标签： GPT-4

alphaXiv 上的论文 BrickWright 提出用工具和验证器引导预训练编码智能体写乐高拼装代码，在 512 条文本提示上把物理有效搭建率从最低 8.6% 提升到 100%，让 AI 生成的 3D 模型更接近能真实拼起来的零件组合。

一个由 Claude Opus 5.5 与 GPT-6 Astra 代理组成的组织，在三天内完成对 Nenya 智能体工具层的递归改进，并总结出“智能体工具层（harness）能把模型未发挥的潜力补回多少”的经验规律。值得关注的是，这展示了 AI 系统在受控评测条件下自我改写组件、提升能力的路径。

Hugging Face Papers 收录的论文 Agent Mosaic 指出，具备文档检索能力的 LLM Agent 可能把多份单独不敏感的文档拼成敏感结论并对外披露；即使在受控模拟中表现最好的 GPT-5.6-Sol，泄露率也有 7.08%，加上可见密级标签和聚合规则后，模拟答案中仍有 32.37%…

一篇上传至 Hugging Face Papers 的论文摘要称，在不改变模型权重、只调整“思考长度”的条件下，多数被测的开源推理模型和 GPT-5 会更倾向按字面理解“有些”“或者”等词，日常会话中的言外之意反而被取消，而间接回答等依赖语境的推断有所改善。

arXiv 上一项新研究用 GPT-6 Luna 和 Gemini 2.5 Flash Lite 搭建“双模型辩论”框架，观察大模型在多轮对话中如何相互影响；结果显示同模型对话平均缩小观点差距，跨模型对话反而扩大，而且明确要求“说服对方”并不必然提升影响力。

arXiv 新论文比较了一款名为 Jev 的“决策语言模型”与多种 LLM 评委在临床 AI 输出评测中的表现：其与医生评分的吻合度在部分任务上不输前沿大模型，而成本低至后者的 1/73 到 1/294，耗时也更短。