文章讨论了AI行业的现状，提到SpaceX以600亿美元收购Cursor引发市场泡沫质疑。作者认为开源代码是最佳编程工具，尽管闭源模型如GPT-5.4和Opus 4.7成本高但性能优越。文章还提到AI行业存在“AI精神病”，对未来持悲观态度，呼吁结束不切实际的追逐。

Meta计划于明年春季推出名为「牛油果」的闭源模型，该模型在训练中使用了阿里巴巴的Qwen等开源AI。这一转变标志着Meta从开源向闭源战略的转变，引发市场和投资者的关注。

KRIS-Bench项目评测图像编辑模型的推理能力，发现所有模型在程序性推理上表现不佳。该项目从事实性、概念性和程序性知识三个层面进行系统评估，涵盖多种编辑任务。测试结果显示，闭源模型优于开源模型，尤其在深层推理能力上明显不足。团队希望推动AI向具备人类认知能力发展。

本研究提出了KORGym，一个灵活的动态评估平台，旨在解决大型语言模型推理评估的局限性。通过对19个大型语言模型和8个视觉语言模型的实验，发现闭源模型表现更优，预计将推动语言模型推理研究的发展。

本研究提出了$ exttt{Complex-Edit}$，用于评估不同复杂度指令的图像编辑模型。结果表明，开放源模型在复杂任务中的表现显著低于闭源模型，指令复杂度的增加影响了模型的信息保留和美学质量，揭示了合成数据的负面影响。

亚马逊与香港科技大学、圣母大学合作推出Shopping MMLU评测基准，旨在评估大语言模型在在线购物领域的能力。该基准涵盖57个任务，解决多任务性和少样本性问题，基于真实购物数据构建。研究表明，闭源模型优于开源模型，但后者逐渐缩小差距。Shopping MMLU为后续研究提供了重要参考，并已开源。

本研究探讨大型语言模型（LLMs）的预测能力，发现其性能可通过RMSE进行准确预测。评估显示LLMs在小样本任务中表现优异，但受数据大小影响显著。引入新基准AQA-Bench评估顺序推理能力，结果表明闭源模型优于开源模型。此外，研究提出主动测试框架AcTracer，以提高评估效率和准确性。总体而言，LLMs在多问题处理能力上表现良好，但缺乏真正理解。

人工智能Meta发布了Llama 3.1系列开放模型，最高提供4050亿参数版本，能力超过GPT-4和Claude 3.5 Sonnet等闭源模型。开发者可通过云平台或Meta下载模型进行调试。Llama 3.1-405B版能力超过GPT-4-0125、GPT-4o和Claude 3.5 Sonnet。扎克伯格表示，Llama已在开放性、可修改性和成本效率等方面处于领先地位。

本文评估了大型语言模型（LLMs）在代码编辑和生成任务中的能力，发现闭源模型在基准测试中表现优于开源模型。提出了Retrieve-Repotools-Reflect方法，以增强模型对库上下文的理解。同时，研究探讨了安全风险评估，并提出BenchmarkName基准来量化LLMs的安全性和效用。

百度不打算开源人工智能模型文心一言，因为李彦宏认为闭源模型能持续领先，开源模型只是验证应用，无法实现众人拾柴火焰高。闭源模型有商业模式，能赚钱聚集算力和人才。闭源模型的推理成本更低、响应速度更快，能力更强。

大型语言模型对时间信息的推理和保留能力有限，闭源模型显示知识缺口，微调方法未带来显著性能提升。

本研究评估了闭源和开源大型语言模型，发现较小的开源模型在零-shot情况下性能可与大型闭源模型相媲美。考虑到闭源模型的隐私问题和高成本，开源模型更适合工业应用。LLaMA-2-7B模型在性能、成本和隐私问题之间取得平衡，具有前景。该研究提供了使用大型语言模型进行实际业务会议摘要的实用见解。

本文介绍了一种获取语言模型中编码信念的方法，并研究了不同模型中的道德信念。研究发现，大多数模型在明确情境下选择常识行动，在模棱两可的情况下表达不确定性。一些模型在模糊情境中表现出明确偏好，尤其是闭源模型。