N全部新闻

全部新闻

星期五39 条

  1. Arena解读
    AI 评分60

    Arena 分析 Agent Arena 每任务成本：GPT-6.1 Sol 为 1.91 美元

    Arena 在 Agent Arena 上统计，OpenAI 的 GPT-6.1 Sol (Max) 每任务成本为 1.91 美元，比 Claude Opus 5.5 (Max) 的 12.51 美元低 85%，比 GPT-6 Astra (Max) 的 14.93 美元低 87%。Arena 指出，这两项成本优势的来源并不相同：相对 Astra，Sol 的优势主要来自更低的 token 单价；相对 Opus，则主要来自每任务消耗更少的 token。每任务成本按输入、输出和缓存读取 token 的数量乘以各自单价计算，Arena 通过对比价格与 token 用量来定位成本下降的原因。

    #评测/基准#Agent#OpenAI

  2. Artificial Analysis解读
    AI 评分60

    Fish Audio Drama 3 在两个语音竞技场开源权重模型居首，发音鲁棒性排名第一

    Artificial Analysis 评测显示，Fish Audio 发布的 Drama 3 在 Text to Speech 的 Provider Voice 场景 Elo 为 1,278（1,512 次竞技场出场），总排名第 6、开源权重模型第 1；Controlled Voice 场景 Elo 为 1,085（1,958 次出场），总排名第 12、开源权重模型第 1。发音鲁棒性上 Drama 3 以 94.6%（2,157 个评分片段）排名第 1，高于 Ming-3.0-tts 和 Drama 3 Preview 的 93.2%。生成速度为每秒 66.6 字符，定价 $15/1M 字符，以 Fish Audio Community License 开放权重。

    #评测/基准#语音#开源生态

  3. Artificial Analysis解读
    AI 评分62

    Phonic 1 登顶 Artificial Analysis 语音到语音指数，87.1 分领先 Grok…

    Artificial Analysis 评测显示，Phonic 的 Phonic 1（High）以 87.1 分在 Speech to Speech Index 的 22 个模型中排名第一，以微弱优势领先 Grok Voice 3.0 的 86.9 分。该模型在 Tau Voice 智能体任务上以 79.9% 排名第一，领先第二名 5.4 个百分点；Big Bench Audio 以 98.9% 排第三，Time to First Audio 为 0.61 秒。Phonic 1 通过 Phonic API 提供，输入音频成本为每分钟 0.07 美元、每小时 4.20 美元。

    同一事件 · 2 条报道

    #评测/基准#语音#Agent

  4. 阿里云开发者社区 AI解读
    AI 评分60

    Hermes 如何把 Agent 的学习写进文件：记忆、技能与知识库三层设计

    Nous Research 开源的 Hermes Agent 把学习外置成文件，用 MEMORY.md 和 USER.md 存记忆、用 SKILL.md 存可复用技能、用 wiki 存领域知识，底座模型权重不变。文章拆解了它的闭环学习机制，包括任务后后台审查自动创建和改进技能。内置的 llm-wiki 技能 2.1.0 用 raw/、wiki、SCHEMA.md 三层结构和成页阈值、双链、原文哈希、矛盾登记等纪律维护知识库，并配有巡检机制。

    #教程/实践#Agent#开源生态

  5. heise online解读
    AI 评分58

    Artificial Analysis 发布 Intelligence Index v5，六成任务改为不公开

    独立基准测试机构 Artificial Analysis 更新主指数至 Intelligence Index v5，该指数综合九项基准测试结果，并首次采用 60% 不公开任务，以降低模型针对公开题目过拟合的影响。新增的两项测试是包含 70 个智能体科学任务的 Terminal-Bench-Science 和 Cognition 近期推出的 FrontierCode 2.0，后者考察真实编程任务中仓库维护者是否会采纳智能体的改动；Humanity's Last Exam Diamond、AA-Omniscience v1.1 和 CritPt v2 得到升级，GDPval-AA v2.1、SciCode 和 AA-LCR v1.1 被移除。测试调整后排名发生变化，Claude Opus 5.5 一度领先，随后被发布不久的 Gemini 4 Carbon 超越，Grok 4.7 与 Kimi K3.1 Pro 得分下滑，最强开源模型与榜首的差距从 3 分扩大到 12 分。原文也指出，不公开基准无法由外部复核，潜在错误难以被发现。

    同一事件 · 8 条报道

    #评测/基准#编码#Agent

  6. Google Developers Blog一手解读
    AI 评分70

    Google A2UI 团队与 CopilotKit 介绍如何构建生成式 UI 应用

    Google A2UI 团队与 CopilotKit CEO Atai Barkai 介绍如何用 A2UI 开放标准和 CopilotKit 构建生成式 UI 应用。A2UI 以声明式 JSON 描述界面，客户端只渲染可信组件目录中的组件，同一份响应可渲染到 React、Angular、SwiftUI、Jetpack Compose 和 Flutter。文中给出用 Google ADK 接入 CopilotKit 的代码示例，并说明通过 AG-UI 协议实现用户操作回传、智能体重新生成界面的双向流程。

    #教程/实践#Agent#MCP/工具调用

  7. Pydantic AI 官方文章一手解读
    AI 评分68

    Pydantic 用 5,276 次运行对比 code mode 与工具调用

    Pydantic 的 Michael Pfaffenberger 用 5 个小型 Pydantic AI 应用、8 个模型做了 5,276 次评分运行，对比 code mode 与直接工具调用。长任务上 code mode 平均成本降 58%、耗时降 51%、成功率提高 16 个百分点；但 5 条目的短任务在 5 个任务中有 3 个反而贵了 21% 到 38%。作者认为模型写循环比充当循环更擅长，差距随任务变长而扩大。

    Michael Pfaffenberger avatar

    #评测/基准#Agent#MCP/工具调用

  8. Latent Space解读
    AI 评分54

    Elorian 发布 DecoyCount 基准，前沿模型视觉计数准确率均低于 50%

    Elorian 与 Mercor 联合发布 DecoyCount 基准，测试模型是真正数清物体还是依赖视觉捷径，前沿模型准确率均低于 50%，最高为 GPT-6 Astra 的 43.17%。Elorian 称其视觉推理模型 Glimpse 在 1,660 道题上单次运行得分 50.48%，是唯一超过 50% 的模型，但该结果来自内部测试且未使用智能体或工具框架，而论文中的六个模型各取三次运行平均值。Elorian CEO Andrew Dai 表示，该基准同时考察视觉与推理，可区分模型是没看到物体还是数错了。

    #评测/基准#多模态#推理

  9. 新京报解读
    AI 评分67

    新京报实测千问Go！与灵光2.0：个人智能体竞争转向自主代办

    新京报贝壳财经记者实测阿里千问Go！和蚂蚁灵光2.0，前者用一句话建好每天8点的用药提醒并逐项核对，后者在支付宝授权后梳理近半年账单。文章同时梳理了Meta Muse、OpenAI dots及字节、腾讯的布局，并指出跨生态权限是当前最难拆的墙，字节SAEP公示的拒绝名单达155款应用。

    #现象/趋势#Agent#OpenAI

  10. Baseten 工程博客一手解读
    AI 评分56

    Baseten 优化 Qwen3-ASR 批量转写，单卡吞吐提升 7 倍

    Baseten 工程团队通过原生音频解码、KV cache FP8 量化和减少主机与设备同步，把 Qwen3-ASR 1.7B 在单张 RTX PRO 6000 上的批量转写吞吐提升 7 倍、延迟降低 6.9 倍。优化后一小时音频的转写成本约为 0.0013 美元，即每音频小时 1/10 美分，词错误率没有明显变化。该优化版本已作为 Baseten Model Library 的默认部署，可通过 OpenAI 兼容的转写客户端调用。

    How Baseten gets 7x throughput on Qwen3-ASR batch transcription

    #教程/实践#部署/工程#语音

  11. Sakana AI：Blog一手解读
    AI 评分54

    Sakana AI 用 AI 分析美国中期选举：德州参议院选战约71万条 X 反应

    Sakana AI 发布美国中期选举的 AI 分析案例，聚焦德州参议院选战，分析两候选人与两党州组织在 X 上的 2,042 条发帖及 70万5,976 条反应。其叙事分析系统按“谁做了什么、如何被评价”提取叙事，并用多个 AI 模型与原文核对；同时用产品 Sakana Marlin 检索民调、竞选资金、预测市场和报道等公开信息，与 X 上的观察对照。文中称，帕克斯顿在决选前获得的支持多来自党内动员，决选后支持比例从约5成降至2成弱，且两候选人的评价转变早于 Cook Political Report 等机构调整判断约2个月。

    #现象/趋势#数据/训练#推理

  12. 智慧城市行业分析解读
    AI 评分54

    美妆企业FDE落地实践：把海量多模态数据洗成可信数据的八步链路

    一家美妆企业的FDE落地项目把小红书、抖音、视频号、微博采集的文字、图片、音频和视频数据，按定数据规范、保留原始内容、梳理数据关系、多模态归一、冲突和质量清洗、生成结构化数据、执行验收、按规则和版本入库八步处理。原文强调清洗结果不能覆盖原文，OCR、ASR和模型标签只作新增结果，并给出ASR与OCR数值冲突时回溯原始证据、无法确认则进入待核队列的做法。这套链路也被作者整理为可复用于消费品洞察、汽车口碑、餐饮选址和品牌舆情等场景的通用方案。

    #教程/实践#数据/训练#多模态

  13. Hacker News 热门解读
    AI 评分76

    Linux IPv4 TCP 握手释放后使用漏洞 CVE-2026-98432 的修复与排查

    Linux 稳定内核在 10 月 11 日和 15 日修复了 IPv4 TCP 握手路径中的释放后使用漏洞 CVE-2026-98432，内核 CNA 评为 CVSS 3.1 9.8 严重，影响 4.4 及之后的版本。截至 10 月 29 日，Ubuntu 各版本内核仍标记为受影响，RHEL 8、9、10 与 Amazon Linux 2 默认内核尚无修复。Anthropic 称其 Claude 模型在实验室写出了针对带 multipath TCP 监听器服务器的远程 root 利用代码，但未公开。

    #安全/对齐#开源生态#部署/工程

星期三20 条

  1. 腾讯云开发者社区解读
    AI 评分57

    从 ReAct 到 Supervisor-Worker：AI Agent 核心概念与架构选择

    文章系统梳理了 AI Agent 的核心概念与架构选择，指出 Agent 与普通大模型调用的本质区别在于具备目标、感知、决策、行动构成的闭环。文中对比了单 Agent 的 ReAct、Plan-and-Execute、Reflexion 三种模式各自解决的问题与代价，并说明多 Agent 场景下 Supervisor-Worker 的分工原则。作者还列出落地时的状态持久化、终止熔断、上下文工程、可观测性等工程痛点，并给出从单 Agent 起步的选型决策顺序。

    #教程/实践#Agent#推理

  2. 邵猛
    AI 评分51

    三套 Agent Skills 组合复刻顶级 iOS App 设计

    作者介绍用三套 Agent Skills 复刻顶级 iOS App 设计的做法：Appllama Skills 提供设计研究与 Expo/RN 原生感建造标准，Expo Skills 给出项目结构、Router、动画、EAS 上架等官方最佳实践，Emil Kowalski Skills 则把动效与界面品味写成可执行规则。三者分别回答学谁、工程怎么做、动效细节怎样不廉价，载体是 skills.sh 与 Agent Skills，而非传统逆向 IPA 工具链。Appllama 的 MCP 属 Pro 计费，设计技能可单独安装；Expo Skills 可在 Claude Code、Codex 用官方插件，其他 Agent 用 skills CLI。

    引用jaimin · @jaimintf

    reverse engineer any ios app. app design → https://t.co/rhCq0WZIve best practices → https://t.co/BaQpMSbiAt animations → https://t.co/YZVV8SagDO https://t.co/OzB1WoaIu7

    #开源/仓库#Agent#编码

  3. 阿里云开发者社区 AI
    AI 评分55

    把重复的接口测试规则封装成 SKILL.md，让 AI 按标准生成用例

    作者以团队测试同学每天重复向 AI 交代接口测试规则为例，把登录拿 token、三层断言、异常场景清单等约 300 字规则写成 SKILL.md，封装后只需说“用 api-test-standard 测这个接口”，断言层级和异常覆盖保持稳定，同事也能复用同一份规则。文中给出四步封装法：原样记录最常重复的话、按前置条件与执行步骤、断言、异常拆开、把模糊表述改成可执行规则、在末尾加自检清单，并列出五个坑，包括写成口语聊天记录、SKILL.md 超过 500 行、description 写得太空、写完不验证、只封装不迭代。

    #教程/实践#Agent#MCP/工具调用

  4. 阿里云开发者社区 AI解读
    AI 评分60

    SmartCall 如何在一通电话里实现双通道 RAG 知识库

    SmartCall 开源项目拆解了语音客服场景下的智能体知识库实现，采用拦截器门控与 Function Calling 工具两条通道并行。文章指出端到端实时语音模型的服务端 VAD 会抢答，因此核心矛盾从检索准确率变成检索能否赢过模型自动应答，方案以 fail-open 和音频保持为支点。文中还给出接入 RAGFlow 等新来源的四步扩展流程与十条踩坑清单。

    #教程/实践#RAG#语音

  5. VR陀螺解读
    AI 评分57

    乐奇AI眼镜二代评测：双芯架构、4K影像与微手势交互

    VR陀螺上手评测乐奇Rokid在10月27日发布的乐奇AI眼镜二代，该产品搭载骁龙AR1+与恒玄BES2800BP双芯片，电池容量提升25%至263mAh，日常轻度混合使用续航约9小时。实测中语音唤醒平均约0.3秒、回复约3.2秒，支持4K竖屏与3K横屏拍摄，快门响应较前代提升100%，并新增拍前预览功能。搭配同期发布的Rokid Ring可用微手势完成翻页、确认与音量调节，眼镜还支持切换通义千问、豆包、DeepSeek、智谱等大模型。

    同一事件 · 7 条报道

    #产品更新#端侧#多模态

  7. Artificial Analysis 完整文章一手解读
    AI 评分66

    Artificial Analysis 发布 Intelligence Index v5，60% 评测改用私有数据集

    Artificial Analysis 发布 Intelligence Index v5，新增 FrontierCode 2.0 和 Terminal-Bench-Science 两项基准，升级 HLE-Diamond、AA-Omniscience v1.1 和 CritPt v2，60% 的评测基于私有测试集或留出答案。Claude Opus 5.5（max）以 58 分居首，GPT-6 Astra（max）57 分、GPT-6.1 Sol（max）55 分紧随其后，Gemini 4 Argon（high）50 分。开源权重模型与领先者的差距从 3 分扩大到 12 分，已发布权重的 DeepSeek V4.1 Flash 1017（max）和 GLM-5.3（max）均为 32 分；领先模型单任务成本相差超过 13 倍，GPT-6.1 Terra（max）为 $0.96，Claude Fable 5.1（max）为 $13.04。同时发布 Progress Index v1，将 2022 年 11 月以来发布的模型放在同一能力尺度上比较。

    同一事件 · 8 条报道

    #评测/基准#Agent#编码