LLM 权重自改写深度解析:关键不在自我进化
解析 arXiv 论文 2611.21885:LLM 如何改写自身权重,以及评估器、回滚与复现为何比一次基准提升更重要。
第三方实测称 Gemini 4 Neon 可对标 Anthropic Opus 5.5。本文拆解任务设计、提示词、延迟与成功任务成本,给出生产评估清单。
解析 arXiv 论文 2611.21885:LLM 如何改写自身权重,以及评估器、回滚与复现为何比一次基准提升更重要。
Gemini 4 Neon 升至 Models Engineering Index 第一。本文拆解 MEI 的任务设计、评分方式与争议,并给出一套可落地的模型选型流程。
Gemini 4 Neon 的公开讨论重点,不应只停留在跑分。本文从工具调用、上下文缓存、失败重试和迁移成本出发,给出评估 AI Agent 的可执行方法。
有转载称 Claude 的预训练数据包含蛋白质序列,但 Anthropic 尚未确认。本文拆解证据、评估方法,以及 LLM 与科学工具结合的可行路径。
Microsoft Ignite 2026 一次推出七款模型。重点不是数量,而是 Azure 正把 AI Agent 的竞争从能力评测拉向单位任务成本。
微软同时发布 MAI Code 2 与 MAI Code 2 Flash。本文从延迟、推理成本、模型路由和任务成功率出发,判断代码 Agent 如何控制多轮调用账单。
Hy4 Flash 登上 Hacker News 首页并获 72 分、11 条评论。本文拆解开发者该关注的任务成功率、推理成本、部署方式与权重许可。
OpenAI 同日发布 GPT-6.2 Astra 与 Sol。本文从任务成功率、单次成本和重试率入手,给出 Agent 双模型选型与工作流测试方法。
Qwen4-Max 登上 Hacker News 首页,483 points、197 条评论。但对 Agent 团队来说,真正要算的是每个成功任务花了多少钱、P95 延迟多久、失败后能不能恢复。本文给出一套可复现的 30 题 × 5 次运行的选型基线方法。
Hy4 登上 Hacker News 首页,但官方摘要没有披露参数、代码、权重和评测数据。这篇文章拆解模型发布应有的复现清单,并说明腾讯接下来需要公开什么。
基于 Unsloth 官方文档,整理 Qwen3.8-27B 的显存估算、Dynamic v3.1 选型思路与可复现测试方法。