一周热榜

我进行的一项实验。模型可以访问 E2B 沙盒，并被指示根据规范创建广告（它们可以选择任何它们想使用的工具，例如 Pillow、Chromium），以此来评估它们使用工具、创建其他类型图像、进行复杂布局等的能力。目前 Opus 4.8 位居榜首（这并不令人意外，但它花了 66 个对话轮次才创建出图像），GLM-5.2 位列第五（这确实让我感到惊讶，因为它没有图像能力）。

需要禁止他们……

这是我过去几个月一直在进行的一个项目<p>通过XBRL标签从SEC文件中提取了所有美国公司的基本面信息。