2025-07-09 简讯 : GROK 4 在“人类最后测试”中得分45

头条

GROK 4 在“人类最后测试”中得分45

https://www.testingcatalog.com/grok-4-benchmarks-leak-with-45-score-on-humanity-last-exam/

泄露的基准测试显示，Grok 4将是最先进的。xAI控制台中已出现对该模型的引用, 如果这些基准测试是真的，Grok 4的性能可能超过Gemini 2.5 Pro、o3 Pro和Claude 4 Opus等领先模型。在市场再次变化之前，xAI面临着推出Grok 4的竞争压力，有传言称OpenAI、谷歌和Anthropic正准备推出新的版本。

Character AI的实时视频生成

https://blog.character.ai/character-ais-real-time-video-breakthrough/

Character.AI的TalkingMachines是一种实时、音频驱动的视频生成模型，能根据单一图像和语音输入创建FaceTime风格的动画。

深度分析

为双子座2.5 Chat Bot 增加内存

https://www.philschmid.de/gemini-with-memory

一份指南介绍了如何使用Gemini API和开源工具mem0，让Gemini 2.5聊天机器人拥有长期记忆。这样设置后，机器人能回忆过去的对话，使回复更个性化，减少重复，带来更具情境感知的对话。

美国深海探索项目

https://www.interconnects.ai/p/the-american-deepseek-project

Meta最近在人工智能方面表现不佳，这在开源人工智能生态系统中造成了空白，而这一空白很大程度上被中国模型填补。如果目前的态势持续下去，人工智能领域将分化为强大但昂贵的美国闭源模型，以及低成本、普及但可能有隐患的中国模型。美国可能只有大概未来两年的短暂窗口期，需投入1亿至5亿美元开发一个与最佳闭源模型相当的开源模型，来扭转这一趋势。

工程

智能体到底能做什么？

https://lethain.com/what-can-agents-do/

人们对人工智能的能力满怀期待，但很多有关这项技术的讨论太过抽象，近乎毫无意义。这篇文章试图简要概括人工智能智能体的工作原理，并探讨该技术在现实世界中的一些应用案例。人工智能智能体可提升软件质量和系统设计水平。但如果软件或系统设计欠佳，智能体只会带来危害。

Sakana AI TreeQuest：部署多模型团队，性能比单个大语言模型高出30%

https://links.tldrnewsletter.com/USMysp

Sakana AI 的TreeQuest利用多语言大模型自适应分支蒙特卡洛树搜索算法（Multi-LLM AB-MCTS）将多个大语言模型（LLM）结合起来。这项技术通过自适应分支蒙特卡洛树搜索，发挥不同模型的独特优势，动态为每个任务分配最佳模型，比单个模型性能提升30%。TreeQuest作为一款开源工具，企业可以用它来解决复杂问题，提升人工智能能力，降低幻觉风险。

AGENT-SQUAD（GitHub 仓库）

https://github.com/awslabs/agent-squad

一个用于构建协作式多智能体人工智能系统的框架，该系统能够规划、分配任务并共同协作解决复杂任务。

其他

为何 AGI 并非近在咫尺

https://www.dwarkesh.com/p/timelines-june-2025

要从大语言模型（LLMs）中获得像人类那样正常的劳动力可不容易，因为它们缺乏一些基本能力。它们不会随着时间推移而进步，这种无法持续学习是个大问题。没办法给模型提供人类水平的反馈，所以用户只能用模型出厂就有的那些能力。捣鼓系统提示，也没法带来跟人类员工学习和进步差不多的效果。人类能积累背景知识，反思自身失误，在执行任务过程中不断取得小的进步、提高效率。