策展精選

Cloudflare 新網站僅驗證 Markdown 回傳，基礎不夠完善。 Cloudflare 推出的新網站作為基準，僅檢查 API 是否回傳 Markdown 格式，但未涵蓋完整標準驗證。相較之下，「acceptmarkdown....

Kimi K2.6開源模型在程式碼基準領先，強化長視野編碼與Agent叢集。 Kimi K2.6是Moonshot AI最新開源模型，在多項程式碼基準達到SOTA成績，如HLE w/ tools (54.0)、SWE-Bench P...

Claude Opus 4.7 在「Document Arena」與「Vision Arena」奪冠，領先幅度驚人。 「Arena.ai」公布最新排行，AnthropicAI 的「Claude Opus 4.7」在「Document ...

Simon Willison升級「Claude Token Counter」工具，揭露Claude Opus 4.7 tokenizer變化導致token數暴增，實際成本大幅上漲。 Simon Willison於2026年4月20日發...

我們是如何打造高 token 效率的記憶演算法 全新的 @mem0ai 記憶演算法在 LoCoMo、LongMemEval 和 BEAM 測試中達到了極具競爭力的準確度，且每個查詢使用的 token 數不到 7,000 個（約減少了 ...

EvoForge：擴展演化式 Harness 優化 為什麼只優化一個 harness，而不試著同時優化多個呢？這就是 EvoForge：一個演化式 harness 優化器。 在 TerminalBench 2.0 測試中...

DDTree透過單次區塊擴散前向傳遞建構草稿樹，提升推測解碼加速比。 DDTree（Diffusion Draft Tree）是一種新型推測解碼方法，從單次區塊擴散前向傳遞產生每個位置的token分佈，直接建構草稿樹，並以樹狀注意力在...

R-Zero實現零外部資料自進化LLM推理能力大幅躍升。 「R-Zero」是ICLR 2026論文提出的全自主框架，從單一基礎LLM出發，透過「Challenger」與「Solver」兩個角色互動共進化，生成自身訓練資料並克服人類資料...

Claude Opus 4.6 效能遭大幅削弱，幻覺率激增導致排名暴跌。 根據 BridgeBench 的最新測試，Claude Opus 4.6 的推理能力顯著下降，顯示該模型近期已遭到「削弱」（nerfed），導致其在基準測試中的...

GPT 5.4 Pro 的競爭力顯示 OpenAI 下一代旗艦模型將超越 Mythos。 儘管市場焦點多集中於 Mythos 的強勢表現，但數據顯示 GPT 5.4 Pro 在現有評測基準上已展現出極高的競爭力，這預示著 OpenAI...

研究顯示平行採樣在大型推理模型中優於序列採樣。 Google DeepMind 的研究指出，在大型推理模型 (LRMs) 進行數學與程式撰寫任務時，平行採樣的表現通常優於序列採樣，且關鍵原因在於序列採樣缺乏足夠的探索性。 研究背...

「HyperMem」透過超圖架構優化長期記憶，在 LoCoMo 基準測試中達到 92.73% 的準確率。 EverMind 團隊發表的最新論文「HyperMem: Hypergraph Memory for Long-Term Con...