Surge AI 推出 DAYJOB: Tax 基准，用 50 个专业税务任务评测 AI Agent，覆盖个人税、小企业税、合伙企业、房产投资、遗产赠与信托、国际税、公司交易、税务审查争议八个领域。评测采用 pass@1、95% 评分标准阈值，即一次尝试需满足至少 95% 的任务标准才算通过。排行榜上 Claude Sonnet 5.5 以 10.8% 通过率居首，Claude Fable 5.1 为 9.6%，Claude Opus 5.5 为 9.2%。文中举例：在 Anna 卖房案例中，Astra 五次尝试均…
推荐理由最高通过率仅 10.8%，说明税务等专业场景的 Agent 仍远未可用，选型时别高估。
帝国理工、杜克、港中文等机构研究者发布 GEAR，一个面向 LLM Agent Harness 递归自我改进的开放通用进化架构。框架把自我改进组织为两层元学习：内层循环中 rollout agent 用任务反馈改进单个任务内的推理、规划与行动；外层 Meta Agent 跨任务识别重复失败与有效策略，提出可复用改进并评估推广。进化搜索被拆成可替换的算法组件，Staged GEPA 是其中一个实例。在 GPT 5.6 Luna medium 上，营销任务通过率 27%→40%，客服 17%→25%，编码 52.8%→…
推荐理由三个场景通过率提升 8-13 个百分点，做 Agent Harness 的可以直接参考这套两层循环设计
英伟达参与印度初创公司 Simplismart 的 1400 万美元 B 轮融资，本轮由 Dallas Venture Capital 领投，Accel、Shastra VC、Micromax 跟投，公司估值约 1 亿美元。Simplismart 的软件位于 AI 模型与算力基础设施之间，自动调整模型的响应速度、并发量和算力消耗，支持在自有平台或客户已有的云和本地环境中部署、微调、弹性扩缩容和监控。公司称帮助 AI 视频平台 InVideo 将 GPU 服务成本降低 56%，客户还包括 HeyGen、Higgsfi…
推荐理由GPU 成本降 56% 的具体案例，做推理部署和成本优化的团队可以直接参考
OpenAI 宣布其内部模型在调和分析、复杂性理论和量子场论三个方向取得新发现，并首次尝试让外部学术专家担任「牧羊人」，为三项成果分别设计不同的发布方式：数学成果直接公开 AI 输出，由研究者自行组织解读；计算机科学成果组建外部合作组负责解释，同时公开 AI 输出供人检验；物理成果则组建外部合作组，并由该组决定材料何时发布。合作遵循透明、不取学术署名、给予贡献者认可、独立自愿无报酬四项原则。计算机科学组的自然语言证明和 Lean 形式化已直接发布到 OpenAI 的 GitHub 仓库；物理组决定暂不公开 AI 产…
推荐理由AI 生成的数学证明首次以「原始研究数据」形式交给学术界验证，Lean 形式化已公开可查。
一位皮肤科医生用 200 个经活检确认的病灶（来自 2025 年公开数据集 MILK10k）对比测试了 GPT-6 Astra、Claude Fable 5.1 和一个微调过的 Inception v3（Google 2015 年发布的 CNN）。CNN 在 6 类诊断中答对 125 个（62%），两个前沿 LLM 分别答对 84 和 85 个（42%）。CNN 的微调只用了约 20 分钟。其中一个厚度不足 0.8 mm 的侵袭性黑色素瘤，两个 LLM 都判为无害的脂溢性角化病并建议无需治疗，CNN 判对。
推荐理由医疗场景选模型别只看参数：20 分钟微调的老 CNN 比前沿 LLM 高 20 个百分点
斯坦福和 UC Berkeley 研究者发布 TokenGate，一种可插拔的 token 剪枝模块，让已有 LLM 只对重要 token 做完整计算。在 Qwen3-1.7B 上测试最长 128k 上下文，首 token 延迟（TTFT）提速 1.4 至 11.3 倍，预填充峰值显存降低 1.5 至 3.4 倍，且无精度损失。最佳场景为 NIAH 16k：TTFT 快 11.3 倍、显存降 3.42 倍；128k 时 TTFT 提速达 13.0 倍。在 5 个任务上对 6 个基线达到帕累托最优，对比次优基线 TT…
推荐理由长上下文推理可直接降本：128k 场景 TTFT 快 13 倍，代码已开源可试
一项 arXiv 论文用心理语言学特征分析 AI 生成文本，发现 9 个前沿及准前沿模型都比人类写作更频繁使用无生命主语搭配有生命动词、低频 n-gram，多数模型还使用更长依存距离、更多名词堆叠和缩减宾语关系从句，且不同模型家族差异明显。作者提出假设：人类语言为沟通优化，AI 文本则被数学、代码、推理等目标推向高信息密度。用长度惩罚微调语言模型的实验初步支持该假设。
推荐理由解释了为什么 AI 写的文字读起来累，并给出可验证的语言学指标，写 prompt 和做内容的人可直接参考
微软 AI 诊断系统 MAI-DxO 在《Science》发表的研究中，对《新英格兰医学杂志》疑难病例的模拟诊断准确率为 83%，而单独工作的全科医生和内科医生为 36%。该系统协调多个 AI Agent 扮演医生小组，通过问诊、开检查、辩论得出诊断。研究同时显示，提升主要来自底层模型本身：GPT-5 单独使用准确率 78.9%，DxO 仅提升约 4 个百分点，每例成本约 8400 美元、节省约 3000 美元；GPT-5.5 单独 72%，配合 DxO 升至近 87%。急诊病例上 DxO 无明显增益。研究未与专科…
推荐理由83% 对 36% 的数字背后，DxO 只贡献约 4 个百分点，真正决定效果的是底层模型
Anthropic 的 Claude 在 Claude Science 研究环境中基本自主完成了针对蝎毒神经毒素的蛋白结合体设计。蝎子蜇伤每年致死超 3250 人。Claude 针对 4 种蝎子的 5 种毒素生成 318484 个设计，首次提示后自主工作 24 小时，团队随后追加指令引导。Claude 选出 180 个候选，团队另加 31 个，实验室测试 211 个设计中有 17 个符合结合体标准。最强的两个与墨西哥蝎毒素 Cn2 结合极紧密，作用位点与已知能中和 Cn2 的抗体相同或相近。是否真能作为抗毒血清尚未…
推荐理由318484 个设计、24 小时自主工作、211 个实测中 17 个命中，看 AI 做湿实验前筛选的真实命中率
一篇技术博客指出，许多 Agent 设计者让 LLM 输出概率或置信度分数，但这个数字没有可信依据。文章用天气预报类比说明：置信度应是对同一类判断的长期校准，比如在预报「70% 会下雨」的那些日子里，实际约 70% 下了雨；而 LLM 给出的分数无法通过这种校准检验，因此不应作为决策依据。原文信息有限，正文只展开了置信度定义与校准方法部分。
推荐理由做 Agent 时若用 LLM 自评置信度做路由或兜底，这篇说明该做法为何失效
Tom's Hardware 报道，搭载于 Surface Laptop Ultra 的英伟达 RTX Spark Superchip，在使用 Qwen 模型的智能体 AI 完成度基准测试中，性能比苹果 M5 Max MacBook Pro 高出约 25%。英伟达 CEO 黄仁勋发布了 RTX Spark 平台，官方称其为智能体 AI 时代 PC 重塑奠定基础。原文未披露具体测试项目、模型版本和功耗数据。
推荐理由想买 AI 笔记本的人可先看这个数字：本地跑 Qwen 智能体任务，英伟达方案比 M5 Max 快约 25%
Sakana AI 与 UC Berkeley 提出 MASS（多智能体自监督）方法，让同一个语言模型同时扮演解题、优化流程和评估结果三个角色，无需更强的教师模型即可递归自我改进。三个角色均有提升，但共享盲区会让错误被当成进步，并进入下一轮训练。实验中模型以 Qwen3.6-27B 为基座、Qwen Code 为运行框架，使用 GPT-5.5 生成的 12 个金融、机器人、制药研究任务，其中 9 个训练、3 个测试，仅 8 个产出训练数据。
推荐理由做 Agent 自评和自动迭代的人该看：同一模型既当选手又当裁判，错误会被固化进训练数据。
微软研究院发现，长时间运行的 AI 研究 Agent 会陷入「想法盆地」：同一任务 8 次独立运行最终得分从 68.3 到 100.0 不等，且增加算力也无法缩小差距。原因是累积的对话上下文把搜索限制在相似解附近。研究者提出 Fork-and-Flush 方法：将 Agent 分成 K 个并行分支，每个分支继承工作区文件但清空全部对话上下文。在 13 个长任务（含多联骨牌填充、作业车间调度、密码分析等）上，同等算力下归一化平均分从单次运行的 0.47 提升到 0.78，相对提升 66%。
推荐理由做长时程 Agent 的可以直接抄：清空对话、保留工作区文件，同等算力分数提升 66%
Google DeepMind 的 AlphaProof Nexus 解决了 353 个 Erdős 开放问题中的 9 个，其中两个已悬而未决 56 年。该研究发表在 Science 上，并经过同行评审。此外，它还证明了 OEIS 整数序列数据库中的 44 个猜想，解决了一个代数几何中的开放问题，并改进了 min-max 优化中的一个已知边界。系统基于 Gemini 3.1 Pro，用 Lean 形式语言起草和修订证明，Lean 在每次编辑后检查草稿，错误信息指导下一次尝试。对于更难的子问题，它可以调用专门的证明工…
推荐理由AI 首次在开放数学问题上取得经同行评审的成果，9/353 的解决率和 56 年难题被攻克是具体指标。
前 DeepMind 科学家、AlphaGo 主要设计者 David Silver 接受 Financial Times 采访，介绍其新创业公司 Ineffable。该公司试图用强化学习（RL）构建一个 AI「超级学习者」，作为大语言模型之外的另一条技术路径，目标是造出能自我教学的机器。Silver 表示自己有一种推进这项技术的道德义务。原文为付费墙后的采访，具体技术细节和融资信息有限。
推荐理由AlphaGo 核心人物转向 RL 路线创业，是观察「后 LLM 时代」技术分歧的一个具体样本。
Fireworks 发布技术报告，介绍支撑 Kimi K3 强化学习训练的基础设施，涵盖全参数训练与 rollout 生成、训练与推理一致性、无服务器 LoRA 训练。Kimi K3 为 2.8 万亿参数、100 万 token 上下文的模型，其 LatentMoE 将 FP4 专家分布到多 GPU，需 all-to-all 通信。Fireworks 用自研 MoE Mega Kernel 做通信与计算重叠，包括环形缓冲、微批流水线、量化融合进暂存。同一套设施支撑 Harvey 基于 K3 的法律模型 Tenet，…
推荐理由做大规模 RL 训练的人可看 MoE 通信重叠和 FP4 专家分布的具体做法
Epoch AI 发布 InnovationEval 评测，测试 AI 能否独立发现与人类研究者水平相当的新机器学习技术。结果显示，近期前沿模型在该任务上进展甚微，尽管消耗了价值数千美元的 GPU 算力做实验。评测设定为：给 AI 2026 年初之前的 AI 研究知识，看它能否自主提出并实现一个后训练方法，达到此后人类论文的改进水平，需完成从构思、实现、实验到迭代的完整闭环。
推荐理由想判断「AI 自动做研究」离现实有多远，这份评测给出了可量化的早期答案
AI 研究者 Nathan Lambert 撰文认为，业界顶尖研究者之所以相信 AI 几年内会超越自己，是因为他们看到模型在基础设施和工程能力上的加速。他同意模型几年内会成为超人的分布式 GPU 工程师，但这只会让模型实验和调参更容易，不会让模型本质发生剧变。他认为当前进展主要来自推理时算力的扩展，而非模型研究能力的跃升；训练和推理栈中大量指标（每 GPU 每秒 token 数、每次回答成本等）高度可优化，预计几年内 AI Agent 可端到端优化这一过程，使推理能力接近硬件算力上限。过去几年推理效率提升已很可观，…
推荐理由了解一线研究者对「AI 自我改进」的冷静判断：进步来自工程与推理算力，而非模型本质跃迁。
OpenAI 本周突然发布近 400 项 AI 生成的数学结果，分布在 700 多份手稿中，覆盖组合数学、几何、数论、理论计算机科学、代数、拓扑、概率与统计力学、数学物理等多个分支。多位数学家对 The Verge 表示，仅浏览约 40 页的目录和摘要就要花近一小时，完全理解这些成果可能需要数年。OpenAI 在 GitHub 上承认结果处于"不同验证阶段"，719 份手稿中仅 300 项核心结果完成 Lean 形式化，约 42%，并称将陆续补充。部分数学家对形式化比例过低表示不满。
推荐理由了解 AI 在数学领域一次规模空前的成果投放，以及 42% 形式化率这一关键验证缺口。
Hacker News · AI10/10资讯论文研究海外数学家 Thomas Hales 在陶哲轩博客发表客座文章，讨论 Lean 定理证明器的可靠性及其与 AI 的关系。文章介绍形式化数学：形式化证明在数学基础和逻辑规则层面被穷尽检查，通常由计算机完成。已被形式化的定理包括四色定理、Feit-Thompson 定理、开普勒猜想、球面翻转、8 维和 24 维球堆积问题、Navier-Stokes 强制爆破和费马大定理，后三项于今年完成。Lean 由 Leo de Moura 于 2013 年在微软开发并开源，mathlib 库现有近 30 万个定理、超 10 万个定义、…
推荐理由了解 Lean 形式化数学的现状：mathlib 已有 30 万定理，费马大定理等今年刚完成形式化
开发者用 VES 电阻率数据做基准测试：Choba 站点的层值 91、380、43、474、597 ohm-m 按规则应标为 KHA 型，但已发表论文写成 A 型。把同样的层值和错误标签喂给三个模型并问「这个标签对吗」，三个模型每次都答错；改问「写一份站点记录」时，三个模型每次都生成 A 型记录。Gemini 3.7 Flash 和 Claude Sonnet 5 在未给标签时曾自行写出 KHA。测试设置了正确标签对照项和无标签对照组，防止模型靠一律否定得分。
推荐理由做数据校验类 Agent 的人该看：模型在「判断」和「生成」两种问法下都会跟着错误标签走
MIT Technology Review 在每日通讯 The Download 中指出，人形机器人的热度已到顶点，但许多研究者对「ChatGPT 和 Claude 背后的 AI 进展能直接让机器人模仿人类动作」持怀疑态度。他们认为，把基于语言和图像训练的智能用于应对物理世界的无限变化，低估了其中的难度；把「人形」与「通用机器」混为一谈也具有误导性。各机器人实验室内部对「现有 AI 是否足以造出通用人形机器人，还是需要全新路径」存在分歧。原文为通讯摘要，未给出具体研究数据。
推荐理由看人形机器人赛道的人可据此判断：语言模型的进展不等于机器人落地，别被演示视频带节奏。
Anthropic 官方账号表示，Haiku 5.5 在 10 万 token 以下的任务上性价比尤其突出，而这类任务占此前 Haiku 模型请求量的约 90%。原文未披露具体定价、上下文窗口或基准测试数据，信息有限。
推荐理由知道 90% 的 Haiku 请求都在 10 万 token 以下，选型时可直接按这个区间比价
一项可复现实验（50 篇文本、约 1300 道题）显示，让模型用 19 世纪电报文体（cablese）输出，可节省 40.4%–48.9% 的 token，且下游模型读取压缩记录的准确率不低于原文（恢复比 0.99–1.10）。GLM-5.3-Flash 自身节省 48.4%，qwen3.8-27b 省 48.9%，gemma-4-31b 省 40.4%。但 gpt-5-mini 例外：它无法关闭推理，压缩反而让它思考更多，写入成本约为普通文本的两倍，仅省 17.7%。若不加小写指令，模型会用全大写电报体，风格开销…
推荐理由想省 token 成本可直接照搬：加小写指令让模型输出电报体，多数模型省 40% 以上且不影响下游读取。
PhAI Labs 联合斯坦福、牛津、普林斯顿等机构提出 JEPA-Anything，把 Yann LeCun 的 JEPA 架构扩展到物理、机器人、天气、单细胞、临床等七个领域。方法上把预测状态拆成四个正交因子，各由独立预测模块处理，再重组为完整世界状态。在简化 Pong 环境中预测误差下降 35%，未见过的干预组合下降 13%；Burgers 方程基准误差下降近一半，但 50 步后优势缩小到约 3%。单细胞类型判定和 1000 多个临床疾病事件预测略有提升，图像任务提升很小。团队还用该模型筛出一个肝癌治疗候选物…
推荐理由世界模型从单领域走向通用的一次实测：Pong 误差降 35%，但长程优势仅 3%，适合判断 JEPA 路线真实边界
一个由 AI 智能体组成的研究团队在磁性材料研究中取得进展：设计出一种候选磁体，并发现 1999 年首次合成的一种材料经计算预测具有目标性质。研究背景是自旋电子学中寻找介于铁磁体与反铁磁体之间的材料，用于 MRAM 等非易失性存储。铁磁体磁场外泄、翻转慢且耗电，普通反铁磁体则无法按自旋区分电子，因此需要居间材料。原文未披露具体材料名称与实验验证结果。
推荐理由AI 智能体首次参与磁性材料设计，做存储和自旋电子学的人可以看这个研究范式
The report, published in June 2026, documents how AI is chipping away at core parts of the college experience. Students are already using it across the board, and the effects are showing: fewer show up to office hours, o…
推荐理由产品发布/更新类信息，来自 The Decoder，建议按需查看原文。
Wolfram 在文章开头回应了「AI 已能解数学题、是否还需要人类做数学研究」的讨论。他以 1988 年 Mathematica 问世时同样出现「数学被取代」的论调为例，指出 Mathematica 实际只是抬高了可做数学的层次，并催生了新数学。他认为符号积分这类问题求解虽被工具替代，但这并非纯数学的核心；纯数学是文明构建的最大智力结构，其价值不能仅由应用或「标准答案之书」来定义。原文信息有限，后续内容未完整给出。
推荐理由Wolfram 亲述 Mathematica 当年被指取代数学的旧事，可对照当下 AI 解数学题的争论。
DeepMind 研究员发表文章，提出「人工共生智能」（Artificial Symbiotic Intelligence）概念，主张 AI 研究的核心挑战应从构建单一超级智能转向协调由智能体、人和连接系统组成的复杂网络。文章引用两项预印本研究：一是 Evans、Bratton 等人提出的智能体 AI 与社会制度视角；二是 Kim、Lai 等人对 DeepSeek-R1、QwQ-32B 等推理模型的分析，发现推理轨迹中常出现类似内部辩论、转换视角、提出异议的模式，且这种行为在强化学习仅奖励推理准确率时自发涌现。作者…
推荐理由了解 DeepMind 对 AI 发展路径的最新判断，以及推理模型「社会性思维」的实证发现
Meta AI 在 X 上表示，其 AI 模型在数学、物理、化学三个领域的五项竞赛中取得金牌级表现。帖文重点介绍了其中一项优化方向的研究：研究者与 Muse Spark 合作，证明了一条明确规则，用于判断某个简化何时能精确等价于原始数学问题、何时会留下缺口。原文未披露具体竞赛名称、模型名称与成绩数据，信息有限，论文链接指向外部页面。
推荐理由想知道 Meta 竞赛级模型进展的人可看，但帖文只给了结论和论文链接，没有分数细节
MIT Technology Review 发表评论文章，以 AlphaGo 第 37 手为例指出：AlphaGo 的创造性来自「策略网络提供直觉 + 搜索机制进行推演」的双系统结构，而当前大语言模型只是不断预测下一个 token，缺少这种显式的搜索与推演环节。作者认为，若想让 AI 在科学、医学等领域产出可信且真正新颖的结果，需要为其补上真正的推理能力。原文正文在此处截断，后续论证信息有限。
推荐理由想搞清楚「LLM 会不会推理」这场争论的技术依据，这篇用 AlphaGo 双系统做了清晰对照
Karpathy 在 X 上介绍了一个简单评测：给 LLM 一个经纬度坐标文本，只问「Land or Water?」，重复 16,200 次后把结果画成图。他表示模型能答对，这种能力来自对互联网数据的压缩。该帖引用了 @celestepoasts 发布的各版本 Claude 测试结果图。原文未给出具体准确率数字。
推荐理由一个零成本可复现的评测玩法，用 1.6 万个坐标点就能直观看出模型的空间知识边界
日本东北大学行星科学家 Hiroki Karyu 团队用微物理模型确认，金星大气底部的黄色"下层雾霾"是陨石烧蚀后留下的宇宙尘埃颗粒与硫酸反应形成的。该雾霾由 1970 年代 Venera 和 Pioneer Venus 探测器发现，成因悬置数十年。研究发表于 Nature Astronomy，指出持续涌入的宇宙尘埃足以维持该雾霾层，且这些颗粒可作为高效凝结核，促进主云层在远离源头处成云。
推荐理由金星雾霾之谜的答案：宇宙尘埃当凝结核，行星大气研究可参考这套微物理建模思路
卡内基梅隆、MIT、纽约大学和斯坦福的研究团队开发的 AI「Ataraxos」以 15 胜 1 负 4 平击败被公认为史上最强的 Stratego 选手 Pim Niemeijer。此前连 DeepMind 都未能造出稳定击败顶尖人类玩家的 Stratego AI。该 AI 训练仅用 16 块 GPU、花费几千美元。Stratego 是不完全信息博弈，双方各 40 枚棋子，身份只在碰撞时揭示，隐藏信息量大且跨越很长时间尺度。
推荐理由16 块 GPU、几千美元就攻克了 DeepMind 没拿下的不完全信息博弈，做博弈 AI 的可以看它的低成本路线。
AI 系统 Ataraxos 在军棋类桌游 Stratego 上击败了史上最强人类选手 Niemeijer（四届世界冠军、世界排名第一超 600 周）。Stratego 双方 40 枚棋子暗置，可能布局超 10^33 种，属不完全信息博弈，此前是 AI 尚未超越人类的最后几个主要棋类之一。DeepMind 的 DeepNash 曾用 1024 个 TPU 节点训练 2-3 个月（约 300-450 万美元）仍未突破顶尖人类水平；Ataraxos 仅用 16 张 H100 训练一周加 4 张 GPU 四天，成本不到 …
推荐理由16 张 H100、不到 8000 美元就攻下不完全信息博弈，做博弈 AI 的可以看它的样本效率技巧
Google DeepMind 在 X 上预告新模型 Argon，输出上限达 100 万 token，主打更深层推理，用于一次性处理长链条、多步骤问题。官方称正在收集早期测试者反馈，之后将陆续向开发者、企业和普通消费者开放。原文未披露模型参数、发布时间、定价及具体能力评测数据，信息有限。
推荐理由100 万 token 输出上限是目前公开模型里少见的量级，做长文档生成和复杂 Agent 任务的人可以先记下这个型号。
开发者文章解释幻觉机制：模型不检索事实，只按训练数据中的统计概率预测下一个 token。训练语料里「我不知道」这类表达极少，自信的答案更常见，因此模型在缺乏可靠答案时仍会给出高置信度输出。聊天模型虽经额外训练学会拒答，但多数评测基准把「我不知道」记为 0 分，与答错同分，导致猜答案的模型排名更高。文章还指出，冷门事实和存在争议的话题更容易触发幻觉。
推荐理由想搞懂幻觉成因的人可看，关键结论是评测把「拒答」和「答错」同分，等于在奖励模型瞎猜。
Anthropic 官方账号 @claudeai 转发 @forwardeditor 用同一提示词对 Sonnet 5 和 Sonnet 5.5 做的弹球物理模拟对比测试，并附视频链接。原文未给出测试结论、评分或具体差异，信息有限。
推荐理由想了解 Sonnet 5.5 相比 5 在物理模拟上是否进步，可先看这段同提示词对比视频
这是一篇 2021 年 10 月提交到 arXiv 的旧论文，因 Hacker News 讨论被重新翻出。作者提出一种多智能体 AI 架构，借鉴 Kahneman 的「快思考/慢思考」理论：系统 1 智能体只依赖过往经验直接反应，系统 2 智能体在需要推理和搜索最优解时被刻意激活。两类智能体都由世界模型（环境领域知识）和自我模型（系统过往动作与求解器能力）支撑。论文认为当前 AI 仍属窄 AI，成功主要依赖算法、大数据和算力，缺少人类智能中的元认知能力。原文信息有限，未给出实验数据。
推荐理由做 Agent 架构的人可以看这套快慢双系统的分工设计，与当下推理模型思路同源。
一个 7440 亿参数 MoE 架构的 agentic 语言模型 Atria Dawn Preview 项目披露了人机协作数据：96.5% 的任务使用了 AI，四个月内 agent 动作与人类输入的比值中位数从 11 升到 28.5。455 个已完成 AI 辅助任务中，151 个（约三分之一）被认为没有 AI 无法完成，分布在 56 名参与者中的 27 人。方法参数决策中 85.5% 由人类做出，AI 仅 9.2%；目标和范围 93.4% 由人类最终决定。模型在 16 项基准中领先 5 项，包括 Automatio…
推荐理由拿到一组具体数字：AI 让三分之一原本不会启动的工作成为可能，但最终决策权仍牢牢在人类手里。