arXiv cs.LG

Jason Z Wang

本文提出大语言模型基准覆盖的体视学理论，实证发现主流榜单有效维度仅2.86-4.80，评估盲区远超得分差距，排名波动极强：前二模型互换率近半，92%的数据集拆分都会更换榜首。研究还提出子模贪心选基准算法，仅4个核心基准即可稳定排序，7个可达90%覆盖度，同时解决了1995年提出的Gardner 1.5号理论问题。

ERRORQUAKE: Heavy-Tailed Error Severity Distributions in Open-Weight Large Language Models

Jason Z Wang

针对现有开源大语言模型评测仅统计错误率、忽略错误严重度差异的问题，研究团队构建跨8领域、5难度层级的Errorquake-10k评测基准，对21款开源大模型的错误严重度分布建模。研究发现相同准确率下模型严重度分布差异显著，该指标与错误率信息不冗余，高严重度错误多为信息捏造，建议将其纳入常规评测维度。

Staged Factorial Screening for Budget-Constrained Micro-Pretraining

Felipe Chavarro Polania

本文面向预算受限的微预训练候选配方筛选场景，提出分阶段析因筛选方法，经613组不同时长、硬件的对照实验验证：该方法可在短预算下快速定位高惩罚参数方向、锚定优解，相较随机搜索具备因子归因能力，24小时实验周期内桥接模型导向的方案表现最优，不存在通用硬件排序。

OpenAI

How Endava is redesigning software delivery around AI agents

OpenAI

这份行业实践报告介绍了科技服务商Endava围绕AI智能体重构软件交付模式的落地经验：该企业部署ChatGPT企业版、Codex等AI工具，既大幅提升软件交付效率、实现常规工作流自动化降本提效，也同步在全公司推进AI原生文化建设，为行业AI赋能研发交付提供了可参考路径。

Dreaming: Better memory for a more helpful ChatGPT

OpenAI

这篇面向ChatGPT体验优化的研究，针对现有版本跨会话易遗忘用户偏好、上下文关联性弱的痛点，提出名为“Dreaming”的新型记忆系统。该系统可持久留存用户个性化交互偏好，跨会话维持上下文的新鲜度与适配性，能有效降低用户重复交代需求的成本，大幅提升ChatGPT的交互友好度。

Anthropic News

Introducing Claude Opus 4.8

Anthropic

本次推出的Claude Opus 4.8是Anthropic旗下Opus系列高端大模型的最新迭代版本。该模型完成了核心能力升级，在代码开发、智能体任务执行、专业领域工作三类场景下性能表现显著提升，同时优化了运行稳定性，可稳定支撑长周期复杂工作的持续处理需求。

Expanding Project Glasswing

Anthropic

本次公开了跨境网络治理项目“玻璃翼（Project Glasswing）”的扩容计划：该项目主打多主体联合打击虚假信息、跨境有害内容传播，本次将合作范围拓展至15个以上国家的约150家新机构，可进一步扩大治理覆盖半径，强化全球多主体协同处置网络生态问题的整体效能。

Google DeepMind

We’re launching the Google DeepMind Accelerator program in Asia Pacific to tackle environmental risks

Google DeepMind

谷歌DeepMind近期面向亚太地区启动加速器项目，聚焦应对气候变化、生物多样性退化、极端灾害预警等环境风险。项目将依托DeepMind在强化学习、大模型等领域的前沿AI技术，联动本地科研、政企生态伙伴，推动AI在环境治理场景落地，为亚太区域环境风险防控、生态保护提供适配技术方案。

Fast-tracking genetic leads to reverse cellular aging

Google DeepMind

这篇题为《挖掘遗传线索加速逆转细胞衰老》的研究，核心方法是生物学家借助Co-Scientist智能科研系统开展筛选，成功识别出一批此前未被报道的新型调控因子，可高效实现人类细胞的年轻化重编程，为后续抗衰干预方案开发、衰老相关疾病防治提供了全新的潜在靶点方向。

The Gradient

After Orthogonality: Virtue-Ethical Agency and AI Alignment

The Gradient

这篇AI对齐研究从德性伦理视角出发，挑战“理性主体以固定最终目标为行动导向”的传统假设，指出人类理性的本质是行动匹配包含行为规范、评价标准在内的实践网络，而非指向特定目标。研究提出，要实现AI安全合规、契合人类伦理、可协同的对齐目标，需让AI决策逻辑匹配人类这类基于实践的行动逻辑。

AI 每日精选 · 2026-06-06