MarkTechPost 发布教程，演示用 NVIDIA 的 Structured Data Models 库在 PyTorch 统一接口下调用 TabICLv2、KumoTabular 和 KumoRelational，通过上下文学习直接做表格预测而不训练。在乳腺癌数据集上，300 行标注数据下 TabICLv2 与 KumoTabular 达到 0.970 准确率，与同数据训练的 scikit-learn 基线相当；三表商店数据库上 KumoRelational 从原始表得到 0.823 AUC，接近手工特征工程的 0.828。文章还指出默认配置会丢弃时间戳和文本列、解释器只保留最后一个 estimator 结果，以及未声明时间列时 AUC 升至 0.940 的数据泄漏问题。
#教程/实践#数据/训练#开源生态
这篇优质的AI 建个人网站的实战教程分享给大家，想从0-1搭一个拿得出手的个人网站或产品落地页的铁汁，把这份刚出炉的 8 大类近 70 个 UI 设计与 AI 建站清单存好就够了， 核心是两步建站的工作流，作者不仅把组件库、3D 动效、整站灵感和设计 Skill 按工序排得明明白白，还给了一套极聪明的飞书文档同步打法。 而且她点破了一个特别实在的盲区，直接让 AI 凭空做设计，效果往往最差，真正好用的野路子是先喂底稿、再抄局部。 第一步根本不是打开编程工具写提示词，而是先建一份飞书文档当单一事实源，把你的个人介绍、项目案例和服务清单全装进去，让 AI 通过飞书命令行工具直接去读这份底稿，以后改文字只改文档，网页就能跟着自动同步。 第二步是拆零件式给参照，别让 AI 自己猜什么叫好看，去现成的顶级设计站里扒代码、截图或者提炼风格关键词，再喂给 AI 组装。 她把平时压箱底的近 70 个找参照网站按 8 个工序全列齐了，今天就能直接照着抓： → 找现成骨架与组件库（15 个）：shadcn/ui、Aceternity UI、Magic UI、React Bits、https://t.co/j0NLCpfGvS，直接扒组件代码 → 抄丝滑动效与 3D（9 个）：Motion、GSAP、Three.js 示例、Spline、Rive，专治页面死板 → 看整站审美与排版（12 个）：Godly、Land-book、Awwwards、One Page Love，找顶级的 Landing Page 构图 → 抄成熟产品流程（5 个）：Mobbin、Page Flows、Refero，看真实商业产品的界面流转 → 抠局部微交互与配色素材（18 个）：CodePen、Codrops 看微交互，Coolors、Realtime Colors、Lucide 搞定配色与图标 → 选 AI 建站与设计 Skill（11 个）：v0、Lovable、https://t.co/UR6Fty0P8s、由 Galileo AI 迁入的 Google Stitch，配上 Anthropic 的 frontend-design 等 4 个设计 Skill， 这就像你装修房子，AI 是手脚极快的施工队，但你不能让包工头替你决定家里摆什么家具、刷什么墙漆，内容底稿和审美参照得由你这个业主亲自定。 说白了，这不只是搭个人网站的抄作业清单，更是所有普通人拿 AI 做项目的通用起手式，别把精力花在和对话框赌运气上，先维护好一份干净的业务底稿，再建一个自己的高审美参照库。 不过照着这份清单扒设计时也得留个清醒，参考交互风格和调用开源组件完全没问题，但千万别把别人整站的视觉原图、品牌配图和文案原封不动搬过来，商用前一定看清各个库的授权协议； 而且清单里的 Tailwind Plus（原 Tailwind UI）和 Mobbin 完整版都是付费订阅的，按需取用就行。 AI 从来不缺写代码的手艺，缺的是你喂给它的那份干净底稿和审美标尺。 8 大类近 70 个网站的完整分类用法和改名避坑说明都在引用的原帖长文里，一楼我也整理了速查索引。
#教程/实践#Agent#MCP/工具调用
WTF！！！DeepSeek这是超神了啊，新版本超越了Fable、Opus、Astra？🤯。。下周一的美股 AI 板块估计要被干崩了吧… 更离谱的是DeepSeek 刚开源的 V4.1-Flash 1017，输入每百万 tokens 只要 0.15 美元、输出 0.30 美元，在 DeepSWE 基准上用三分之一的单次成本跑出了比 GPT-6.1 Sol 还高的 77% 成功率🤯！ 如果单看跑分可能觉得只是又一次常规更新，但把账单和权重体积放在一起算，它直接把前沿编程模型的调用成本砸穿了地板，牛逼牛逼， 在衡量真实软件工程能力的 DeepSWE 基准测试上，它跑出了 77% 的成功率，单次任务成本只要约 0.20 美元，而作为对比的 GPT-6.1 Sol 最高分配置成功率约 75%，单次任务却要花掉 0.65 美元。 用三分之一的价格，在核心开发任务上跑赢了顶尖闭源底座，这种反差放在以前很难想象， 以前想让 Agent 在代码库里反复试错、批量改 bug，调用頂級模型就像在烧计价器，现在输入每百万 tokens 只要 0.15 美元，输出只要 0.30 美元。 换算成一个平时最常见的开发场景，单次喂进去 10 万输入加上 1 万输出，账单比 Sol 便宜了约 86% 到 93%，比 Opus 5.5 便宜了约 93% 到 97%， 要是再配合 DeepSeek Harness 把上下文缓存跑起来，高频命中下的实际开销还会再降一个量级，基本实现了像自来水一样随便调前沿模型。 除了账单砍到脚脖子，它的体积也给硅谷那套靠堆算力硬砸的路线泼了一盆冷水， 相比于传闻动辄 10T 的美国闭源巨无霸，或者 2.8T 的 Kimi K3，这版 Flash 总参数控制在 763B，净权重约 510.3GB，而且直接免费公开了权重，按这个体积推算，不需要专门去租大型数据中心，4 台 DGX Spark 或者顶配 512GB 的 Mac Studio 做一层量化，就有机会在本地桌面跑起来。 最狠的是它这次提分的方式，并不是重新烧几万张卡训了一个新底座， V4.1-Flash 原本只是一个因为便宜好用而小有名气的旧模型，官方这次只是在原底座上引入了带自我反馈的强化学习做后训练，硬生生把一个平价模型拧成了 SOTA 级别。 这里藏着一个极其反直觉的现象，以前模型想要提高准确率，往往得靠疯狂拉长思考链、吐出更多废话来换取分数， 而这次通过后训练调出来的 1017 版本，在拉高开发任务成功率的同时，反而把处理时间和输出 token 量一起压了下来，等于模型变聪明了，话变少了，还顺手帮用户省了钱。 说白了，这给我们所有每天用 AI 写代码、做业务的人提了个醒， 当后训练能够同时把准确率和精简度拉满，接下来拼的就不再是谁调得起最贵的闭源接口，而是谁敢把过去因为嫌贵而不敢跑的全天候自动化测试、整库重构任务，现在成百倍地铺进日常工作流里。 但站在更现实的视角来看，原帖作者在所有维度上还没有全面压过 Opus 5.5 这一点上说得很诚实，单点基准测试的逆袭不等于全场景通吃，而且所谓下周一美股 AI 板块要暴跌的说法更多是情绪宣泄， 另外 510.3GB 的原始权重想塞进 512GB 内存的机器里，算上系统开销和上下文缓存，不经过量化压缩依然会爆内存，本地部署的实际损耗还得等第一批实测。 靠堆算力把模型喂大只是上半场的蛮力活，靠后训练让模型少说废话多干对活，才是下半场真正拉开成本代差的手艺。
#评测/基准#图像生成#DeepSeek
从0开始搭个人网站，最容易卡在：不知道从哪开始。 我自己的做法是两步—— 先备一份飞书文档当内容底稿（改文档、丢给AI，页面也好同步）； 再对着好看的网页抄UI设计：组件、动效、Landing、移动端、配色、AI建站，60+个站按类放好了。 需要的直接拿走 ↓ https://t.co/XzTz07Uc2c
#教程/实践#Agent#MCP/工具调用
又有一位开发老哥拿今天刚开源的 DeepSeek V4.1 Flash 1017 和 GPT-6.1 Sol 同台硬刚火箭发射场景，晒出来的账单和耗时直接把性价比拉到了台面上。 老哥跑完同一个火箭发射任务，GPT-6.1 Sol 花了 6.10 美元、耗时 5 分钟，而 DeepSeek V4.1 Flash 只花了 0.78 美元、3 分钟就交卷，成本砍了将近 8 倍，速度还快了整整两分钟。 以前我们总默认一个铁律，便宜的轻量级 Flash 模型只能用来干点文本摘要、清洗数据的杂活，一旦碰到火箭发射模拟这种吃物理逻辑和复杂空间计算的硬骨头，还得乖乖掏高价请顶配闭源模型出山。 但这组 0.78 美元对 6.10 美元的实测数据把旧账本撕开了一道口子，最狠的不是它比对手少花了五块多美金，而是它在砍掉近八成多预算的同时，连渲染带生成的交付时间还反超了 40%。 结合 DeepSeek 刚公布的官方底牌来看，这件事一点都不意外，V4.1-Flash-1017 不仅拿 MIT 协议完全开源，把 API 价格死死按在闲时每百万输入 0.15 美元、输出 0.6 美元，在 DeepSWE 编程基准上更是跑出了 77.0% 的高分，单次编程任务平均成本压到了 0.2 美元以内。 这就像你在工程队里招人，以前觉得便宜的熟手干不了精密活，结果人家带着全套开源图纸进场，花八分之一的工钱、用更短的工期把火箭发射架给焊好了。 说白了，这对每天都在跑代码、做高频测试的开发者只意味着一件事，当一次复杂任务的试错成本从 6.10 美元跌到 0.78 美元、等待时间从 5 分钟缩到 3 分钟时，你的开发动作会彻底变形，以前因为心疼账单只敢抽测一遍的流程，现在完全可以放开手脚让模型在后台并发跑上八轮，从中挑出最好的一个版本。 不过看这种单次同台PK也得留个清醒，原帖老哥只晒了这一个火箭发射题目的总耗时和账单，没放完整提示词，也没交代两边各自跑了多少轮自我修正才算出这个总价，单次任务表现拔尖不代表在所有长链路推理上都能全面替代 GPT-6.1 Sol。 模型降价八倍真正的杀伤力，从来不是替你省下那五块美金，而是让你拥有了比对手多试错八次的自由。 https://t.co/sQVk8ZH0Yx
#评测/基准#推理#编码
跑完同一个 3D 网页场景，一边是顶配闭源旗舰 GPT-6.1 Sol，一边是今天刚开源、博主实测 API 账单只花了 0.44 美分的 DeepSeek V4.1 Flash， 今天全网都在刷 DeepSeek 刚发的 V4.1 Flash 和 GPT-6.1 Sol 同屏生成 3D 云海城市的对比视频，视频老哥晒出的账单把很多人看傻了，他说跑完这趟测试，DeepSeek 的 API 成本只花了 0.44 美分，价格比对手便宜一大截。 视频里的画面确实很直观，上下分屏跑同一个题目，都在网页里搭出了漂浮岛屿、月亮和过山车式的环形铁轨，GPT 版的车厢和尖塔细节更密，但 DeepSeek 版暖光下的两座浮岛和竖环轨道同样完整得不像一个轻量级模型。 以前我们给业务选大模型，默认动作是先看谁在榜上排第一，哪怕账单贵出十倍也硬着头皮全量接进去，生怕模型笨一点就砸了招牌。 但这支 20 秒的对比视频把一个更现实的账本拍在了桌上，真正的胜负手根本不是谁能在单次炫技里多画两座尖塔，而是当三分钱的开源模型就能交出八十分的工程代码时，你还愿不愿意为了剩下那二十分的细节付十倍的溢价。 再往深扒一层，DeepSeek 这波更新最狠的动作不只是把 MIT 开源权重的推理价格死死按在闲时每百万输入 0.15 美元、输出 0.6 美元，更在于它顺手把原生的 Search 和 Fetch 联网搜索接口塞进了 Claude Code、Codex 和自家 Harness 工具链里，在 10 月 31 日前全部免单。 这其实就像公司招人做项目，要是连写个常规前端页面、洗一遍日常数据都非得请年薪百万的首席科学家亲自动手，这家公司离破产就不远了。 说白了，这给我们所有在写代码、搭工作流的人提了一个马上就能落地的改法，明天起别再拿一个顶配模型包打天下了，把架构拆成按岗配人：九成跑量、渲染、抓网页的常规活直接路由给 Flash 这种几分钱的苦力模型，只把最核心的一成架构设计和复杂排错留给顶配模型，最后一道关口交给人工审核。 不过看这种刷屏测试也得留个清醒，原帖老哥只跑了这一个题目，既没放出提示词也没贴出 GPT 那一侧的 Token 账单，0.44 美分到底是真只花了三分钱还是把 0.44 美元写错了单位也无从核对；况且那个让人眼馋的免费联网搜索只免单到 10 月 31 日，过了月底就要按每千次请求 0.75 美元收钱了。 上半场大厂拼的是谁能造出最贵的超级大脑，下半场普通人拼的是谁最懂拿三分钱的模型干完九成的脏活。 https://t.co/is4aflOm3k
#评测/基准#推理#编码
Browser Use 发布 2026 年浏览器自动化 MCP 服务器选型指南，按隔离测试、调试、登录态 Chrome、云端并行任务等场景推荐 11 款服务器。作者用 Codex CLI 搭配 GPT-6 Luna 在 BU Bench V2.1 的 100 个公开任务上对比四款工具，Browser Harness 得分 60.4、每题中位输入 token 2.1M、成本 $0.042，与 Playwright MCP 和 Chrome DevTools MCP 的分数差异区间均包含零。Playwright MCP 中位耗时最短为 29.0 分钟，agent-browser 得分 56.3。
#评测/基准#Agent#MCP/工具调用
#现象/趋势#Agent#编码
Claude writes about 90% of Claude Code's code. From June to September, merged PRs more than doubled while the share reverted fell by more than 40%. We wrote about how we changed code review to get there, and how to adopt it: https://t.co/9sZe64g3mb
#教程/实践#编码#Agent
Introducing the Arena Alignment Index, our new benchmark measuring safety and alignment of AI agents in real-world use. Built from 90K+ real-world agent sessions across 27 models, the index measures three critical signals: - Unauthorized Action (UA): Taking actions beyond the user's instructions or permissions - False Attribution (FA): Attributing statements or actions that are contradicted by user-provided evidence - Deceptive Completion (DC): Claiming a task was completed when it was not. Key findings: - OpenAI models currently lead the Alignment Index - Rogue actions are rare, but can have serious consequences when they occur - Agents can mislead users about task progress - Misalignment risks increase with conversation length - Safety and alignment are improving across model generations As shown in the leaderboard below (sorted by lab), @OpenAI’s GPT-6.1-Sol leads the Arena Alignment Index with a score of 87.9, followed by @AnthropicAI’s Claude-Opus-5.5 at 83.2 and @spacexai's Grok-4.7 at 82.7. OpenAI also has the best observed rates across all three signals: 0.89% Unauthorized Action, 1.98% False Attribution, and 2.34% Deceptive Completion. Across all four labs, newer models consistently outperform their predecessors, suggesting broad progress in agent safety and alignment. As agents take on longer, more complex, and higher-stakes tasks, measuring not just what they can accomplish, but how safely and reliably they act, becomes increasingly important. This marks an important step toward making safety and alignment a core part of how Arena evaluates AI. The index is an initial starting point, and we'll continue expanding the index with additional safety signals and models over time. More analysis below👇
#评测/基准#Agent#Meta
TypeSafe 于 2026 年 9 月 15 日发布决策模型 Jev，约 4 周内 Cloudflare、OpenAI、Perplexity、Liquid AI、AWS Strands Labs 及独立开发者推出至少 20 个替代方案。文章按托管 API 与开源自托管分组，对比各模型的参数量（287M 到 35B-A3B）、许可证、硬件要求、每 1M 输入 token 价格和 Jev API 兼容性。Cloudflare Clef 在自家测试中 BANKING77 F1 为 94.20，高于 Jev 的 79.74，但 Jev 在 GPQA Diamond 上以 78.3 领先；Respan 的第三方横评中 Jev 准确率仍为 0.932，多数分数由厂商自测。
#行业动态#模型发布#开源生态
红帽工程总监 Christian Schaller 让 Claude Code 运行厂商的 Windows 驱动并抓取 USB 流量，与自己的 Linux 驱动对比，几小时内拿到第一张可识别的扫描结果，几天后支持红外扫描。他把这套方法以 MIT 协议开源为 hw-harness，包含控制 Windows 虚拟机的 winctl、抓取流量的 usbcap、切换设备的 hostdev 和 Linux 侧调试的 hwdbg。他还用同样思路修复了 ThinkPad X1 Carbon 的摄像头偏暗偏色问题，提交了内核和 libcamera 补丁，低光测试中画面亮度从 31.1 升到 90.9，但补丁尚未合并。
#教程/实践#Agent#编码
一位高中英语教师与3人备课组把集体备课改造成9个AI智能体加3个真人角色的四阶段流水线，原本跨两周的备课闭环在9月上旬实测单日上午跑通。四套提示词分别负责学情三维归因、每条不超过100字的四段式研讨意见、80分钟对辩主持稿和三维评分归档，共识执行率从经常烂尾变为100%。作者还记录了二次质检分数降6分实为评分量表变化、教师对格式约束的抵触、成员出差由副备兼顶三个坑，并称该SOP跨学科通用，提示词可在豆包、Kimi、ChatGPT、DeepSeek上运行。
#教程/实践#Agent#MCP/工具调用
Claude writes about 90% of Claude Code's code. From June to September, merged PRs more than doubled while the share reverted fell by more than 40%. We wrote about how we changed code review to get there, and how to adopt it: https://t.co/9sZe64g3mb
#教程/实践#Agent#编码
heise online 的 c't 3003 实测了搭载 Nvidia 首款笔记本芯片 N1X（品牌名 RTX Spark）的 Asus ProArt P14，该机支持最高 128 GB 统一内存，测试机为 32 GB 内存加 1 TB SSD，售价 3300 欧元。用 llama-bench 测试 Qwen 3.8-27B 时生成速度约 14.5 Token/s，略快于 Apple M6 和 Strix Halo，慢于 M5 Pro；改用 MoE 模型 Qwen 3.6-35B-A3B 可达近 61 Token/s。提示词处理速度优于 Strix Halo 和 M5 Pro、M6，但满载风扇噪音最高 2.7 sone，且空闲时也会启动。作者还尝试安装 Ubuntu，在自行补齐驱动后，两个模型在 Linux 下的速度反而比 Windows 快 14% 和 9%。
#评测/基准#端侧#数据/训练
Google DeepMind 的新前沿模型 Gemini 4 Argon 在 ARC-AGI-3 上以 Provider Adapter Harness 测试环境取得 97.5%，成本 4800 美元，成为继 OpenAI 之后第二个跨过 95% 的实验室，仅次于 GPT-6 Astra 的 99.9%。在只允许简单笔记的 Standard Harness 下，低推理档得分降至 49.8%，且因 API 问题未能跑完全部 55 个游戏。Epoch AI 的 ECI 指数上 Argon 得 165 分，与 Fable 5.1 持平，但在数学 ECI 排第八、软件工程指数排第六。
#评测/基准#Google#DeepMind
The Verge 三位作者用一周时间实测五款搭载 Nvidia RTX Spark N1X 芯片的笔记本，包括 128GB 版 Surface Laptop Ultra、Asus ProArt P16、Lenovo Yoga 9n 和 HP OmniBook Ultra，售价从 3199.99 美元到 6999.99 美元。游戏方面，中画质加 DLSS 性能模式在多数游戏中可稳定 60fps，但 Helldivers 2 等 CPU 受限场景难以达标，作者认为其图形性能大致介于 RTX 5070 与 RTX 5060 Laptop GPU 之间。本地 AI 体验仍偏开发者测试阶段，用 Qwen3.8-27B 生成新闻简报耗时 10 分钟并消耗 10% 电池，续航在网页办公下约 5 小时左右。
#评测/基准#端侧#部署/工程
Anthropic 花 5 个月、由 7 人重做内部版本控制系统，用自研的 Scion 接替 Git，并配套 Antique 供工程师查看和审查改动。其内部每日合并的代码改动从今年 5 月的约 2500 次增至 9 月的超过 3 万次，主分支历史接近 100GB，自动构建和测试流程每天约需准备代码 2500 万次。按官方披露数据，Scion 所需处理器和内存资源降至原 Git 镜像基础设施的约 1/200，为新任务准备独立代码工作目录的中位耗时从 7.1 分钟降到 5.1 秒，每次变更请求花在版本管理上的总时间中位数从 34 分钟降到 3.7 分钟。Anthropic 明确表示 Scion 不适合作为 Git 的通用替代品，分享的是自身工程经验。
#行业动态#Agent#部署/工程
作者在智能体修 bug、故障排查和长会话记忆三项任务上对比了 Meta 的 Muse Wonder 与 Anthropic 的 Claude Fable 5.1。Muse Wonder 在故障排查中与 Fable 5.1 同为 10 分，修 bug 拿到 6 项隐藏测试中的 5 项，记忆任务 25 分满分；Fable 5.1 因 cyber 安全过滤拒绝了记忆测试 50 轮中的 34 轮，该项得 0 分。尽管 Meta 标价每百万 token 输入 4 美元、输出 20 美元，低于 Fable 5.1 的 10 美元和 50 美元，但 Muse Wonder 单任务消耗 token 更多，三项测试总成本 2.24 美元，高于 Fable 5.1 的 1.85 美元。
#评测/基准#Agent#推理
Aleph Alpha 发布开放权重模型 Kolibri-1，总参数 78B，采用 384 个专家、6 个路由专家的 MoE 结构，推理时仅激活 3.46B 参数，上下文 256K Token 并可外推至约 100 万 Token。该模型专注德语和英语，tokenizer 对德语词切分更省 Token，例如德国联邦议院术语表仅需 1137 Token，而对比的 DeepSeek-V4.1-Flash 需要 1910 Token；预训练使用 20 万亿 Token，数据截至 2026 年 6 月 18 日。作者实测其回答正确、德语推理过程明显，并称 Merlin-Arthur 协议让模型在基准中幻觉更少，但实际效果仍需在真实使用中检验。
#模型发布#推理#数据/训练