全部新闻

Hheise online13:00解读

AI 评分52

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。

#教程/实践#Agent#编码

AArtificial Analysis06:25解读

AI 评分72

Artificial Analysis 发布 AA-Robotics v0.1，评测前沿模型操控机械臂能力

Artificial Analysis 推出 AA-Robotics v0.1 研究预览，让前沿语言模型通过 HTTP API 控制一台 6 轴机械臂（5 个关节加一个夹爪），在首批 8 个桌面任务上完成抓取、空间推理与应变测试，全部为零样本尝试。GPT-6 Astra 以 69 分居首，GPT-6.1 Sol 65 分、Gemini 4 Argon 55 分，Claude Opus 5.5 为 49 分、Claude Fable 5.1 为 46 分。模型平均约需 30 分钟完成每个任务，单任务成本从 GPT-6.1 Sol 的 1.93 美元到 GPT-6 Astra 的 16.36 美元不等；相比人类基线，当前最强模型约慢 100 倍、贵 10 倍。

同一事件 · 5 条报道

#评测/基准#具身智能#Agent

AArena04:20解读

AI 评分56

Meta 的 Muse Wonder (Max) 进入 Agent Arena 第 12 名，净提升 6.4%

Arena 基于 5000 多场真实智能体会话公布结果，Meta 的 Muse Wonder (Max) 进入 Agent Arena 第 12 名，净提升 6.4%，比第 16 名的 Muse Spark 1.3 (Max) 高 2.8 个百分点、四个名次。其单任务中位成本为 1.13 美元，是 Spark 1.3 的 0.54 美元的约 2.1 倍；在 Chat、Work、Code 三个类别中均优于 Muse Spark 1.3。

引用Arena.ai · @arena

Muse Wonder (Max) by @AIatMeta has entered Code Arena: WebDev at #15 with 1651 pts and Text Arena at #2 with 1513 pts! In Code Arena: WebDev, Muse Wonder (Max) landed at #15 with 1651 pts. This result is slightly lower thanMuse Spark 1.3 (Max) at #12 with 1659 pts, within 4 pts of Kimi K3 (Max) at #14 with 1655 pts, and 11 pts above Grok 4.7 (xHigh) at #16 with 1640 pts. This release is a significant improvement over past Muse models in Text Arena. Compared with Muse Spark 1.3 (Max) at #11 with 1494 pts, Muse Wonder (Max) gained +19 pts and 9 places to #2. It's 12 pts behind the #1-ranked Gemini 4 Argon (High) with 1525 pts. Congrats to the @AIatMeta team on this release!

#评测/基准#Agent#Meta

TThe Guardian Technology02:22解读

AI 评分59

AI 会如何改变生物武器开发的风险与门槛

英国军情五处负责人 Ken McCallum 警告 AI 可能“改变”现有乃至新型生物武器的风险格局。文章梳理了两类风险：无技术基础的恐怖组织可借 AI 聊天机器人补齐知识与实验排错，资源充足的国家行为体则可用 AI 放大已有专业能力，例如识别让病原体更致命的基因改动。专家同时指出，隐性知识、生物材料与设备获取、实验验证、规模化与投放仍是实质障碍，目前各国尚无针对此类滥用的正式政府政策。

#安全/对齐#行业动态#教程/实践

AArtificial Analysis01:45解读

AI 评分68

Artificial Analysis 评测：Grok Voice 3.0 登顶语音到语音指数 86.9

Artificial Analysis 评测显示，SpaceXAI 的 Grok Voice 3.0 以 86.9 分登顶其 Speech to Speech Index，高于 GPT-Live-1（Astra, medium）的 83.2 和 Gemini 3.8 Live Extended Thinking（High）的 82.6，较 Grok Voice 2.0 的 81.3 提升 5.6 分。该模型通过 SpaceXAI Realtime API 提供，每分钟 0.08 美元，输入音频每小时 4.80 美元；在 Speech Agent Arena 任务成功率上以 94.8% 居首，Big Bench Audio 音频推理得 98.5%，Big Bench Audio 平均首音频延迟 0.81 秒，慢于 Grok Voice 2.0 的 0.70 秒。

同一事件 · 5 条报道

#评测/基准#语音#Agent

AARC Prize01:29一手解读

AI 评分60

ARC Prize 公布 Anthropic Haiku 5.5 的 ARC-AGI 评测成绩

ARC Prize 公布 Anthropic Haiku 5.5 在 ARC-AGI 系列基准上的成绩：ARC-AGI-3 为 2.8%（provider adapter harness，$437）和 0.5%（standard harness，$388），ARC-AGI-2 为 61.3%、每任务 $0.085，ARC-AGI-1 为 89.0%、每任务 $0.051。ARC Prize 称 Haiku 5.5 在 Anthropic 小模型档位中表现有竞争力。ARC-AGI-2 评测未采用 max reasoning，因为该设置只完成 120 个任务中的 74 个，许多未完成尝试在耗尽输出预算前未能返回可解析答案。

同一事件 · 2 条报道

#评测/基准#Anthropic#推理

AARC Prize01:29一手解读

AI 评分51

ARC Prize 公布 Anthropic Haiku 5.5 在 ARC-AGI 上的评测结果

ARC Prize 公布 Anthropic Haiku 5.5 在 ARC-AGI 上的评测结果：ARC-AGI-3 为 2.8%、成本 437 美元（provider adapter harness），标准 harness 下为 0.5%、388 美元；ARC-AGI-2 为 61.3%，每任务 0.085 美元；ARC-AGI-1 为 89.0%，每任务 0.051 美元。ARC Prize 表示在 ARC-AGI-2 上省略了 max reasoning 档位，因为它只完成 120 个任务中的 74 个，许多未完成的尝试在耗尽输出预算前未能返回可解析的答案。

同一事件 · 2 条报道

#评测/基准#Anthropic#推理

AARC Prize01:29一手解读

AI 评分57

ARC Prize 公布 Anthropic Haiku 5.5 在 ARC-AGI 上的评测结果

ARC Prize 公布 Anthropic Haiku 5.5 在 ARC-AGI 系列基准上的成绩：ARC-AGI-3 为 2.8%（437 美元，provider adapter harness）和 0.5%（388 美元，standard harness），ARC-AGI-2 为 61.3%（0.085 美元/任务），ARC-AGI-1 为 89.0%（0.051 美元/任务）。ARC Prize 称 Haiku 5.5 在 Anthropic 小模型档位中表现有竞争力。ARC-AGI-2 上未采用 max reasoning，因为该模式仅完成 120 个任务中的 74 个，许多未完成尝试在耗尽输出预算前未能返回可解析答案。

同一事件 · 2 条报道

#评测/基准#推理#Anthropic

AArena00:43解读

AI 评分61

Claude Haiku 5.5 (High) 登陆 Agent Arena，综合排名第 27

Claude Haiku 5.5 (High) 登陆 Agent Arena，在超过 2.05 万场真实智能体会话中取得 +1.48% 净提升，综合排名第 27。其最强类别是 Code，以 +4.83% 净提升排在第 15 位。该模型单任务中位成本为 0.09 美元，略低于 Agent Arena 帕累托前沿；相比第 26 位、单任务 0.63 美元的 GPT-5.4 (High) 便宜 86%，比 Claude Sonnet 5.5 (Max)、Fable 5.1 (Max) 和 Opus 5.5 (Max) 每任务便宜 97% 至 99%。

引用Arena.ai · @arena

Real-world results are in for Claude Haiku 5.5 (High) by @AnthropicAI. Debuting at #30 with 1587 pts in Code Arena: WebDev, this release sits just outside the Pareto frontier while still offering strong cost efficiency. It matches GPT‑6 Luna’s price at $0.10/$0.50 per 1M input/output tokens while scoring six pts higher. Compared with other Claude models, Haiku 5.5 offers: - 90% lower cost than Haiku 4.5 at +257 pts - 95% lower cost than Sonnet 5.5 (High) at -128 pts - 98% lower cost than Opus 5 (High) at -70 pts - 99% lower cost than Fable 5.1 (Max) at -157 pts Congrats to the team at @AnthropicAI on this release!

同一事件 · 2 条报道

#评测/基准#Agent#编码

AArena00:13解读

AI 评分57

Claude Haiku 5.5 在 Agent Arena 排名第 27，编码类第 15

Arena 公布 Claude Haiku 5.5 (High) 在 Agent Arena 的实测结果，基于 2 万余次真实智能体会话，净提升 +1.48%，总排名第 27。其最强类别是编码，以 +4.83% 净提升排第 15；每任务中位成本 0.09 美元，略低于 Agent Arena 帕累托前沿。相比第 26 名、每任务 0.63 美元的 GPT-5.4 (High)，Haiku 5.5 成本低 86%，也比 Claude Sonnet 5.5 (Max)、Fable 5.1 (Max) 和 Opus 5.5 (Max) 便宜 97% 至 99%。

引用Arena.ai · @arena

Real-world results are in for Claude Haiku 5.5 (High) by @AnthropicAI. Debuting at #30 with 1587 pts in Code Arena: WebDev, this release sits just outside the Pareto frontier while still offering strong cost efficiency. It matches GPT‑6 Luna’s price at $0.10/$0.50 per 1M input/output tokens while scoring six pts higher. Compared with other Claude models, Haiku 5.5 offers: - 90% lower cost than Haiku 4.5 at +257 pts - 95% lower cost than Sonnet 5.5 (High) at -128 pts - 98% lower cost than Opus 5 (High) at -70 pts - 99% lower cost than Fable 5.1 (Max) at -157 pts Congrats to the team at @AnthropicAI on this release!

同一事件 · 2 条报道

#评测/基准#Agent#编码

邵邵猛19:43

AI 评分69

Claude 团队 Felix Rieseberg 分享如何更有雄心地用 AI

Claude 团队工程负责人 Felix Rieseberg 分享了一套让 AI 使用更有雄心的可操作方法，认为瓶颈不在模型能力而在人不敢提要求。方法分高度、深度、广度三类：高度是追问目标背后的目标，例如从让 Claude 修崩溃上升到让应用保持无崩溃；深度是要求真数据库、真统计模型等专业工具，并用外部裁判验证，模型不能自己给自己打分；广度是把名词还原成动词，例如把回顾 PPT 还原为让忙碌的人在 30 分钟内相信一个因果故事并做出决策。他还给出一个 prompt 模板，让模型先回答顶尖专业人士会怎么做、最原始的材料是什么、用什么方法、怎么外部验证，再据此重写 prompt。前提是给模型一台电脑、装软件的能力和数据访问权（如 MCP）。

引用Felix Rieseberg · @felixrieseberg

Hi, I'm Felix. I'm an eng lead working on Claude. I love watching people take flight and do things they never thought possible. We often describe that as "being more ambitious" when using AI, which is tricky advice to follow. I wrote a tutorial: https://t.co/vNPPs5FWm8

#教程/实践#Agent#MCP/工具调用

AArtificial Analysis19:42解读

AI 评分65

Artificial Analysis 将 DeepSeek V4.1 Flash 纳入 AA-AgentPerf 基准，GB300 每兆瓦吞吐达 261M tokens/s

Artificial Analysis 将 DeepSeek V4.1 Flash 加入其智能体推理性能基准 AA-AgentPerf，并给出 NVIDIA 与 AMD 硬件的实测结果。在每用户 100 tokens/s 下，NVIDIA GB300 以约 261M tokens/s 每兆瓦居首，其后为 B300（约 220M）、B200（约 193M）、GB200（约 178M）和 MI355X（约 128M）。V4.1 Flash 在 Artificial Analysis Intelligence Index 上得分 39，高于此前的 V4 Pro 0813（36），参数量约为其三分之一（552B backbone、16B 激活，对比 1.6T 与 49B），最少可在 2 张 GPU 上运行，相比 V4 Pro 0813 在每用户 100 tokens/s 下每兆瓦吞吐提升约 1.3 倍（GB300）至 6.2 倍（B200）。

#评测/基准#Agent#部署/工程

邵邵猛10:13解读

AI 评分65

斯坦福开设 CS 312「Deep Learning Alchemy」秋季新课

斯坦福大学秋季开设 CS 312「Deep Learning Alchemy」，由 Tatsunori Hashimoto 和 Suhas Kotha 主讲，面向深度学习核心知识多为经验性、理论难以解释的问题。课程分七个单元，从超参调优与 scaling laws 讲到优化器与超参不变量（NQM、μP、Muon、权重衰减）、损失景观、训练稳定性、架构容量和数据高效泛化，最后一个单元未公开。作业代码、测验和讲义全部公开，课程录像由 StanfordOnline 发布，自学者可用 Modal 租卡复现；课程采用 7 次考试占 85% 成绩的考核方式，可视为 CS 336 的续作。

引用Tatsunori Hashimoto · @tatsu_hashimoto

Deep learning is often taught as a sanitized collection of facts and math. But work at the frontier of AI is messy and empirical. Our new class, Deep Learning Alchemy, aims to teach the art and science of deep learning in the hands-on spirit of Language Modeling From Scratch. Students build intuition by running experiments on small LMs, then test it through prediction quizzes: given an unseen code diff, can you predict what happens? https://t.co/0H82T1yyam My co-instructor @kothasuhas and I think there's significant demand for classes that treat students as serious learners who want to be assessed for what they’ve learned, and so we're trying a new exam-heavy approach to the class (7 exams, 85% of the grade, with the remaining 15% in-person discussion assessments). We’ve designed the class so students can use AI agents to run their experiments and do their assignment, but they then have to demonstrate that mastery on exams without access to the assignment, and any partial credit on the exam has to come through citations to the assignment, incentivizing them to know what’s in their write-up. The same assignments and quizzes are public for anyone to try (lecture recordings will be released through @StanfordOnline with some delay). We have some very fun assignments and quizzes covering both classic topics (like NQM, run-to-run stochasticity, and scaling laws) and new and timely topics like muP or hyperball. Made by some real experts like @TristanThrush and @wen_kaiyue Try some quizzes below!

#教程/实践#数据/训练#开源生态

AArtificial Analysis09:09解读

AI 评分59

Sonnet 5.5 登顶 Coding Agent Index，xhigh 档以不到四分之一成本换 5.5 分差距

Artificial Analysis 的 Coding Agent Index 显示，Anthropic 的 Sonnet 5.5 在 Claude Code 中以 max 档拿到 68 分登顶，xhigh 档为 63 分。单任务成本从 max 的 14.19 美元降至 xhigh 的 3.33 美元，降幅 77%，代价是少 5.5 个 Index 分。max 档输出 token 量为 xhigh 的 4.8 倍、轮数为 3.4 倍，三项基准分数均有提升，其中 Terminal-Bench 4.0 从 58.1% 升至 66.2%。

#评测/基准#编码#Agent

腾腾讯云开发者社区08:54解读

AI 评分54

Jev 不只是 JSON 分类器：从 Kev 与 Laya 还原其技术路线

文章指出 Jev 是一台把状态映射为概率分布的机器，输入共享 state 与运行时定义的 choice、score、noul 三类问题，直接输出各选项概率且不生成任何输出 token。作者通过 kev 和 laya 两个开源项目还原其技术路线：Laya 基于 BERT 在每个选项前插入 [MASK] 并读取隐藏向量打分，Kev 基于 Qwen 用 block-causal 隔离与 pointer head 并行决策。训练部分为作者推断，涉及 soft label 蒸馏、按题型与选项数分桶的温度缩放、Permutation KL、RPS 损失和 None-of-Above 选项等校准手段。

#教程/实践#推理#部署/工程

实测 Gemini 4 Argon：模型追回第一梯队，但 Antigravity 应用层拖后腿

作者用日常任务测试 Gemini 4 Argon 后认为，Google 的模型重新追上了第一梯队但没有超越对手，而应用 Antigravity（Harness）落后对手半年到一年，拖累了模型表现。编程上从零搭应用又快又好，低推理档即可达到 Opus 5.5 水平，但审查自己代码敷衍、改造复杂老代码库很弱，Vibe Check 得分 21%，Claude 和 GPT-6 在 81%–85%。写作一次成篇可读性约 10.6 年级，其他前沿模型在七到八年级，但作为编辑伙伴梳理结构、打磨比喻很出色；设计排名第二仅次于 Opus 5.5；知识工作分析和提炼洞察强，处理多文件会丢细节、查事实会自信答错。官方已预告自动安全分类器、云端执行和 max 推理档位。

#评测/基准#多模态#推理

DDan Shipper07:36解读

AI 评分66

Dan Shipper 团队实测 Gemini 4：写作出色，重构与自检偏弱

Dan Shipper 称 Gemini 4 已发布，他与 every 团队六人用一周时间在编码、写作、设计和知识工作上做了实测，结果好于预期。他认为 Gemini 4 是出色的写作搭档，擅长梳理结构与打磨比喻，但在重构既有代码库和自检上表现不佳：在 Senior Engineer 基准的重构任务中运行 4 小时 47 分钟仅得 21%，而 GPT-6 Astra、Fable 5.1、Sonnet 5.5 和 Opus 5.5 为 81% 至 85%；Kieran 的 38 次基准运行中有 17 次代码审查步骤仅相隔 30 毫秒就开合。他还指出 Google 的桌面智能体应用 Antigravity 落后 Claude Code 和 Codex 约半年到一年，缺少云环境、SSH、内置浏览器和智能权限检查，建议通过 Cursor 或 API 使用该模型。

#评测/基准#编码#OpenAI

AAaron Levie07:36解读

AI 评分58

Box 实测 Gemini 4 Argon：企业任务评测较 Gemini 3.1 Pro 提升 14 个百分点

Box 过去一周用 Box AI Complex Work 评测测试 Gemini 4 Argon，整体较 Gemini 3.1 Pro 提升 14 个百分点。评测让 Box Agent 处理各行业企业文档的复杂任务，Gemini 4 Argon 在数学、逻辑、分析和业务领域知识上更强，也更倾向于把任务完整做完。分行业看，金融服务提升 18 分、医疗 25 分、科技 37 分、能源 16 分、消费品 33 分。该模型将很快上线 Box AI Studio，供用户构建自定义 Box Agent。

引用Sundar Pichai · @sundarpichai

Gemini 4 Argon is here. It’s available globally today for developers and enterprises in the paid tier of the Gemini API and the Gemini platform, for Ultra subscribers in Google Antigravity, and Ultra and Pro subscribers in the Gemini app and Search. Hope you all enjoy it! https://t.co/2jyAgqoylU

#评测/基准#Agent#Google

AARC Prize07:36一手解读

AI 评分52

ARC Prize 公布 DeepSeek V4.1 Flash 在 ARC-AGI-3 的评测结果

ARC Prize 公布 DeepSeek V4.1 Flash 在 ARC-AGI（Verified）上的评测结果：ARC-AGI-3 得分为 3.3%、成本 878 美元（provider adapter harness），标准 harness 下为 0.9%、成本 1.2k 美元。ARC Prize 称这是其评测过的首个在 ARC-AGI-3 上以低于 1k 美元总评测成本得分超过 3% 的模型。该帖同时给出排行榜、公开结果复现方式、测试政策以及完整的 DeepSeek V4.1 Flash 结果链接。

同一事件 · 2 条报道

#评测/基准#DeepSeek#推理

EEthan Mollick07:36解读

AI 评分65

Ethan Mollick 实测 Gemini 4：整体大幅跃升，复杂多智能体任务仍落后

Ethan Mollick 在 Gemini 4 发布前花了不少时间试用，认为它相比前代 Gemini 是大幅跃升，也是首个跨过 Fable/Mythos/Astra 门槛的非 OpenAI、非 Anthropic 模型，个性与品味明显区别于 Claude 或 Astra。在创意写作等方面它至少与 OpenAI、Anthropic 持平，但在复杂多智能体任务上落后，且倾向于对结论过于笃定、略显偷懒，Antigravity 工具链也不如竞品。他仍预计以 Gemini 4 为基础会带来模型能力的快速提升。

#大佬观点#评测/基准#Agent