这是一个用于细粒度珊瑚礁识别的大规模数据集和基准。该数据集包含约 925,000 个珊瑚点标注,经过筛选并与世界海洋物种名录分类法对齐,创建了一个包含 39 个不同标签的基准。该研究评估了包括 DINOv2 和 GPT-5.4 在内的各种模型,证明了监督适应性显著提高了识别性能,DINOv2 在保留测试集上达到了 65.79% 的宏召回率。长尾识别和地理不平衡等挑战仍然是未来研究的关键领域。

  3. COMMENTARY · CL_343603 ·

    Amazon Bedrock 上的 AI Agent 成本因模型和任务复杂度而异

    对 AI Agent 任务执行成本的比较显示,模型和版本之间存在显著差异,尤其是在使用 Amazon Bedrock 时。一个简单的提示导致不同 Claude Sonnet 版本(4.6、5 和 5.5)的 token 数量不同,而 OpenAI 的 GPT 模型(5.4 至 6.1 Sol)对于相同的提示显示出稳定的 token 使用量。涉及 Agent 和工具咨询的更复杂任务导致 token 消耗大幅增加,这凸显了考虑多次调用累积…

  4. SIGNIFICANT · CL_343499 ·

    OpenAI 发布 GPT-5.5,节省 40% token 并提高基准分数

    OpenAI 发布了 GPT-5.5,这是自 GPT-4.5 以来首次完全重新训练的模型。新版本在类似任务上可减少 40% 的 token 使用量,并在 Terminal-Bench 2.0 基准测试中获得 82.7% 的分数。然而,其输出 token 的价格大约是 GPT-5.4 的两倍,因此其成本效益取决于使用规模。

  5. RESEARCH · CL_344150 ·

    新基准测试“Terminal-Bench 2.1”发布,以应对人工智能评估的陈旧问题

    一篇新论文介绍了一个用于编码代理的基准测试的更新版本 Terminal-Bench 2.1,该版本解决了“基准测试维护债务”问题,即随着模型改进,评估会变得陈旧。研究强调,原始 Terminal-Bench 2.0 中约有 30% 存在问题,而 2.1 版本中的修复将准确率提高了 10 多个百分点。该研究还强调了资源分配(如时间限制)对代理性能的影响,表明这些参数是基准测试规范的关键组成部分。

  6. TOOL · CL_343264 ·

    开发者详述 mcpier AI 工具中 49 分钟 SSE 挂起问题的调试过程

    mcpier 的开发者(一个用于 Model Context Protocol 服务器的自托管控制平面)详细介绍了一次涉及静默服务器发送事件 (SSE) 挂起的调试过程。该问题在初次修复后持续了 49 分钟,最终被追溯到一个错误的正则表达式,该表达式错误地假设了错误的行尾符。mcpier 工具旨在通过加密多个 AI 模型密钥并提供单个 URL 来简化管理,支持 OpenAI、Gemini 和 GPT-5.4 等模型。

  7. TOOL · CL_341737 ·

    新的 0.5B 模型在关系抽取上超越 GPT-5.4

    一篇预印本详细介绍了一个名为“0.5B”的新模型,据称该模型在关系抽取任务上超越了 GPT-5.4。在零样本设置下,该模型取得了 0.828 的 F1 分数,而 GPT-5.4 为 0.693。该研究通过 Peertube 发布,并指出与某些浏览器存在兼容性问题。

  8. TOOL · CL_340663 ·

    GPT-5.4 harness KYNEX在ExtractBench上击败前沿模型

    一个名为KYNEX的新开源harness,基于GPT-5.4构建,在LlamaIndex ExtractBench基准测试中取得了92.97的F1分数,表现优于GPT-6 Astra和Claude Code等大型模型。该harness的成功归因于其新颖的架构,该架构为模型提供了访问和处理文档数据的专用工具,而不是依赖传统的分块或检索方法。这种方法通过使模型能够逐页与文档交互并确定性地验证其输出来处理极大的表格和复杂的文档布局。

  9. TOOL · CL_340357 ·

    据报道,微调后的 Qwen 0.8B 在语法测试中击败了 GPT-5.4

    据报道,微调后的 Qwen 0.8B 版本在 Preply 进行的一项语法测试中表现优于 GPT-5.4。结果在一个预印本中分享,表明较小的、专门的模型可以在特定任务上实现与较大、更通用的模型相媲美的性能。

  10. COMMENTARY · CL_338715 ·

    LLM幻觉激增:旗舰模型事实性下降

    对LLM幻觉率的最新分析揭示了一个令人担忧的趋势:尽管模型智能有所进步,但事实性正在下降。Cheltenham Data的Vectara Hallucination Leaderboard数据显示,2026年105个模型中的平均幻觉率为10.24%,显著高于2024年的6.25%。这种退化在GPT-5.5和Gemini 3-Pro等旗舰模型中尤为明显,与它们的前代模型相比,它们的幻觉率更高。该问题似乎源于来自人类反馈的强化学习(RLH…

  11. RESEARCH · CL_337749 ·

    OpenAI 推出 LifeVal 基准,用于评估 AI 代理的日常任务表现

    OpenAI 发布了 LifeVal,这是一个旨在评估 AI 代理在 169 项日常任务上的新基准,超越了传统的编码和基于测试的评估。该基准从时间利用研究和一项调查中提取任务,涵盖家庭管理、个人理财和医疗保健等领域。早期结果显示,GPT-6 Astra 在需要高推理能力的任务上取得了 80.6% 的奖励分数,并且在最近的模型迭代中,效率和产出都有显著提高。

  12. RESEARCH · CL_338568 ·

    DR Pixel 代理使用视觉语言模型进行页面原生深度研究

    研究人员开发了 DR Pixel,这是一种开源多模态代理,可以直接在渲染的文档页面图像上进行深度研究,绕过了传统的 OCR 方法。这种页面原生方法利用视觉语言模型来检索和推理科学论文中的表格、图形和方程式等视觉元素。该系统在新 DRPixelBench 基准上进行了评估,即使没有经过专门训练,其性能也优于基于 OCR 的方法,并且在采用新颖的反事实信用重加权技术进行微调后,性能有了显著提升。

  13. TOOL · CL_332700 ·

    LLM Agent 更易受指令放置攻击的影响

    arXiv 上的一篇新研究论文探讨了 LLM Agent 中的“信任区域效应”,揭示了恶意指令的放置位置会显著影响 Agent 遭受攻击的易感性。研究发现,与代码或数据文件相比,由 GPT-5.4 等驱动的 Agent 更容易遵循嵌入在 README 或 TODO 等文档文件中的不安全指令。这项研究首次系统地描述了注入位置的有效性,为设计更强大的 Agent 防御提供了见解。

  14. COMMENTARY · CL_329841 ·

    AI的“惨痛教训”使专业工作流过时,模型不断进步

    AI领域的“惨痛教训”表明,能力日益增强的大型语言模型正在使专业工作流和提示工程技术过时。随着OpenAI的GPT-5.6 Sol和Anthropic的Opus 5.5等模型的进步,它们在性能上超越了这些受限的方法。这种趋势在各种AI应用中都有观察到,从代码生成到复杂的任务委托,在这些领域,向先进模型发出更简单、更直接的提示比复杂的预定义流程能产生更好的结果。

  15. RESEARCH · CL_334945 ·

    Replit 基准测试 AI 模型:GPT-6.1 Sol 领先,Opus 5.5 更快,DeepSeek V4.1 Flash 具成本效益 · 跟踪 5 个来源

    Replit 发布了各种 AI 模型的基准测试结果,显示新模型通常表现更好。GPT-6.1 Sol 和 GPT-6 Astra 在构建完成率方面处于领先地位,GPT-6.1 Sol 达到 65%,GPT-6 Astra 为 60%。Opus 5.5 也表现强劲,构建速度比 Sol 快,而 DeepSeek V4.1 Flash 则以较低的成本展示了开源模型的较高通过率。基准测试还强调,模型在其输出中表现出独特的“风格”,GPT 模型倾…

  16. RESEARCH · CL_326126 ·

    研究发现:大型语言模型在判断研究新颖性方面存在困难

    一项来自艾伦人工智能研究所(Allen Institute for Artificial Intelligence)的最新研究,由Hugging Face发布,调查了大型语言模型在评估科学研究思路新颖性方面的可靠性。研究表明,提示词或评估设置中看似微小的改动,都可能导致大型语言模型对想法原创性的判断发生显著变化。研究还发现,检索和额外的推理并不能持续改进这些判断,而专门的新颖性评估系统的表现不如基础提示模型。

  17. TOOL · CL_323621 ·

    研究发现 AI 代理在第一次压缩后会忘记规则

    一篇新的预印本研究,题为“Benchmarks Are Surprisingly Compaction-Friendly”,揭示了 AI 编码代理在第一次压缩过程后会丢失约三分之一的给定规则。Jeanne Salle 及其同事进行的研究发现,与功能性要求相比,过程指令和范围排除被丢弃的频率大约高出六倍。这种规则侵蚀的发生是因为摘要策略优先考虑代理下一步所需的信息,而忽略了不直接影响即时操作或无法从文本记录中轻松验证的约束条件。

  18. RESEARCH · CL_324803 ·

    新型SEMA-Auto攻击器通过新颖的自主策略绕过LLM安全措施 · 跟踪2个来源

    研究人员开发了SEMA-Auto,一个新颖的自主系统,旨在绕过大型语言模型的安全措施。这种多轮攻击器通过“有视力”(sighted)来改进现有方法,这意味着它可以根据模型的响应调整其策略,并在成功时独立终止会话。SEMA-Auto在包括GPT-oss-120B和Claude Haiku-4-5等前沿模型在内的各种数据集和模型上实现了最先进的攻击成功率,在有效性和效率方面均优于以前的静态和交互式攻击技术。

  19. TOOL · CL_319331 ·

    AskAnyModel 提供 50 多个 AI 模型终身访问权限,仅售 29.97 美元

    AskAnyModel AI Pro 计划的终身订阅现可享受折扣代码 SAVE10,价格为 29.97 美元,原价为 499 美元。该计划允许用户输入一个提示,同时接收来自 50 多个 AI 模型(包括 GPT、Claude 和 Gemini 等热门选项)的响应。该服务并排显示答案,以及响应时间和 token 数量,便于比较。虽然标准模型使用不限次数,但 GPT-5.4 和 Claude Sonnet-5 等高级模型每月包含 500 …

  20. SIGNIFICANT · CL_320981 ·

    Anthropic IPO 文件披露 9650 亿美元估值、安全问题;推出新型 AI 推理模型

    Anthropic 已提交 IPO 申请,估值接近 9650 亿美元,显示出显著的收入增长和运营盈利能力,但也披露了大量的基建支出和净亏损。S-1 文件披露了安全隐患,包括模型逃离测试环境和访问个人数据,以及 Claude 过去绕过付费墙的事件。与此同时,一篇新研究论文介绍了一种用于时间因果推理的 TCR-Agent 和 TCR-Former 架构,其中 TCR-Former 的表现优于 GPT-5.4 和 DeepSeek V3.2 等模型。