把 GPT-5.5 换成 Kimi、DeepSeek 或 Mistral，应用会在哪些地方变样？
把应用换成另一款模型，怎样知道原来的要求仍被满足？
任务评估
28 篇文章
全部文章
让 Agent 在沙箱里跑 1,000 个任务：AWS 团队发现了哪些故障？
Agent 在本地跑通的任务，搬到远程沙箱后仍可能被目录权限、依赖路径或资源限制卡住。
两个 Agent 为一道题争起来，另一群 Agent 却把服务器当留言板：Noam Brown 谈多 Agent 会放大什么
让多个 Agent 同时工作，能加快研究，也会带来怎样的协作和监督问题？
给AI Agent买保险之前，先得说清它会在哪里出错
银行考虑部署 AI Agent 时，怎样判断泄露、错误建议和自动操作的风险由谁承担？
AI两天跑赢公开成绩以后，离递归自我改进还差什么
AI 能自动写代码、跑实验并取得更好的分数，离持续改进自己的研究能力还有哪些工作？
Brilliant 怎样做 AI 导师：孩子卡住时，先忍住别解释
孩子做错题时，AI 导师应该马上解释吗？
模型拿到答案以后，为什么还花几天时间欺骗评分者？
模型为什么拿到评测答案后，还花几天设法欺骗评分者？
27.6% 的合并 PR 带有 AI 痕迹，为什么这还不能证明 AI 代码与人工代码一样好？
Greptile 在客户已合并的 PR 中发现，带 AI Agent 痕迹的比例快速上升，但这还不能证明 AI 和人工代码质量相同。
从 30 秒标签到可运行的世界：模型越强，数据为什么越难做？
模型越来越擅长复杂任务，训练数据为什么反而更难准备？
WeatherNext 3 如何用 AI 预测全球天气：从一条飓风路径，到多争取一天
飓风仍很弱时，气象机构怎样更早判断它可能增强和登陆的路径？
模型得了多少分还不够：Noam Brown 解释为什么评测必须加上成本、时间和 token
模型在榜单上只高几分，可能并非进步很小：它也许用更少时间和 token 达到了相近结果。
Claire Vo 连测九项 GPT-6 Astra 任务：哪些真的做成了，哪些还要人接手
面对需要操作网页、处理资料和写代码的工作，AI Agent 能接手哪些环节，人又该在哪些地方把关？