技能使用：大模型能否在智能体框架中真正运用技能？
评分
76首次从触发、合规、边界三维度刻画技能使用，增量显著。
基准构建严谨，任务和评分规则细致，评测过程可复现。
为智能体系统的技能调用模块提供了直接改进方向和评测工具。
正逢LLM智能体应用爆发期，技能使用问题是当前热点。
来自arXiv预印本，作者标注清楚，但尚未经同行评审。
基础分 84.5 × T2 信源权重 ×0.9 = 76
精选线 70已入选精选
精选理由
论文首次系统拆解技能使用并暴露关键瓶颈，但结论基于有限模型和框架，普适性待验证。
AI 点评
「这个基准把“模型到底会不会用技能”变成了可量化的问题，对做Agent产品和框架的人特别有参考价值。亮点在于它证明技能使用不是模型自带的固定能力，而是和harness强相关，这意味着我们不能只调模型，还要设计更好的调用机制。推荐给所有被工具调用折磨的开发者。」
速览
论文提出Skill-Use基准，评估LLM智能体在渐进式披露下使用技能的能力，从触发、合规、边界三个维度分别考察。该基准包含79个技能、177个可执行任务，覆盖9个领域，在Docker沙箱中运行。评测8个模型和2种智能体框架后发现，最强配置的SU分数仅0.613，触发和合规是独立瓶颈，且模型排名随框架变化，技能使用并非模型的固定属性。
- 提出Skill-Use基准，分触发、合规、边界三个维度评估技能使用。
- 包含79个真实技能和177个可执行任务，覆盖9个领域，在隔离Docker沙箱中运行。
- 评测了8个LLM和2种agent harness，最佳SU分数仅0.613。
- 发现触发和合规是独立瓶颈，且模型技能表现随harness变化。
正文
本文为 AI 生成的中文精读,原文请点「查看原文」
相关条目
精选DeepSeek V4 在 OpenRouter 上的代币份额翻倍，智能体工作负载成主要驱动力
DeepSeek V4 的快速采用表明市场对高性能、低成本推理模型的强烈偏好，尤其是智能体场景将重塑 AI 部署格局。
91
精选启用两项设置使ARC-AGI-3基准测试分数提升三倍
这项发现太关键了！它表明模型的性能不仅取决于训练，还取决于推理时的配置。对于AI工程师和研究者来说，这是一个必须注意的优化方向。特别是那些在资源受限设备上部署模型的团队，可能会因此找到低成本提升能力的方法。
91
精选GPT-5.6：前沿智能与前沿效率的融合
这条消息值得关注，因为它标志着大模型竞争从单纯拼参数转向拼效率。对于AI开发者和企业决策者来说，GPT-5.6意味着可以用更少预算获得更高性能，尤其适合那些被推理成本挡在门外的长上下文或Agent场景。OpenAI这一步，可能重新定义‘前沿’的标准。
91
精选LFM2.5-Encoder：面向CPU快速长上下文推理的新模型
这篇博文让我眼前一亮，因为它直接解决了大模型在CPU上跑长上下文的痛点。对于没有高端GPU的团队或个人开发者，LFM2.5-Encoder系列提供了可立即使用的开源方案。尤其推荐给做RAG、文档搜索或代码分析的朋友——现在用普通服务器就能处理百万级token的文档了。
91
精选GPT-Red：OpenAI通过自我对弈实现AI红队自动化，提升模型鲁棒性
GPT-Red 是红队测试从人工到自动化的里程碑，特别适合安全工程师和对齐研究者关注。它直接降低了测试成本，但也引发了对“自动攻击”本身的伦理讨论——值得所有关注AI治理的人深入思考。
91
精选OpenAI推出GPT-5.5生物漏洞赏金计划
这个计划值得关注，因为它首次将AI漏洞赏金制度拓展到生物安全领域，不仅为安全社区提供了新的研究方向，也为AI风险治理提供了实际演练场。对模型安全研究者、生物安全专家以及关心AI双重用途的从业者尤其重要。
91
精选vLLM推出原生速度Transformers建模后端，大幅提升推理性能
这项更新对于AI工程团队非常关键：无需格式转换意味着能更快地迭代模型，而2-5倍的速度提升直接降低GPU成本。如果你正在做LLM在线服务或者批量推理，这几乎是必读的技术更新。
90
精选Google DeepMind 发布手语转文本模型 SL2T，助力聋人用户
这则消息的意义不仅在于技术突破，更在于AI开始真正关注边缘群体的需求。对开发者而言，SL2T的架构思路和技术路径值得深入研究；对无障碍倡导者来说，这是推动行业标准的重要案例。