N全部新闻

全部新闻

星期三20 条

  1. Artificial Analysis解读
    AI 评分65

    Artificial Analysis 发布 Intelligence Index v5，60% 评测基于私有数据集

    Artificial Analysis 发布 Intelligence Index v5，新增 FrontierCode 2.0 和 Terminal-Bench-Science 两个基准，升级 HLE-Diamond、AA-Omniscience v1.1 和 CritPt v2，移除 GDPval-AA v2.1、SciCode 和 AA-LCR v1.1，60% 的指数改为基于私有测试集或留出答案的评测。同时推出 Progress Index v1，用统一尺度追踪模型能力随时间的变化。结果显示 Claude Opus 5.5（max）以 58 分居首，GPT-6 Astra（max，57）和 GPT-6.1 Sol（max，55）紧随，Gemini 4 Argon（high）为 50 分；开源权重模型与领先者的差距从 3 分扩大到 12 分，已发布权重中 DeepSeek V4.1 Flash 1017（max）和 GLM-5.3（max）以 32 分领先。前十名模型单任务成本相差超过 13 倍，GPT-6.1 Terra（max）最低为 $0.96，Claude Fable 5.1（max）最高为 $13.04。

    同一事件 · 8 条报道

    #评测/基准#Agent#编码

  2. 阿易 AI Notes
    AI 评分55

    作者实测用邮箱 Agent 整理 5039 封邮件并附 5 个场景指令

    作者在手机端用邮箱 Agent 跑通了自己 5039 封邮件的 QQ 邮箱，最近一个月 69 封邮件中筛出约 20 封需要处理，耗时 43 秒。文中给出 5 个常用场景的指令，以及「用户档案 + 10 条行为准则」记忆模板，无需写代码即可照抄使用。核心场景包括 17 秒找出隐蔽的 AI 自动扣费和 SaaS 续费、30 秒合并多家银行中英文月结单并分开计算外币。

    引用AYi · @AYi_AInotes

    https://t.co/BSzz78Spop

    #教程/实践#Agent#MCP/工具调用

  3. 邵猛
    AI 评分64

    Blake Anderson 开源 ai-app-playbook，用 Coding Agent 按固定栈做消费级…

    Blake Anderson 开源「ai-app-playbook」，一份给 coding agent 执行的操作规程，覆盖选品、搭建、上架到首月盈利。它分两层：面向人的 playbook/00–13 章节和面向 Agent 的 AGENTS.md（Phase 0–14，每步标注 [AGENT] 或 [HUMAN]），动手前需通过 Gate A 评分。技术栈固定在 Cloudflare Workers、D1、Better Auth、OpenRouter 转 DeepSeek、Superwall 加 Stripe 等，并明确列出 Vercel、Supabase、Next.js 等一长串不用项。

    引用Blake Anderson · @blakeandersonw

    Here's my current tech stack for scaling consumer apps in 2026. It's by far the best & cheapest stack for agent-native development ⬇️ https://t.co/0yqdwDeCp5

    #开源/仓库#Agent#编码

  4. Vaibhav Srivastav解读
    AI 评分53

    GPT-6.1 Terra 在视觉基准上胜过 Astra，速度快约 47%、成本低约 92%

    Vaibhav Srivastav 引用 SkalskiP 的视觉基准结果称，GPT-6.1 Terra 在文本、目标检测和计数任务上胜过 Astra，同时速度快约 47%、成本低约 92%。原帖附有排行榜和示例链接。

    引用SkalskiP · @skalskip92

    GPT-6.1 Terra beats Astra in our vision benchmarks wtf OpenAI? had to double-check the results - text - object detection - counting also ~47% faster and ~92% cheaper ↓ leaderboards and examples https://t.co/4AvboaD16g

    #评测/基准#多模态#OpenAI

  5. Larsen Cundric
    AI 评分57

    用智能体写代码前先约定可验证的完成标准

    Larsen Cundric 提出用智能体写代码的一条规则：在提出改动需求前，先约定双方如何确认改动生效。他给出的验收方式包括一个当前会失败的测试、一条自己能运行的命令、真实运行结果的日志或截图，没有证据的“完成”会被退回。他认为多数失败的智能体会话都始于模糊的需求和缺失的检查，并向读者征集自己信任智能体“完成”的标准。

    #教程/实践#Agent#编码

  6. Dex Horthy解读
    AI 评分52

    SlopCodeBench 复测：GPT-6 Astra 严格通过率 16.3% 领先 Opus 5.5

    作者用完整版 SlopCodeBench（36 道题、每个设置 196 个检查点）复测前沿模型，最高的是 GPT-6 Astra，严格通过率 16.3%，高于 5 月 GPT-5.5 的 14.8%，参测模型整体落在 12.2%-16.3%。在三个完整对照中，XHigh 档成本是 Medium 的 2.11-4.22 倍，但 Opus 5.5 在 Medium 档的严格通过数反而更多（28 对 25），Astra 和 SOL 则在 XHigh 档表现更好。代码质量方面，Opus 5.5 XHigh 的 slop 行占比为 77.75%，低于 Medium 的 94.25%，作者提醒这可能是新模型产生了尚未被 200 多个 linter 覆盖的新反模式。

    同一事件 · 2 条报道

    #评测/基准#编码#Agent

  8. Arena解读
    AI 评分60

    GPT-6.1 Terra 在 Code Arena WebDev 排第 14，1671 分且每任务成本降 28%

    Arena.ai 公布，OpenAI 的 GPT-6.1 Terra (Max) 在 Code Arena: WebDev 以 1671 分排第 14，比 GPT-5.6 Terra 高 151 分，后者现居第 56。其每任务中位成本为 $0.40，比 GPT-5.6 Terra 的 $0.56 低 28%。同家族中，它比第 4 名 GPT-6.1 Sol（1752 分）低 81 分，但每任务中位成本低 75%；比第 11 名 GPT-6 Sol（1677 分）低 6 分，成本低 76%。

    引用OpenAI · @OpenAI

    GPT-6.1 Terra: delivering fast and capable computer use at a lower price. GPT-6.1 Terra understands what’s on screen, takes action across apps, writes naturally, and is a more capable model for your whole workday with the efficiency to take on more of it. https://t.co/8JTN1yonmV

    #评测/基准#编码#OpenAI

  9. Unite.AI解读
    AI 评分58

    Perplexity 发布 LLM 网关实践指南，梳理请求链路与生产风险

    Perplexity 于 2026 年 10 月 27 日发布 LLM 网关实践指南，说明这一中间层如何路由、鉴权、缓存和记录模型调用，并区分 API 网关、LLM 网关、MCP 网关与 AI 网关四类形态。指南以六步请求生命周期拆解机制，同时警告网关集中了各家供应商凭证，并引用 Microsoft 披露的 LiteLLM 网关入侵事件和 Check Point 报告的 CVE-2026-35029、CVE-2026-59823 两个高危漏洞（已在 LiteLLM 1.83.9 修复）。文中还列出 Cloudflare AI Gateway 与 OpenRouter 的故障复盘、四条部署路径及约 50 美元/月起的付费方案。

    #安全/对齐#部署/工程#OpenAI

  10. 雷科技解读
    AI 评分52

    Rokid Glasses 2首发体验：佩戴更舒适，AI与续航升级

    雷科技提前体验了10月27日发布的Rokid Glasses 2，起售价3699元（国补到手价3199元），11月11日正式发售。相比上一代，新品的镜腿改用更亲肤材质以分散压力，电池容量增至263mAh、提升25%，并配备1200万像素摄像头，支持4K 30帧和2K 60帧录像。作者实测20分钟导航、30分钟音乐和30分钟拍照录像后剩余电量仍超过一半，磁吸充电20分钟可充至75%。

    同一事件 · 7 条报道

    #产品更新#端侧#评测/基准

  11. NVIDIA Developer · Generative AI一手解读
    AI 评分52

    NVIDIA 详解如何用 Nemotron-Personas 数据集微调 Nemotron 3.5 Lightning

    NVIDIA 发布 Nemotron-Personas 法国和比利时数据集，并给出用其微调 Nemotron 3.5 Lightning 的完整后训练流程。流程包括定义行为契约、用 persona 生成合成对话、在 NVIDIA NeMo 上用 LoRA 微调、合并适配器，再与基座模型在冻结测试集上逐条对比评测。法国数据集与 Pleias 合作构建，比利时数据集由 Pleias 与 KU Leuven 参与，Nemotron 仓库提供数据生成、训练和评测的可复用步骤及 agent skills。

    Flowchart showing eight stages: define target behavior and a holdout set, sample personas, generate conversations, audit and split data, fine-tune with LoRA, merge the adapter, serve the adapted model, and evaluate it against the base model.

    #教程/实践#数据/训练#开源生态

  12. LangChain Blog一手解读
    AI 评分67

    LangChain 如何搭建设计智能体 Content Studio

    LangChain 的 GTM 工程团队与设计团队合作，在 Managed Deep Agents 上搭建了 Slack 内的设计智能体 Content Studio，可生成视频、社交图、UI 图与幻灯片，已产出 3000 多个素材、80 多份幻灯片。文章拆解了它的四层知识结构（技能、wiki、代码校验、记忆）、每个 Slack 线程独立的 LangSmith Sandbox、HyperFrames 与自研 motion-studio 两套渲染引擎，以及主智能体调度异步子智能体的协作方式。团队称迁移到 Managed Deep Agents 后自有代码减少约 80%，单次请求的模型成本中位数从 9 月中旬的约 8 美元降到约 50 美分，并已开源整套 harness。

    Shreya Talegaonkar

    同一事件 · 2 条报道

    #教程/实践#Agent#部署/工程

  13. Artificial Analysis 完整文章一手解读
    AI 评分82

    Gemini 4 Carbon 登顶 Artificial Analysis Intelligence Index v5

    Google 的 Gemini 4 Carbon 在 Artificial Analysis Intelligence Index v5 上以 59 分排名第一，在 9 项评测中的 HLE-Diamond、Terminal-Bench-Science、AA-Omniscience、AutomationBench-AA 四项领先。在 Coding Agent Index 上，搭配 Antigravity CLI 的 Gemini 4 Carbon（high）得 59 分，落后 Claude Code 搭配 Claude Opus 5.5（max，62 分）3 分。该模型上下文窗口为 1M tokens，支持文本、图像、视频和语音输入，标准定价为每百万输入/输出 tokens 4/20 美元，目前向部分用户开放并提供 50% 折扣。

    同一事件 · 34 条报道

    #评测/基准#Google#推理

星期二17 条

  1. 卡尔的 AI 沃茨解读
    AI 评分58

    作者把 15 个国民级 App 接入蚂蚁灵光 2.0 的实测记录

    作者拿到蚂蚁灵光 2.0 内测后，通过扫码授权、MCP、Skill、GitHub 项目和 CLI 等方式，把米家、百度网盘、钉钉、滴滴、瑞幸、麦当劳、高德、飞猪、支付宝、淘宝等 15 个国内 App 接入了这个 Personal Agent。文中按配置难度逐个说明接入方式，并给出了一段可复用的配置提示语，要求每次只接一个服务、接上后用真实查询验证、涉及花钱的动作先确认再执行。作者认为手机端 Personal Agent 与电脑端形态不同，优势在于能接国内服务，且会自行安排定时任务在后台持续跟进。

    #教程/实践#Agent#MCP/工具调用

  2. 阿里云开发者社区 AI解读
    AI 评分60

    GEO实操指南：AI健康度自检、内容结构化改造与全网可信信号建设

    阿里云开发者社区发布GEO实操指南，给出从AI健康度自检到内容改造、可信信号建设和月度监测的完整落地路径。文章建议选3~5个主流AI工具（如ChatGPT、文心一言、豆包、Kimi、腾讯元宝）用标准问题测试品牌提及与推荐情况，作为优化基线。内容改造部分提出结构化、事实化、问答化、去营销化四类做法，并列出把GEO当SEO、只优化官网等五个常见误区。

    #教程/实践#搜索#现象/趋势

  3. 阿里云开发者社区 AI解读
    AI 评分53

    实测阿里云百炼内置联网搜索与网页抓取：一行 tools 声明即可启用

    作者在阿里云百炼 2.5.0 上实测，通过 tools 参数声明 web_search 后，模型对“今天上海天气”从 9.2 秒拒答变为 24.5 秒返回当天实况并写对日期。再加 web_extractor 可让模型自行决定检索轮次与抓取目标，json 输出中 web_search 两次、web_extractor 三次的计数与逐条记录一致。作者还记录联网调用延迟在 17 到 127 秒、单次输入 22789 个 token，并提示 turbo 之外的 agent 与 agent_max 策略每次调用额外收费。

    #教程/实践#Agent#MCP/工具调用

  4. Saito 硬地骇客解读
    AI 评分68

    npm 创始人 Laurie Voss 讲如何评估 AI 智能体是否合格

    npm 联合创始人、现 Arize AI 开发者关系负责人 Laurie Voss 在 AI Engineer 纽约场 workshop 上，讲了一套判断 AI 智能体是否合格的方法：先通读十几条 trace 记录再写第一个评估，评结果而非评步骤。他以一份把两次搜索结果加总出 116% 分析师共识的研报为例，说明只有看记录才能定位推理错在哪一步；把正确性评估换成忠实度评估后，同一批 16 份报告从全被判错变成 14 份被判不忠实且解释可用。他还要求用人工标注的黄金数据集测试裁判本身，并把股票代码正确设为底线、可操作性三次运行平均 0.8 设为目标写进 npm test。

    #教程/实践#Agent#评测/基准

  5. 邵猛
    AI 评分69

    开源 meta-skill skill-diet 用评测给 Agent Skill 减重

    开源 meta-skill skill-diet 用于压缩臃肿的 SKILL.md 并校对工具是否过时，作者 @nicopreme 在真实 skill 上测得可减少 70–80% token 且结果不变。瘦身版只有在旧 skill、新 skill、无 skill 同任务评测中至少不输才会保留，之后每次增补也需过门槛，相对上次 diet 涨约 10% 就要再做一轮。它还按 skill description、SKILL.md、references/、工具 help 与报错分层放置信息，并建议把机械错误交给报错、测试或 linter 处理。

    引用Nico Bailon · @nicopreme

    I've been dogfooding "skill-diet", a skill for slimming down agent skills and keeping them correct. most skills load far more text than a task needs, and some parts often go stale. it also gets worse over time as AI updates skills. skill-diet cuts what the model already does without being told, moves rarely needed detail into files it only reads when needed, and fixes what no longer matches the tool. then it runs the same tasks with the old skill, the new one and no skill, and keeps the new one only if agents do at least as well. on my own skills: 70–80% fewer tokens, same results. https://t.co/h1BnVt7NjD

    #开源/仓库#Agent#评测/基准

  6. Wired AI解读
    AI 评分61

    WIRED 实测六款常驻 AI 智能体一天，OpenAI Dots 综合得分最高

    WIRED 记者 Reece Rogers 用一天时间在 iPhone 上实测 Meta Muse、OpenAI Dots、Instinct、Anthropic Claude Duet、Google Gemini Spark 和 xAI Grok Bot 六款常驻 AI 智能体，围绕早间新闻简报、午餐下单、日程冲突提醒、旅行行程和深夜任务五项测试按 1 到 5 分打分，OpenAI Dots 综合表现最好。Dots 每月收费 100 美元，是本次测试中最贵的一款，作者建议多数人等它降价或推出免费版再尝试。免费且易上手的 Meta Muse 总分紧随其后，Anthropic Claude Duet 被评为界面最佳，Instinct 被评为最烦人。

    #评测/基准#Agent#OpenAI

  7. MIT Tech Review解读
    AI 评分51

    固态变压器如何为 AI 用电需求供电

    MIT Tech Review 解释固态变压器如何用功率半导体配合磁件替代传统铜线铁芯方案，体积可缩至约十分之一而容量不变。北卡罗来纳州立大学 Srdjan Lukic 团队的一台 1 兆瓦样机在 EPRI 测试中效率约 98%，比传统变压器加整流器组合的约 96% 少一半损耗。目前这类设备仍处开发阶段，短期主要面向数据中心机架供电，适配输电级高压还需进一步工程开发。

    #行业动态#数据/训练#教程/实践