N全部新闻

全部新闻

星期三23 条

  1. Artificial Analysis解读
    AI 评分63

    Krea 3 Ultra 在 AA 图像编辑榜排第 5，Fast 模式第 11

    Artificial Analysis 在 AA-Image-Editing v2.1 榜单上测得 Krea 3 Ultra 排第 5，编辑质量接近 Nano Banana 2.1 和 MAI-Image-2.6，默认的 Fast 模式排第 11。Ultra 是 OpenAI、Google、Microsoft 之外排名最高的图像编辑模型，在 17 个分类中有 15 个进入前 7，动画与游戏、Frontier 两类均列第 2。价格方面，Fast 每 1K 图像 0.03 美元、每 1K 参考图 0.02 美元，Ultra 仅支持 2K 输出，一张 1K 参考图的 2K 编辑为 0.27 美元。

    同一事件 · 2 条报道

    #评测/基准#图像生成

  2. Artificial Analysis解读
    AI 评分61

    Artificial Analysis：Intelligence Index 达 30 分的成本比首次达到时低 86 倍

    Artificial Analysis 基于 v4.3.2 实测结果和当前价格统计，Intelligence Index 达到 30 分的单任务成本比首次达到该分数时低 86 倍，GPT-6 Luna (high) 以 $0.03/task 达到 30 分，而 Claude Sonnet 4.6 在 2026 年 2 月首次达到 30 分时为 $2.49/task。达到 20 分的成本比约 13 个月前低 123 倍，达到 40 分比约 5 个月前低 33 倍，Claude Haiku 5.5 (xhigh) 以 $0.12/task 达到 41 分，是达到 40 分最便宜的模型。最高实测分数一年内从 21 升到 58，成本约为 11 倍，Claude Opus 5.5 为 $5.98/task。

    #现象/趋势#评测/基准#OpenAI

  3. Tessl：产品与工程博客一手解读
    AI 评分51

    Aviator CEO 分享如何用意图验证替代逐行代码审查

    Aviator 创始人兼 CEO Ankit Jain 介绍其团队在 AI 生成代码占比上升、PR 量达到一年前四倍后，放弃逐行阅读 diff，改为在代码生成前审查验收标准、约束和边界情况，并对每条标准给出带证据的确定性结论。团队还把历史 PR 中反复出现的评审意见整理成可复用的不变量规则，由机器在每次变更时执行，例如涉及货币一律使用 Money 类型、禁止直接写 users 表。作者称这一转变需要约三个月，之后代码审查不再是交付瓶颈。

    Ankit Jain

    #教程/实践#编码#Agent

  4. AWS Machine Learning一手解读
    AI 评分65

    AWS 发布 Agent Registry 运行时工具发现实践

    AWS 介绍 Agent Registry 的运行时工具发现方案，智能体通过语义与关键词混合搜索找到已审批的 MCP 服务器和 A2A 智能体，再按描述符即时构建客户端执行请求。示例代码基于 Amazon Bedrock AgentCore Gateway 与 runtime，把订单管理 MCP 服务器和定价、客服两个 A2A 智能体接入，并演示纯语义匹配的退货退款场景。注册表只返回连接元数据，调用凭证需另行通过 Cognito OAuth 或 IAM 获取，新增能力无需改动编排器代码。

    Comparison of hardcoded tool endpoints versus runtime discovery with AWS Agent Registry

    #教程/实践#Agent#MCP/工具调用

  5. 阿易 AI Notes解读
    AI 评分58

    Anthropic 工程师分享 Claude Code 多智能体编排打法

    一位 Anthropic 工程师在 30 分钟工作坊中介绍了自己用 Claude Code 同时运行 100 多个智能体的配置：设一个主代理，子代理充当项目经理分派任务。作者据此建议把角色从逐行改代码转为先写任务拆解与验收规则、再派生子代理并发执行，同时提醒主代理的终止条件和权限边界若未写死，容易陷入死循环并推高 Token 成本，新手可先从一主三副的小规模练手。

    引用AYi · @AYi_AInotes

    如果你用 Claude Code 还是你问一句、它改一行，那基本只是把它当成了高级版的 Google 搜索引擎， 一位 Anthropic 工程师刚在 30 分钟的工作坊里亮出了内部高阶打法：在一个集成循环里同时跑 100 多个智能体，1 个主代理坐镇，底下全当项目经理去带团队。 市面上那些卖 500 美元的所谓 Vibe Coding 培训课，含金量加起来都不如 Anthropic 工程师刚放出的这场 30 分钟高密度工作坊，他直接把怎么用最低的运营成本榨干 Claude Code 给讲透了。 这位内部工程师在分享里晒出了自己极其硬核的日常配置，他在一个集成循环里同时跑着超过 100 个智能体，上面只设一个主代理坐镇，底下的子代理分别充当项目经理，自己去领导和调度整个研发团队。 平时我们打开 Claude Code 写代码，默认动作是一问一答，报错了就贴进去问怎么改，本质上还是把它当成一个会写代码的 Google 搜索引擎在用，一个人盯一个终端窗口，你停下来它就跟着停下来。 但这位 Anthropic 工程师点破了真正拉开十倍产能差距的分水岭，Claude Code 真正的核武器从来不是单窗口的对话问答，而是把它当成一套能自主学习的多智能体蜂群去跑，当你还在手把手给一个实习生改错字时，懂行的人已经在后台拉起了一整支全天候运转的百人虚拟工程队。 这就像你在工地上盖楼，普通用法是你亲自抡着锤子，让 AI 递一颗钉子你敲一下， 而他的主代理加项目经理架构，是直接把你升格成总包商，你只管跟总工长对齐图纸，底下的项目经理自己去拆分模块、分发任务、交叉验收，把整个工程装进一个自动闭环的流水线里。 这对所有每天重度用 Claude Code 和 Cursor 写代码的人是一个马上就能照抄的升维动作，明天起别再在一个长对话窗口里把所有上下文堆到爆了， 试着先用主窗口写好任务拆解与验收规则，再让它派生子代理去并发执行不同的子模块，把你自己的角色从亲自敲代码的码农，彻底切换成只看最终测试结果的架构师。 不过看着百个智能体同跑的爽文画面也得留个清醒，他在视频里虽然强调了怎么压低运营成本，但在真实项目里一旦开启百个代理的集成循环，如果主代理的终止条件和权限边界没写死，极容易在死循环里把 Token 账单烧穿， 况且他作为 Anthropic 自家工程师，调配内部算力的宽裕度远非普通按量付费的开发者可比，新手上来先从一主三副的小蜂群练手才是最稳妥的路子。 把顶级编程智能体当成搜索引擎一问一答，就像买了一整支自动化舰队，却每天只拿旗舰去公园划船。 这场 30 分钟工作坊的核心多代理架构和压低成本要点我整理在一楼了，建议配合原视频一起看。 https://t.co/OAp6oUuseD

    #现象/趋势#Agent#Anthropic

星期二24 条

  1. Rohan Paul解读
    AI 评分63

    Qwen3.8-27B 强化学习后训练模型在多项 Agent 基准上超过 GPT-6 Luna high

    Rohan Paul 介绍了一个基于 Qwen3.8-27B 做强化学习后训练的开源环境模型，在 AA-Omniscience 上把幻觉率从 30.4% 降到 15.1%。该模型在 Terminal-Bench、τ³-bench、ClawEval 和 BFCL v4 上超过 Muse Glimmer 30B 与 GPT-6 Luna high，但 DeepSWE 仍由 Luna 以 53.1% 领先；它解出任务的中位输出为 23.8K token，基础 Qwen 为 54.9K。作者还提到 MLA 版本把 16 层全注意力改为多头潜在注意力，每 token 内存占用从 64 KiB 降到 18 KiB，压缩版可跑在单张 24 GB RTX 4090 上，上下文约为基础 Qwen 的 3.5 倍。

    #模型发布#开源生态#推理

  2. 邵猛解读
    AI 评分55

    斯坦福 CME 295 第四讲公开：用 LLM 讲强化学习

    斯坦福课程 CME 295 Transformers & Large Language Models 更新到第四讲 Reinforcement learning with LLMs，视频和讲义均已公开。这一讲从 RL 和 Reward Design 讲到 PPO、GRPO、RLVR 和 DAPO，逐个解释其中的符号。课程由 Afshine 与 Shervine Amidi 主讲，共 9 讲，覆盖 Transformer 架构、注意力变体、RoPE、LoRA 微调、RLHF/GRPO 训练、Flash Attention 推理优化、MCP 与 AI Agent、扩散语言模型。

    引用meng shao · @shao__meng

    斯坦福 @stanfordnlp 新课 CME 295，双胞胎兄弟 @afshinea @shervinea 主讲，9 讲走完 LLM 全部版图：从 Transformer 架构、注意力变体、RoPE，到 LoRA 微调、RLHF/GRPO 训练，再到 Flash Attention 推理优化、MCP 与 AI Agent、扩散语言模型。 课程和知名速查表全部公开。 https://t.co/FjHGTco5iS

    #教程/实践#推理#数据/训练

  3. 阿里云开发者社区 AI
    AI 评分60

    Taste Skill V2 更新：为 Claude Code、Codex 加上网页设计技能

    Taste Skill 更新 V2，这是一套给 Claude Code、Codex 等编程 AI 使用的网页设计技能，改为开工前先让 AI 整理项目独有细节，再从 20 种设计方向中选一种配字体、颜色和布局。V2 还会优先使用项目自有照片，缺图时从开放档案和博物馆收藏中找素材并记录来源与授权，完成后启动浏览器按 1440、768、390 三种宽度检查并最多修改三轮。作者引用的社区测试显示，装上 Skill 后耗时和费用上升，审美盲评中 V2 平均 7.7 分、未装为 7.8 分。

    #产品更新#编码#Agent

  4. 阿里云开发者社区 AI解读
    AI 评分62

    用 pytest 门禁验收 AI 生成的测试用例

    文章提出 AI 批量生成的测试用例进回归集前要过断言有效性、数据来源、失败可归因三道验收线，并给出一个 conftest.py 实现：用例须用 @pytest.mark.review 声明通过哪几道闸门，跑 pytest --strict-review 时缺标记的用例被 skip，CI 检查 skip 计数非零即挡合并。文中以领券接口为例对比假测试与真测试，指出只断言状态码 200 或结果非空的用例等于没测，期望值应能指回业务规则或线上采样。作者也说明三道线只能筛掉无效用例，业务不变量仍需人从需求中挖掘。

    #教程/实践#编码#部署/工程

  5. 阿里云开发者社区 AI解读
    AI 评分57

    大模型评测报告应带的十项运行元数据

    文章提出大模型评测报告应记录十项运行元数据，包括模型版本快照、数据集哈希、解码参数、判据版本、工具降级、用户模拟器版本、硬件与区域、时间窗、样本量与置信信息、失败样本存放位置。作者认为只有模型快照、数据集标识与解码参数一致时两份分数才可直接比较，并给出 compare_gate.py 示例，在条件缺失或不一致时把两份报告挡在对比表外。文中数值仅用于说明字段格式，不对应任何真实模型成绩。

    #教程/实践#评测/基准

  6. 阿易 AI Notes解读
    AI 评分52

    实测 MiniMax M3.1 Flash 与 Claude Opus 5.5 写 Three.js 太阳系

    作者用同一句 Three.js 指令同时测试 MiniMax M3.1 Flash 和 Claude Opus 5.5，两者都一次跑通。M3.1 Flash 每百万 Token 输出 0.6 美元、缓存读取 0.015 美元，在初始化阶段自行检测出 4 个潜在渲染报错并修好，把帧率稳定在 60 帧，还主动加了提示词未要求的控制面板；Opus 5.5 在光影和排版上更细腻。基准上 M3.1 Flash 的 Automation-Bench 为 62.2 排第一，Terminal Bench 4.0 为 38.1，低于 Opus 5 的 51.8。

    同一事件 · 3 条报道

    #评测/基准#编码#Agent

  7. 邵猛解读
    AI 评分62

    MIT 课程 MAS.S62 两讲梳理 Harness 演化与多 Agent 演化

    MIT 课程 MAS.S62「How to AI an AI」的 Lecture 4-5 聚焦 Harness evolution，分别讲 harness 组件、记忆、工具与技能演化，以及规划、任务分解与多 agent 系统演化。记忆部分用三轴分类法串起 MemGPT、mem0、MEM1、Reflexion/ExpeL，并以 CLM 把上下文管理统一为文件操作；工具部分从 Toolformer、ToolLLM、CodeAct 讲到 Meta-Harness，后者把整个 harness 表示为文件系统，反馈信息量约为此前方法的 400 倍。多 agent 部分给出五条实证发现，包括 MAS 在可分解任务上赢 81%、在顺序依赖任务上输 70%，以及 CORAL 在 8 个任务上取得新 SOTA、多 agent 演化比单 agent 提升 4%–20%。

    引用meng shao · @shao__meng

    https://t.co/rE6rU3Ybcd

    #教程/实践#Agent#MCP/工具调用

  8. 邵猛解读
    AI 评分70

    Meta 工程团队分享 Thin Orchestrator Agent 架构实践

    Meta 工程团队发布 Agent 架构实践，用确定性的瘦编排器把 20+ 工作流路由到 14 个上下文隔离的专业 Agent，解决单 Agent 装载全部领域知识后在生产环境出现知识交叉污染和幻觉的问题。瘦编排器约 1300 行代码，只做意图分类、收集字段和可靠性检查，每个请求走固定 7 步协议，仅委派子 Agent 一步涉及 LLM 推理。文中引用 Mount Sinai 研究称多 Agent 编排在 80 任务批次下准确率 65.3%，单 Agent 为 16.6%，token 消耗最多降低 65 倍；新增管道迁移能力只需新增 workflow 模板，零新增 Agent 代码。

    同一事件 · 2 条报道

    #教程/实践#Agent#部署/工程

  10. Arena解读
    AI 评分52

    Meta 的 Muse Wonder Full 在 Code Arena WebDev 首测第 6，1726 分

    Meta 的 Muse Wonder Full (Max) 首次进入 Code Arena: WebDev，以 1726 分排第 6，使 Meta 进入实验室前三。该成绩比 Muse Wonder (Max) 的第 17 名（1651 分）高 75 分、11 位，比 Muse Spark 1.3 (Max) 的第 14 名（1659 分）高 67 分、8 位。分项上，它在 Data & Analytics 和 Consumer Product 排第 4，在 Brand & Marketing 排第 5。

    引用Arena.ai · @arena

    Muse Wonder (Max) by @AIatMeta has entered Code Arena: WebDev at #15 with 1651 pts and Text Arena at #2 with 1513 pts! In Code Arena: WebDev, Muse Wonder (Max) landed at #15 with 1651 pts. This result is slightly lower thanMuse Spark 1.3 (Max) at #12 with 1659 pts, within 4 pts of Kimi K3 (Max) at #14 with 1655 pts, and 11 pts above Grok 4.7 (xHigh) at #16 with 1640 pts. This release is a significant improvement over past Muse models in Text Arena. Compared with Muse Spark 1.3 (Max) at #11 with 1494 pts, Muse Wonder (Max) gained +19 pts and 9 places to #2. It's 12 pts behind the #1-ranked Gemini 4 Argon (High) with 1525 pts. Congrats to the @AIatMeta team on this release!

    #评测/基准#编码#Agent

  11. Artificial Analysis解读
    AI 评分71

    MiniMax-M3.1-Flash 在 Artificial Analysis 智能指数得分 42

    MiniMax-M3.1-Flash 在 Artificial Analysis 智能指数上得分 42，比 MiniMax-M3 高 13 分，单任务成本不到后者一半。它在 Humanity's Last Exam 上得 48%、CritPt 得 22%，均高于 GLM-5.3-Flash 和 Gemini 3.8 Flash，略低于 DeepSeek V4.1 Flash 1017。该模型上下文窗口 1M tokens，支持文本与图像输入，定价 $0.15/$0.60 每 1M 输入/输出 tokens，目前权重闭源，MiniMax 宣布将于 10 月 23 日开放权重。

    #评测/基准#推理#DeepSeek

  12. Arena解读
    AI 评分71

    DeepSeek-V4.1-Flash-20261017 登顶 Agent Arena 开源模型榜

    Arena.ai 称 DeepSeek-V4.1-Flash-20261017（Max）成为 Agent Arena 排名第一的开源模型，综合排名第 11，在超过 7.5K 真实会话中净提升 5.1%。该模型每任务中位成本为 0.20 美元，约为 GPT-6.1 Sol 提升幅度的 37%、成本的 27%；在 Confirmed Success、Praise vs. Complaint、Bash Reliability、Steerability 四项信号上均为开源第一，且未出现工具幻觉问题。

    引用Arena.ai · @arena

    Exciting news: DeepSeek-V4.1-Flash-20261017 (Max) by @deepseek_ai is now the #1 open model in Code Arena: WebDev, surpassing Kimi K3 (Max) at 10x lower cost! Highlights: - #1 open model, ahead of Kimi K3 (Max) - #12 overall with 1670 pts, ahead of Claude Opus 5 (High) and within ~10 pts of GPT-6 Sol (Max) - Shifts the Pareto frontier at $0.3/$1.2 per million input/output tokens - +52 pts vs. the previous DeepSeek-V4.1-Flash-20260910 Congrats to the @deepseek_ai team on another strong contribution to the open source ecosystem!

    同一事件 · 2 条报道

    #评测/基准#Agent#DeepSeek

  13. Artificial Analysis解读
    AI 评分62

    Artificial Analysis 发布 AA-PersonalityBench，评测模型人格与表达风格

    Artificial Analysis 发布 AA-PersonalityBench，用 900 道精选问题评测语言模型在 30 项人格特质和 21 项沟通特征上的差异。人格特质由 LLM 评审两两对比打分，汇总为表达力、组织性、信息量、透明度、亲和力、坚定度、想象力和 Slop 八项指数；沟通特征则通过程序化方式计算长度、结构、标点和强调四类指标。结果显示，Claude Fable 5.1 在表达力、信息量、透明度、亲和力、坚定度等多项指数中表现突出，Qwen3.8 27B 平均每次回答约 1,030 词，接近 GPT-6 Luna 270 词的四倍。

    同一事件 · 2 条报道

    #评测/基准#模型发布#数据/训练

  14. Artificial Analysis解读
    AI 评分72

    fal 的 FLUX 3 Max 在 Artificial Analysis 视频榜单位列前茅

    Artificial Analysis 评测显示，fal 基于 FLUX 3 后训练推出的 FLUX 3 Max 在 AA-Video-I2V v1.1 排名第 2（与第 1 名统计持平），在 AA-Video-T2V v2.1 排名第 4，两项均领先基础版 FLUX 3。该模型支持由文本提示词或起始图像生成 5 至 20 秒、720p 且带原生音频的视频，fal 称生成 10 秒视频耗时不到 12 秒；在 AA-Video-T2V v2.1 上其 Physics 能力得分最高，并在 Marketing & Advertising 与 Live-Action Film 用例中领先。fal 对 720p 视频定价为每分钟 10.20 美元，低于 FLUX 3 的 17.40 美元，发布前三周提供 75% 折扣至每分钟 2.55 美元。

    #评测/基准#视频#图像生成

  15. TechCrunch AI解读
    AI 评分57

    开发者用 AI 智能体给智能电视去广告、换桌面

    TechCrunch 报道，一些开发者和 vibe coder 正用 AI 智能体改造智能电视，去掉开机广告、关闭观看追踪、替换卡顿的桌面。GitHub 项目 dumbtv 已在 Fire TV Edition 以及 Sony、TCL、Philips、Hisense、Xiaomi、Shield 的 Android/Google TV 上做过端到端测试，作者 Sabuwala 称用 Deepseek V4.1 Flash、Claude Opus 5.5 和 Claude Sonnet 5.5 编写。cleanyourtv 作者 Gathin T. 称用 Claude Code 通过 Wi-Fi 移除 25 个小米软件包并重写桌面，几天内有数千人对自己的电视做了同样操作。这些方案仍在完善中，有人反馈 Claude 不响应简单指令，也有人称把 Android TV 刷成了砖。

    #现象/趋势#Agent#开源生态