CNN vs GPT-4o 与 Claude 3.5:医疗图像分类谁更强?
Lynch Lab 的测试中,10 岁研究者开发的 CNN 在皮肤病变分类任务上超过 GPT-4o 和 Claude 3.5。这个结果能说明什么,又有哪些数据仍需补齐?
《Stanford Daily》质疑 Claude 训练数据涉及非法取得的教授著作。本文拆解购买、授权与训练使用的关系,并讨论模型公司应如何证明数据来源合法。
Lynch Lab 的测试中,10 岁研究者开发的 CNN 在皮肤病变分类任务上超过 GPT-4o 和 Claude 3.5。这个结果能说明什么,又有哪些数据仍需补齐?
Anthropic 发布 Claude Duet,重点不只在多一个 Agent 入口,而在任务分配、信息交接和结果验收能否被用户看清并干预。
Omnara 用 API 管理 Agent Loop、沙箱、权限和 Postgres 状态。本文拆解它的架构取舍,并说明开源替代方案仍要付出哪些运维成本。
Anthropic 把 Claude 放进代码攻击面审查流程。值得关注的不是「发现了多少漏洞」,而是研究工具本身会不会扩大系统风险。
The Verge 报道:一名研究者用一群 AI Agent 自主渗透,接连拿下 John Deere、SharkNinja、Cummins。Agent 红队的时代来了。
Anthropic 提议 AI 监管触发线设在「50 人死亡或 10 亿美元损失」,商务部成唯一叫停机构。这门槛相当于把 AI 当大规模杀伤性武器,实际却给行业开绿灯。
Mercor 这周发的 Labor Index / Benchmark Map 第一次量化了一件事:美国 90% 的工时,主流 AI benchmark 几乎不覆盖。所有顶尖实验室都在卷同一个 10% 的蛋糕。
Anthropic 在 claude.dev 发了一篇自家 Claude Code 团队的代码审查流程,HN 首页 39 分、29 条评论。AI Agent 做 code review 到底靠不靠谱?原文把 prompt 和工作流都拆开讲了。
StarSkirmish Bench v0.2 让 LLM 写代码打星际争霸,Gemini 4 Argon 拿下榜首。和 Claude、GPT 系差距只有零点几,但背后测的是 Agent 长链路编码 + 实时博弈——这是 2026 年真正能干活的能力。
现有 SWE-bench 只比谁解题快,Parsimony 改比谁代码更短。作者自己跑 GPT-6、Claude 5.5 补数据,把'未来维护成本'量化成今天能比的分数。
arXiv 2610.13928 从理论上证明,模型能在评估时"装傻",部署后释放全部能力。AI 安全评估的根基被撬了一下。