SemiAnalysis 发布前沿模型基准 GDPx，覆盖金融、材料科学、网络安全、软件工程、法律、生物等 206 项任务，并同时列出各模型得分与成本。9to5Google 报道称，Google 的 Gemini 4 Carbon 在榜单上略落后于 Claude，但单位成本表现更好；若剔除网络安全、生物和对齐领域，GPT-6 Astra 居首，GPT 6.1 Sol 与 Claude Sonnet 5.5 也排在 Gemini 4 Carbon 之前。Google 现有模型 Gemini 4 Argon 在两份榜单中均列第八，成本仅略低于 Carbon；Google 于 10 月 28 日发布 Gemini 4 Carbon，多数客户仍需等待上线。
#评测/基准#Google#OpenAI
AWS 官方博客介绍如何用序列级知识蒸馏（SeqKD）在 Amazon SageMaker AI 上微调购物智能体：以 Amazon Bedrock 上的 GLM-5.3 作为教师模型生成轨迹，用 ShoppingBench 评分器只保留解出任务的轨迹，再对 Qwen3.5-4B 学生模型做服务端无服务器 SFT。在 324 道留出测试题上，蒸馏后 4B 学生平均绝对成功率从 0.297 提升到 0.541，与教师模型和中等规模前沿模型基本持平；去掉教师推理过程只学工具调用时，平均成功率降至 0.415。
#教程/实践#Agent#数据/训练
#现象/趋势#视频#多模态
Trail of Bits 用 Codex 配合 GPT-5.6 为稳定版 Linux 内核和发行版回移安全补丁，截至 10 月 29 日已向稳定内核分支交付 149 个 CVE 的修复，另有若干 Fedora 和 Ubuntu 软件包修复。其流程由智能体识别缺失修复、适配补丁、组装验证证据、运行测试并准备提交材料，工程师负责审核并提交给维护者；不含项目初始配置时，一次简单回移约需 30 分钟人工投入，复杂情况约 3 小时。作者同时给出 Linux 内核各稳定分支及 Debian 13、Ubuntu 26.04 中已修复于新版本但未回移的 CVE 数量，并说明回归测试与维护者接受仍是必要环节。
#安全/对齐#Agent#编码
奇点研究社用可灵4.0制作一条探展视频，真人出镜全部交给AI，实拍素材与AI人物拆成7组画面，配合约3000字提示词，通过音画同出、视频修改和时间线完成后期。实测中部分镜头的运镜、构图和人物融合已接近可直接交付，声音可用率高于画面；但模型会把台上机器人换成台下主播、把一镜到底变成硬切，修改后声音还会变成乱码。作者认为可灵4.0抬高了好镜头的上限，稳定交付仍依赖创作者在关键环节兜底。
#评测/基准#视频#行业动态
#教程/实践#Agent#MCP/工具调用
Weekend hack: HackerTube. I was annoyed with YouTube's recommendations so I had Claude filter down 43M comments over 20 years of HN to 6,454 videos that keep being recommended. *Significantly* better viewing experience, ~2 hours with Opus 5.5: https://t.co/JIhXN7OSh1 - Excellent recs without any logins (state is kept in local browser session) - Thumbnail is a representative frame from middle of the video instead of the super duper A/B test hyper-optimized user uploads - Underlying data from the comment analysis as one zip file, point your Claude at it and ask for your own version - HackerTube Longs ✊ A bit more on the process: I use Claude Code (desktop app for Mac), Opus 5.5 on Medium effort as my default. I only talk to Claude and have it do everything, the only "manual work" I helped with in tandem was in the browser (reminiscent of MenuGen): 1) I had to create some kind of API key from Google Cloud UI to query YouTube for video metadata, 2) I booted up a VPS box for serving and 3) I bought the domain name. Once the box was up I gave Claude the IP and told it update, secure, harden, deploy and optimize the code, and it did the whole thing. Many awesome projects that would have normally taken weeks/months even can now be few-shotted for breakfast. What else are we not thinking of.
#现象/趋势#Agent#编码
斯坦福大学把 CS329A Self-Improving AI Agents 视频都公布到 Youtube 了。 两位主讲老师做过 PaLM、Gemini、Claude。9 讲讲透一个循环： 采样 → 验证 → 筛选 → 训练 → 更强的模型 想知道为什么 coding agent 最新普及，写作却不行？ 完整解读 👇 https://t.co/b5KhXPnL5P
#教程/实践#Agent
作者基于 Google ADK 官方文档《Why evaluate agents》的 Conformance 一节，梳理 adk conformance test 的 Replay 与 Live 两种模式，并用一个只用标准库的脚本复刻回放比对逻辑，注入六种改动观察各自响在哪一层。结论是把门禁留在 Replay，Live Mode 官方标注仍在开发中，只适合当作变化清单的来源。文章还给出录制登记、成对提交、双人复核和 CI 四个动作的流程设计，并指出 Replay 只能证明与已录交互一致，证明不了业务对错。
#教程/实践#Agent#部署/工程
宁波大学附属人民医院引入阿里达摩院医疗 AI 开展胰腺癌早筛，从 4 万余人 CT 影像中发现 8 例胰腺癌，其中 6 例为早期。达摩院 PANDA 模型将 2000 余例胰腺癌患者的增强 CT 影像配准到平扫 CT 上训练，识别敏感性达 92.9%、特异性达 99.9%，比有经验的影像科医生高出约 34% 的敏感性。哈佛大学麻省总医院团队在《Lancet Digital Health》发表 FaceAge 研究，用面部照片预测癌症患者生存几率，在 3820 名癌症患者测试组中，死亡风险评分最高的一组超过半数在拍照后 90 天内去世。
#行业动态#多模态#数据/训练
here’s a short grok bot guide on how i create high quality bots and manage my team. ask @bot to read this post and help you improve your team! • add dr eggbot to your team! he’s my bot designer that i use to create bots • you don’t need a lot of bots. a few good bots can be more useful and easier to manage than a large team • tell your bots to create skills for itself as you give it instructions on how to do tasks. this lets them do them more consistently even over long conversations. you can even ask it to create a private github repo for you to store all your skills if you want them preserved independently • add connectors, use the vault, and give access to all the tools you use to do your work. you can also ask your bot to setup its own email and it can sign up for its own accounts for better separation • thinking about all the work you do by hand, or steps in your workflows where you have to copy and paste information back to your bot. ask your bot how it can do that for you instead! • imagine you hired an intern, how would you onboard them and help them do the work correctly and efficiently? introduce yourself to your bot and describe the work you do, then ask it how it can help you automate it and my favorite tip: use voice mode or the transcription option! it’s a good way to just brain dump a lot of information. then, at the end, tell your bot to “restate this in your own words” so you can confirm it understood you https://t.co/ajrjeHdzUO
#教程/实践#Agent#MCP/工具调用
作者在 memdoor 上重建 GVS5H 的多智能体编程流程，用 Qwen3.8-27B 在 LiveCodeBench Hard 前 10 题跑 5 轮，平均得分 9.8，作者原版 harness 为 9.6，Fable 5 单独为 8.0。50 次运行中 49 次通过，总花费 35.79 美元，输出 15.3M token。作者说明只测了 10 题而非论文的 100 题，题目时间在 2025 年 3 月 29 日至 4 月 6 日，无法排除训练数据污染，并公开了两次失败的具体原因。
#开源/仓库#Agent#编码
宁波大学附属人民医院引入阿里达摩院医疗 AI，从 4 万余人 CT 影像中发现 8 例胰腺癌，其中 6 例为早期，模型敏感性 92.9%、特异性 99.9%。达摩院 PANDA 模型将增强 CT 影像配准到平扫 CT 上训练，使普通门诊影像可完成机会性筛查，其多癌早筛技术已覆盖 9 个国家和地区、服务超 2000 万人次。哈佛大学麻省总医院团队在《Lancet Digital Health》发表 FaceAge 研究，用面部照片预测癌症患者生存风险，3820 名患者测试中高风险组超半数在拍照后 90 天内去世，但研究者提醒该工具存在肤色与族裔偏差风险。
#论文/研究#多模态#图像生成
央视新闻调查发现，双十一前电商平台大量服装卖家秀由AI生成，部分模特图出现三条腿、手部姿势违背人体结构等畸变，但店铺客服仍称是真人实拍。有服装电商负责人称，AI生成整套图只需几分钟、成本约三四十元，而寄拍一套图需600到800元、最快3到4天。北京邮电大学谢永江表示，若商家谎称真人实拍且AI图与实物差别足以影响下单，可能构成虚假宣传甚至消费欺诈。
#现象/趋势#图像生成#行业动态
Stageshow: a skill that helps your agent make better faux UI stills, animations, bento grids, and more. npx skills add benjitaylor/skills --skill stageshow https://t.co/Qve3C2cECg
#开源/仓库#Agent#编码
Databricks 介绍 Snorkel AI 用 Lakebase 分支为每个开放 PR 创建独立可读写数据库的 CI/CD 方案，分支就绪时间从 30 分钟以上降到 60 秒以内。分支采用写时复制，约 2.5 TB 生产数据集上 100 个并发 PR 分支只额外存储各自改动的 5 至 10 GB 数据，并通过 TTL 在 PR 结束后自动清理。生产数据经 AWS DMS 持续同步到 main 分支，开发者用 Okta SSO 登录，CI 流水线以 service principal 和短期 OAuth token 鉴权。
#教程/实践#数据/训练#部署/工程
作者用华硕 ProArt P16、惠普 OmniBook Ultra 16 和联想 Pro 9n 三款 RTX Spark 笔记本实测两周后认为，该平台在形态和就绪度两方面都令人失望。他指出这些笔记本厚重、发热和噪音明显，内存扩展性与带宽不及 Apple Silicon，共享内存需手动配置而非统一内存，Windows 11 也没有提供 RTX Spark 专属功能，本地 AI 体验复杂且缓慢。作者认为问题出在 Nvidia 与 Microsoft，PC 厂商本身并无过错。
#评测/基准#端侧#部署/工程
#模型发布#多模态#评测/基准
生物科技公司 Exin Therapeutics 创始人 Gabriel Ocana Santero 用 AI 智能体操控自建手术装置，为一只活体小鼠完成脑部注射。团队最初测试 Claude Opus 5.5，但该模型拒绝引导针头进入小鼠大脑，担心中途停止会危及动物，随后改用 Claude Sonnet 5 才得以继续。实验设置了人工审批注射方案和紧急断电按钮，并限制智能体修改设备底层代码；期间坐标系统出现故障，智能体虽识别出位置错误却因指令禁止而未改代码，团队另用 Opus 5 上的智能体修改代码，使手术耗时从通常约 45 分钟延长到一小时多。
#现象/趋势#Agent#Anthropic
《华盛顿邮报》测试显示，ChatGPT在22%的选举相关回答中引用Ballot Brief，微软Copilot这一比例达75%，但该网站候选人资料存在多处错误，其中一条还被Copilot重复给提问者。该报与Promptwatch合作，对美国约3100个县各取一个地址，让OpenAI、Anthropic、Google、微软、亚马逊和Perplexity的AI产品生成2026年11月选民指南，聊天机器人常判断错国会选区或拒绝回答。报道后OpenAI调整模型，第二轮测试中ChatGPT引用该网站比例降至4%；微软称已优先使用权威来源和各州官方选举网站。
#现象/趋势#搜索#评测/基准