ALTK-Evolve 讓 GPT-4.1 登頂 τ²-bench 客服榜
IBM Research 的 ALTK-Evolve 用 GPT-4.1 加標準 ReAct 腳手架，在客服基準 τ²-bench 零售域拿到 67.5% Pass^4（即四次獨立嘗試全部通過的任務佔比），高於其 2026 年 10 月 12 日榜單快照中的所有零售條目。方法不改模型權重：由同一模型分析訓練任務的成功與失敗軌跡，蒸餾成簡短行為準則——如先驗證使用者身份、每步只做一個動作——再追加到系統提示，無需人工標註。
證明不改權重、不換前沿模型，僅靠自動蒸餾的提示準則就能把 GPT-4.1 推到客服基準零售榜首，並給出準則數量與 Pass^4 的實測對比，對做 agent 記憶與提示工程的開發者有用。
原標題：ALTK-Evolve: How learned memory tops the τ²-bench leaderboard on customer service tasks without a frontier model
閱讀原文
| 評分 | 75 / 76（平均 75，門檻 65） |
|---|---|
| 狀態 | 精選 |
相關報導
RoboFoundry 凍結基座模型只進化系統，GPT-5.5 具身成功率升至 72.7%
新加坡南洋理工大學、北航、新加坡國立大學、上海交大等團隊提出 RoboFoundry，把機器人智慧體的整套外圍系統當作策略來進化，基座模型引數保持凍結。在 EmbodiedBench 上，GPT-5.5 的平均成功率從 56.9% 提升到 72.7%，五個基座模型全部提升，基座間最大差距由 19.6 個百分點縮小到約 11.5。長程記憶基準 RoboMemArena 上任務成功率比所有基線至少高 39.0%，真機套娃任務成功率 70%，單獨使用 π0.5 為 30%。
InnovationEval：前沿模型花數千美元 GPU 仍未復現人類演算法創新
新評測 InnovationEval 顯示，前沿模型無法獨立復現人類研究者近期做出的機器學習演算法創新：在端到端任務中，它們耗費數千美元 GPU 算力，仍未達到人類論文（on-policy self-distillation，SDPO）的水平。測試要求 AI 自主提出一種新的後訓練方法，在短答題與程式碼任務上後訓練 Qwen3-8B，並超過 GRPO 基線。主要結果來自 Claude Fable 5 與 GPT-5.6 Sol；
@GoogleDeepMind
PaperBenchX 發布：GPT-6 Astra 完整復現率僅 13.98%
UniPat AI 發布 PaperBenchX，稱其為國際上首個多學科端到端論文結果復現基準，從 93 篇論文建置 93 個復現任務，橫跨電磁、光子、化學、材料、生物、機器人等 12 個研究方向和 10 種領域原生科學環境，含 3168 條專家校驗評分項。在這 93 個任務上，表現最強的 GPT-6 Astra 完整復現率只有 13.98%，建模與執行階段平均得分約 62%，驗證階段僅 42.8%。
Google 發布 Gemini 4 Argon，稱多項基準超越競品
Google 正式發布 Gemini 4 Argon 模型，稱其在程式設計、網路安全、科學、金融與法律等多項基準上超過 GPT-6 Astra、Claude Fable 5.1 和 Claude Opus 5.5。Google 表示 Argon 提供前沿推理能力、在複雜工作流中表現更好，同時減少含糊其辭、重複與套話。這是 Google 在數月缺席前沿模型競爭後推出的新模型，官方稱已在內部投入使用，完整報導見 The Verge。