标签： GPT-4

一篇 2026 年 11 月发布的论文显示，前沿模型在频繁压缩上下文、每次只保留简短交接状态时，长程任务准确率几乎没有下降，并据此提出“语义状态空间模型”概念，直接质疑长上下文路线的必要性。

arXiv 上的一篇新论文提出 RSI-Dojo，用 281 个可执行训练任务和轨迹数据，把“做后训练”这项能力教给 LLM Agent；基于此微调的 Qwen 模型在 PostTrainBench 上超过各自基座。

arXiv 2026 年 11 月 4 日上线的一篇论文提出 LOLPlay 基准，在《英雄联盟》原生环境中评测实时视觉智能体，覆盖 36 个英雄专属任务。GPT-6 Astra 在摘要报告的评测中取得最高 25.0% 任务成功率，但提高推理强度并未带来收益，暴露出“想得越多、动手越慢”的实时控制难题。

有研究团队用2024年7月至2026年9月发布的20个大模型，重新检验50项被广泛引用的LLM结论，发现截至2026年9月30日，44%已不再成立、34%明显减弱，说明不少关于AI的认知可能只有很短的保质期。

Simon Willison 复现论文示例发现，普通笔记本上运行的开源模型 Qwen 3.8 27B 仅凭数值权重就能判断某个小型强化学习网络训练的是哪款游戏，说明“权重空间编程”这一能力并非只有顶级闭源模型才有。

斯坦福研究者检验50条被广泛引用的LLM结论，发现44%已经失效；对普通用户和开发者而言，过去看到的“大模型不会做X”很可能只是对旧模型的描述。