←搜索结果

搜索“DeepSeek”

按匹配度 · 共 123 条结果 清除搜索

星期日

  1. 事件2 条新闻 · 2 个事实

    Artificial Analysis称Kimi K3.1 Pro在Cyber Index得64%

    Artificial Analysis报告称,Kimi K3.1 Pro在Artificial Analysis Cyber Index上得分64%,居开放可用模型首位。该指数由CWE-Bench-AA、DeepsecBench-AA和CyberGym-E2E-AA三项基准组成;K3.1 Pro在CyberGym-E2E-AA上拿到95%,高于GPT-6 Sol(Daybreak Blue)的93%。其单任务成本为2.81美元,高于GPT-6 Sol(Daybreak Blue,max)的1.77美元和DeepSeek V4.1 Flash 1017的0.42美元。同日早先,Artificial Analysis将DeepSeek V4.1 Flash 1017列为开放可用模型第一,得分57%,总榜第二,落后通过可信访问计划提供的GPT-6 Sol(69%)12分;该版本较前代DeepSeek V4.1 Flash的41%提升16分,主要来自CyberGym-E2E-AA从23%升至76%。

    匹配字段摘要

  2. 事件1 条新闻 · 1 个事实

    Artificial Analysis评测MiniMax-M3.1-Flash得42分

    Artificial Analysis于2026年10月19日发布评测,MiniMax-M3.1-Flash在其智能指数上得分42,比MiniMax-M3高13分,单任务成本不到后者一半。同一评测显示,该模型在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。该模型上下文窗口为1M tokens,支持文本与图像输入,定价为每1M输入/输出tokens $0.15/$0.60,目前权重闭源,MiniMax宣布将于10月23日开放权重。

    匹配字段摘要

  3. 事件1 条新闻 · 1 个事实

    Aleph Alpha发布Kolibri-1开放权重模型

    Aleph Alpha于2026年10月16日发布开放权重模型Kolibri-1。据heise online报道,该模型总参数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,上下文为256K Token并可外推至约100万Token。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。报道作者实测称其回答正确、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。目前尚无后续发展事实。

    匹配字段摘要

星期三

  1. 事件1 条新闻 · 1 个事实

    Artificial Analysis上线HealthBench双排行榜

    Artificial Analysis 上线了 OpenAI 的 HealthBench 与 HealthBench Professional 两个健康对话基准的排行榜。其中,HealthBench 包含 5000 段与普通用户及卫生工作者的对话,HealthBench Professional 则为 525 段全部面向临床医生的对话。榜单结果显示,在 HealthBench Professional 上,GPT-6 Astra(max)以 66.0% 的长度调整分居首,GPT-6.1 Sol(max)为 65.1%,Claude Sonnet 5.5(max with fallback)为 63.0%;在 HealthBench 上,Claude Sonnet 5.5(max with fallback)以 62.1% 领先,DeepSeek V4.1 Flash(max)为 60.9%。此外,Claude Opus 5.5 与 Claude Fable 5.1 平均回答约 5900 字符,长度调整后失分超过 11 分。目前尚无后续发展。

    匹配字段摘要

星期四

  1. 事件1 条新闻 · 1 个事实

    教师分享9智能体集体备课流水线实践

    2026年10月17日,一位高中英语教师以“库Sir”身份在腾讯云开发者社区发文,分享其与3人备课组将集体备课改造为9个AI智能体加3个真人角色的四阶段流水线实践。文章称,原本跨两周的备课闭环在9月上旬实测中于单日上午跑通;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。目前该实践仍以作者自述形式呈现,尚无后续独立进展。

    匹配字段摘要

  2. 邵猛

    斯坦福 CS 329Z 第 9 讲梳理 Agent 系统优化方法选型

    斯坦福 CS 329Z 课程第 9 讲给出 Agent 系统优化的选型图：优化前提是数据、系统、评估指标三者齐备，一般先做上下文优化（prompt 与 few-shots），因为便宜、快、省样本；当上下文优化不够用、想把能力蒸馏到小模型或 prompt 越写越长时再改权重。讲义还梳理了 OPRO、MIPROv2、TextGrad、GEPA 等反思式 prompt 优化方法，SFT、RL（PPO 与 GRPO 对比）、on-policy 蒸馏等权重优化路径，以及 Darwin Gödel Machine、Meta-Harness、karpathy 的 autoresearch 等让 agent 自我优化的做法，并指出 agent 已是不错的优化器，评估指标成为最需要把控的环节。

    迹微调 Llama2-13B，效果超过了直接 prompt 的 GPT-3.5。关键在于任务和环境要足够多样。 · RL：让学生模型自己跑任务，按任务是否完成给奖励，前提是结果可验证。讲义对比了 PPO 和 GRPO：PPO 要在内存中保留 4 个模型、每步训练 2 个；GRPO 只需 3 个、每步训练 1 个，优势值直接用组内奖励的 z-score 计算，DeepSeek-R1 用的就是 GRPO。 · On-policy 蒸馏：学生模型自己采样生成，教师逐 token 打分，好比“复盘自己下过的棋”。引用的 Thinking Machines 结果是，它比 RL 更高效，训出的模型也更好。 让 agent 自己做优化 · Darwin Gödel Machine：agent 修改自己的代码。选哪个版本当“父代”时，表现越好越优先，已有子代越多越靠后。消融实验显示，“自我修改”和“回到早期版本重新探索”这两点都不可或缺。 · Meta-Harness：让一个元 agent 看到全部历史经验，由它决定下一步改什么，逐步改出更好的 harness。 · autoresearch（karp

    匹配字段正文

    #hot-signal#教程/实践#Agent#数据/训练

星期日

  1. 事件1 条新闻 · 1 个事实

    Mistral Large 4上线Arena并获首批评测

    2026年10月6日,Mistral AI的Mistral Large 4上线Arena,可在Agent Arena中实测,用户投票将影响其评估结果,分数稍后公布;Agent Arena用数百万个真实长周期智能体任务评测模型,模型可调用网页搜索、文件系统和终端工具完成复杂工作流,排行榜以因果追踪方法衡量模型相对平均模型的结果表现。Mistral Large 4同时上线Code Arena的WebDev、Text和Vision三个方向。10月8日,Arena发布对Mistral Large 4的首批评测,该模型为1T参数、49B激活,开放权重将于本月底发布;Arena用一系列真实场景测试将其与GPT-6.1 Sol、Astra、Claude Fable、Claude Opus 5.5、Claude Sonnet 5.5、Kimi K3、GLM 5.3 Flash、DeepSeek Flash和Muse Spark等模型对比,后续还会公布更多分数和更新。

    匹配字段摘要

  2. 事件1 条新闻 · 1 个事实

    Mercury 2完成PinchBench评测

    2026年9月29日,Inception Labs公布Mercury 2在PinchBench上的评测结果。该评测显示,Mercury 2任务成功率为78%,高于GPT-5 Mini的75%、Gemini 2.5 Flash的71%、DeepSeek Chat的72%和GPT-4o的71%,并在同准确率档位中执行时间最快。PinchBench基于OpenClaw构建,考察工具调用、多步推理和真实任务完成情况;Mercury 2的速度来自并行细化而非逐token生成。定价方面,每100万token输入0.25美元、输出0.75美元,约为Claude 4.5 Haiku输入输出的四分之一。目前尚无后续发展事实。

    匹配字段摘要

  3. 事件1 条新闻 · 1 个事实

    多档推理强度模型开发方法

    2026年7月18日,Sebastian Raschka讲解了具备多种推理强度模式的大语言模型开发方法。这类模型通过调节推理力度,在回答质量、token消耗、成本和延迟之间权衡,通常结合混合SFT数据、按模式调整的强化学习奖励、长度惩罚、独立专家模型或硬性token预算。DeepSeek V4、Nemotron 3 Ultra、Kimi K3、GLM-5、Qwen3和Inkling采用了不同组合。文章还指出,模型规模与推理力度是两套独立控制方式,较小模型提高推理力度有时可取得与较大模型降低推理力度相近的基准成绩。

    匹配字段摘要

星期三

  1. 事件1 条新闻 · 1 个事实

    LMSYS 公开 Infer-forge 构建方法论

    2026年8月28日,LMSYS 发布 infer-forge 方法论文,公开其围绕 SGLang 的推理工程系统构建方法论。据 LMSYS Blog 介绍,该系统由 MonoRepo、Harness、Task Loop 和 Task Graph 四层结构组成,目标是让跨仓库的推理优化工作可复现、可验证。文章说明 infer-forge 属于内部工程系统,并非 SGLang 或 LMSYS 官方组件,目前不开源,公开的是构建方法论,供团队交给 AI 编码工具并结合自身系统上下文搭建适配实现。文中还给出使用记录:一位工程师 4 月至 7 月的在飞任务峰值从 2 个升至 9 个,DeepSeek-V4-Pro 服务项目中 38 个可独立验证的任务节点被组织成任务图。目前尚无后续发展事实。

    匹配字段摘要

星期二

  1. AWS Machine Learning精选

    在 Amazon SageMaker AI 上用知识蒸馏构建高效智能体

    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。

    Diagram of an agentic task as a loop: search, read results, refine, verify, and decide, with each step a separate billed call to the frontier model

    的蒸馏和 on-policy 方法，它们都需要这种内部访问权限。SeqKD 只需要教师的文本响应，因此它是唯一仍然可行的方法，并且它让你在学生模型接手后免于为每次请求支付前沿模型的价格。 你想要一个强大且具成本效益的第一步 一些最强的小型推理模型在很大程度上是用 SeqKD（在教师推理轨迹上进行监督微调）构建的，因此在条件合适时，它是推理迁移的有效起点。 DeepSeek-R1 蒸馏模型 就是一个著名例子：大型教师的推理通过在教师生成的推理轨迹上进行微调，被蒸馏到较小的 Qwen 和 Llama 学生模型中。 先决条件 要运行此示例，你需要： 一个 AWS 账户，并具有用于 SageMaker AI 的 AWS Identity and Access Management (IAM) 角色 该角色对 Amazon Simple Storage Service (Amazon S3) 存储桶具有读写访问权限，并拥有调用教师模型的权限。 用于生成轨迹的前沿教师模型（本演练使用 Amazon Bedrock 上的一个模型）。 Amazon Bedrock). 访问 SageMaker AI

    匹配字段正文

    #lab#教程/实践#Agent#数据/训练

星期四

  1. 阿易 AI Notes

    作者用 Claude Opus 5.5 做出「情商外挂」并借 UUMit 把本地服务变成团队链接

    作者用 Cursor 配合 Claude Opus 5.5 做出零依赖的本地网页工具「情商外挂」，把带情绪的草稿按《非暴力沟通》四要素改写，并内置七类沟通对象与温和、坚定、直接三档语气。工具跑在本机 127.0.0.1:8787，通过 UUMit 客户端生成固定 HTTPS 链接分发给同事，无需买服务器或备案，权限可按人发放和收回。文中还给出单次输入 800 字限制、默认每分钟 10 次与每天 200 次的限流设置，以及两个 GitHub 仓库的源码和 System Prompt。

    团队协作、内部工具、客户 demo 验证与小范围分享，规模大了依然建议走正式上云部署。 准备清单： 一台日常开着的电脑（macOS 或 Windows 均可，我自己用的是 MacBook Pro M5） Python 3 运行环境（macOS 基本自带，Windows 官网装一下即可） 一个大模型 API 密钥（兼容 OpenAI 格式的任何平台都行，比如 DeepSeek、AIsa、阿里云百炼、Kimi 等） 一个 UUMit 账号（去 uumit.com 注册下载客户端） 一位愿意帮你体验的真实同事或朋友（用来走完最后的外部访问闭环，他也需要注册一个 UUMit 账号） 第一部分：先搞懂这个工具在干什么 说话是门技术，但大部分吵起来的对话，底层逻辑惊人一致。 马歇尔·卢森堡在经典著作《非暴力沟通》里把这个问题剖得很透：一句话之所以听着刺耳，核心不是事实本身，而是里面包裹了道德评判、一概而论、推卸责任或强人所难的命令。对方第一眼看到的不是你的诉求，而是你在扣帽子，防御和反击机制瞬间就被激活了。 书里给出的解药，是把任何沟通拆成四根骨架： 观察：只说能被摄像机拍到的客观事实，不带情绪标

    匹配字段正文

    #hot-signal#教程/实践#Agent#MCP/工具调用

星期三

  1. Pydantic AI 官方文章精选

    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

    到 75%。 没有它，正确率会下降。 从 5 个条目到 200 个条目，没有代码模式时的成功率从 92-100% 下降到 62-79%。启用代码模式后，在 200 个条目时成功率仍为 92-100%。 这与往返次数无关。 模型已经在批处理：一次响应携带了 200 次工具调用。在 200 个条目时，对八个模型取平均，每个任务的模型请求减少了 1% 到 22%；deepseek-v4.1-flash 单独来看下降得更多。代码模式削减的是进入 每个请求的内容。 每个请求。 小型任务反而要付出代价。 在 5 个条目的任务上，代码模式在五个任务中的三个上成本更高（+21% 到 +38%）。在 50 个日常任务上，它总体便宜了 16%，但成功率持平（+1.6 个百分点，属于噪声）。 它运行在沙箱中，并且会留下痕迹。 在 Pydantic AI Harness 中，模型生成的代码在 Monty 中运行，Monty 一开始无法访问宿主机，并且默认会在代码片段执行 30 秒后或堆内存达到 256 MiB 时将其停止。借助 Pydantic Logfire 对智能体进行追踪, 代码发起的每一次工具调用都会

    匹配字段正文

    #company#评测/基准#Agent#MCP/工具调用

星期五

  1. 邵猛

    Coding Agent 榜单升级 v2.0：Claude Opus 5.5 以 61.7 领跑

    Artificial Analysis 发布 Coding Agent Index v2.0，用 Cognition 的 FrontierCode v1.1 替换 DeepSWE，并收紧仓库问答评分，榜单评的是模型加 harness 组合。当前第一是 Claude Code + Claude Opus 5.5（max）61.7，其后为 Claude Code + Sonnet 5.5 的 59.3 和 Muse Code + Muse Wonder Full 的 58.9，首个 OpenAI 组合 Codex + GPT-6 Astra 为 54.7。同一批 21 个配置在新旧榜单上均值从 54.8 降至 47.4，20 个下降，主因是 FrontierCode 均值约 45.1%，远低于 DeepSWE 的 65.6%。

    x）58.9 · Claude Code + Fable 5.1（max + fallback）57.6 前四相差仅约 4.1 分，其中三席是 Claude Code。首个 OpenAI 组合是 Codex + GPT-6 Astra，54.7。 FrontierCode 单项（Opus 拉开差距处）： · Opus 5.5：56.0% · Codex + DeepSeek V4.1 Flash：52.6% · Codex + GPT-6.1 Sol：49.4% · Codex + GPT-6 Astra：49.3% 其余 24 个配置里有 15 个挤在 43%–49% 仓库问答（SWE-Atlas-QnA-AA）前几名： · Muse Wonder Full：68.8% · Claude Fable 5.1：66.4% · Opus 5.5：65.9% · Sonnet 5.5：64.2% 同一批 21 个配置在新旧 Index 上对比：均值从 54.8 → 47.4，20/21 下降；主因是 FrontierCode 均值约 45.1%，远低于 DeepSWE 的 65.6%；问答

    匹配字段正文

    #hot-signal#评测/基准#Agent#编码

星期二

  1. Artificial Analysis

    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。

    指数：表达力、组织性、信息量、透明度、亲和力、坚定度、想象力和 Slop。每项特质都配有一组 30 道专属问题，模型的回答由一组 LLM 评审进行两两对比。随后我们对特质和人格 Elo 进行 z 分数标准化和百分位排名。 在 8 项人格指数中表现最强的模型：➤ 表达力：Claude Fable 5.1、GLM-5.3、GLM-5.3-Flash ➤ 组织性：DeepSeek V4.1 Flash、Step 5 Preview、Inkling ➤ 信息量：Muse Spark 1.3、Claude Fable 5.1、Muse Wonder、Claude Opus 5.5 ➤ 透明度：Claude Sonnet 5.5、Claude Fable 5.1、GPT-6 Astra ➤ 亲和力：Muse Wonder、Muse Spark 1.3、Claude Fable 5.1 ➤ 坚定度：Claude Fable 5.1、DeepSeek V4.1 Flash、Grok 4.7 ➤ 想象力：Muse Spark 1.3、Claude Opus 5.5、GLM-5.3 ➤ Slop：Llam

    匹配字段正文

    #editorial#评测/基准#模型发布#数据/训练
  2. 钛媒体 · AGI

    Cue一周实测：给AI配了身份证，却还做不到随时可用

    作者开通Cue Pro会员实测一周，邮件处理最顺畅，能及时提醒收信、总结要点并按意图组织回复；电话与支付两项因需绑定国际账号未能跑通。多Agent协作需配置海外应用接口且群聊回复混乱，日程管理也接不进微信、QQ等国内信息流。Cue于9月28日与Manus 2.0一同发布，为每个Agent配备独立邮箱、电话号码、数字钱包和专属电脑，面向海外用户，国内版本仍在筹备。

    美元；Cursor去年底拿了 23 亿美元，今年8月更是被 SpaceX 以 600 亿美元整体收购。和这些数字放在一起看，Manus本轮融资的体量并不算“夸张”。 但牌桌也确实比它离开时拥挤多了，肖弘曾回忆，Manus刚做出来时，市场上还没有Codex，也没有Claude Cowork。如今，腾讯WorkBuddy，阿里千问办公，字节整合飞书推出豆包工作，DeepSeek和MiniMax也在细分场景中加码。任务执行能力正被模型厂商收入自家产品，独立Agent公司要建立入口，难度比一年多前高出许多。 Cue因此有了另一层意义，9月28日，Manus 2.0与个人AI助理Cue一同发布。Manus主要负责完成任务，交回报告、幻灯片或网站；Cue则将触角伸向个人生活，创建长期存在、有名字的Agent，即使用户退出登录，它也可以继续运行。 肖弘形容Cue是一个有独立手机号、邮箱、支付能力和电脑的“东西”，或许可以称之为“人”。他还用电脑作比喻：人们买电脑大多为了工作，如果它不能看视频、打游戏，也会少些乐趣。做视频、做联机游戏，正是他为Cue设想的早期场景。更广泛地说，Manus希望让Agen

    匹配字段正文

    #hot-signal#现象/趋势#Agent#评测/基准
  3. 钛媒体 · AGI

    实测 WorkBuddy 接入企业微信：AI 同事几分靠谱

    作者从零实测 10 月 14 日宣布与企业微信深度融合的 WorkBuddy，通过企业微信机器人入口完成授权绑定后，可对话和设定时任务。实测中定时任务首次运行因提示模型队列已满而反复失败，整理 AI 资讯时推送内容把日期标成 2025 年 10 月，追问后 WorkBuddy 承认是模型幻觉加系统 Bug 导致未推送。作者认为它更像需要人盯交付的实习同事，时效性敏感的自动化任务仍需人工核查。

    下文”：你说“那个项目”，它知道是哪个项目；你说“客户的会议”，它会自己检索。与此前用“连接器”接入企业微信的方式不同，这次的消息能力是新开放的，产品层也做了深度联动。 不过消息的开放能力，在企业里面依然是有层级的。成员访问消息、邮件、文档的上下文权限，支持分级管控。 在额度配置方面，支持管理后台统一采买、分配名额、调配额度；控制台里可以统一配置模型（混元、DeepSeek等），上传企业私有技能和MCP连接器，把公司内部系统接进来。 在直播中主持人推荐了几个用法：比如提问“看看我最近在忙啥”，WorkBuddy直接梳理出工作主线；手机上派活、到工位打开电脑活已干完的多端接力；自动识别项目风险并给负责人发提醒；智能表格一键生成数据大屏等。 以“看看我最近在忙啥呢”为例，它能清晰列出我最近的一些工作内容。 可是，我没有在企业微信上工作留痕，这让我很疑惑，追问之下，它交代得很具体：翻了它自己的会话记录，列了我桌面和素材文件夹的目录，其中一份文档还是我个人的月度总结。 就像它说的：“时间最近的文件活动就是最诚实的答案，比你自己回忆可能还准。” 腾讯希望把WorkBuddy 从聊天工具推向“数字

    匹配字段正文

    #hot-signal#产品更新#Agent#MCP/工具调用

星期一

  1. MarkTechPost

    TinyFish 把搜索做成免费：AI 智能体读网页的真实成本拆解

    TinyFish 宣布在限额内免收 Search 和 Fetch 的检索费用，Search 为每分钟 30 次、每小时 500 次，Fetch 为每分钟 150 个 URL、每天 1,000 个。文章指出检索免费并不消除下游模型的推理成本，同一篇约 4,300 字符的文章在不同服务商处返回约 1,184 到 42,774 个估算 token，三页未过滤内容就可能占满 128K 上下文窗口。在 2026 年 9 月 28 日的 Artificial Analysis 快照中，TinyFish Search 得分 71、每 1,000 个任务 9.30 美元，为展示配置中总成本最低但得分也最低，单任务耗时约 59 秒。

    算 token 数从约 1,184 到约 42,774 不等。 3 个未过滤的大页面就可能超出 128K token 的窗口。 免费的 Search 和 Fetch 免除了 TinyFish 的检索费用，但不免除模型成本。 TinyFish 在 Artificial Analysis 上展示的总成本最低，但展示的得分也最低。 Asif Razzaq网站 | + 文章简介 ⮌ Asif Razzaq认识 Voxel51 3.0：面向物理 AI 的统一多模态数据平台 Asif Razzaq认识 Kyutai REKI：为机器人操作带来高效记忆的 2.4B VLA 模型 Asif RazzaqDeepSeek 刚刚发布 V4.1-Flash-1017，在 DeepSWE 上得分 77.0，并开放搜索 API 相关文章更多来自作者 认识 Voxel51 3.0：面向物理 AI 的统一多模态数据平台 认识 Kyutai REKI：为机器人操作带来高效记忆的 2.4B VLA 模型 DeepSeek 刚刚发布 V4.1-Flash-1017，在 DeepSWE 上得分 77.0，并开放搜索 API

    匹配字段正文

    #ai-vertical#产品更新#搜索#部署/工程

星期四

  1. Artificial Analysis 完整文章

    NVIDIA RTX Spark N1X 笔记本首份 AA-AgentPerf-Local 测试结果

    Artificial Analysis 公布 NVIDIA RTX Spark N1X 笔记本的首份 AA-AgentPerf-Local 结果，该机在 Qwen3.8 27B 上完成本地智能体负载耗时 18.7 分钟，接近 DGX Spark 的 17.3 分钟，比 MacBook Pro（M5 Pro）快 2.0 倍、比 AMD Ryzen AI Halo 快 1.8 倍。测试使用 128 GB 统一内存、6144 核 Blackwell GPU 的原型 15 英寸 Surface Laptop Ultra，售价 5899.99 美元，通过 llama.cpp 的 Windows 原生构建在 GPU 上运行模型。在 Qwen3.6 35B A3B 上耗时 7.6 分钟，在 124B 的 Ling 3.0 Flash 上耗时 15.3 分钟，后者无法装入 MacBook Pro 或 RTX 5090 的内存。

    own machine with AA-AgentPerf-Local on GitHub$/$ NVIDIA Vera Rubin NVL72 serves up to 5.7x the total throughput per megawatt of GB300 NVL72 on AA-AgentPerf, with first results on DeepSeek V4 Pro, DeepSeek V4.1 Flash, GLM-5.2 and Kimi K3. October 15, 2026 NVIDIA Releases Nemotron 3.5 Super VL and Nemotron 3.5 Bolt 74B A9B Nvidia’s Nemotron 3.5 Super VL is now the leading US open weight model, scoring 26 on the Artificial Analysis Intelligence Index October 15, 2026 Welcome to the era of embodied

    匹配字段正文

    #company#评测/基准#端侧#部署/工程
  2. heise online

    OpenWiki 实测：为编码智能体构建仓库记忆

    heise online 实测 LangChain 的 CLI 工具 OpenWiki，它分析代码库并生成带链接的本地 Markdown 知识库，再依据 Git 历史中的新 diff 和提交进行更新，并通过智能体提示与 MCP 工具让内容可被检索。文章指出，AGENTS.md 或 CLAUDE.md 适合放安装命令、测试、风格规范和安全边界等简短规则，在 monorepo 中还可嵌套子目录文件，但难以充当大型快速变化仓库的完整知识模型。

    不会自动形成可靠的系统模型，而只是整体系统的零散拼图。也许只有某个特定服务才允许写入预订，或者一个看似多余的适配器将两个发布周期彼此解耦。这些关联分散在代码、测试、配置、提交历史和开发团队成员的头脑中。 OpenWiki 实测：编码智能体的记忆 指南：用来自互联网的最新事实充实本地 AI 模型 链式操作如何演变为风险：AI 智能体中的传话游戏 开放权重模型 DeepSeek-V4.1-Flash 里有什么 简要说明：N-gram 如何工作 AI 炒作：为何数据中心的超大规模扩建正受到批判性审视 失控的 AI 智能体：为何 OpenAI 等公司在美国不承担法律责任 关于 GPT-6.1 Astra 的评论：失控 AI 的障眼法 人工智能如何影响 DevOps 转型 AGENTS.md 或 CLAUDE.md 文件很适合用于简短的工作规则，例如安装命令、测试、风格规范和安全边界。AGENTS.md 可理解为一种面向智能体的 Readme，在 monorepo 中甚至允许使用具有局部作用范围的嵌套文件——即子目录中的额外 AGENTS.md 文件，例如 packages/api/AGENTS

    匹配字段正文

    #hot-signal#教程/实践#Agent#编码