全部新闻

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

AAnthropic07:36解读

AI 评分62

Anthropic 工程博客：自研版本控制系统并在五个月内完成 monorepo 迁移

Anthropic 在工程博客中介绍其自研版本控制系统，并在五个月内把 monorepo 从 git 完整迁移过去。合并量从 5 月每天约 2,500 次代码变更增至 9 月每天超过 30,000 次，原有面向人类规模构建的开发基础设施因此成为瓶颈。

同一事件 · 8 条报道

#行业动态#部署/工程#Agent

AArena07:36解读

AI 评分61

Meta 的 Muse Wonder (Max) 进入 Arena 榜单，Text Arena 第 2、Code Arena WebDev 第 15

Arena 公布 Meta 的 Muse Wonder (Max) 进入榜单，在 Text Arena 以 1513 分排第 2，在 Code Arena: WebDev 以 1651 分排第 15。Text Arena 中它比 Muse Spark 1.3 (Max) 的 1494 分提升 19 分、上升 9 位，距第 1 名 Gemini 4 Argon (High) 的 1525 分差 12 分。WebDev 中它略低于第 12 名 Muse Spark 1.3 (Max) 的 1659 分，比第 16 名 Grok 4.7 (xHigh) 的 1640 分高 11 分。

引用AI at Meta · @AIatMeta

We’re excited to introduce the Muse Wonder series with Muse Wonder and Muse Wonder Full, our most capable models yet. Both are frontier models, built to deliver state-of-the-art performance for personal and professional agentic tasks. Muse Wonder is available today via the Meta Model API and Muse Code. Muse Wonder Full is available today for Muse Code subscribers. Muse Wonder will also soon power experiences in our personal agent product, Muse, rolling out first to subscribers.

#评测/基准#Agent#编码

AArtificial Analysis07:36解读

AI 评分58

Artificial Analysis 发布 Decision Index v1.0，Jev 1.13 居首

Artificial Analysis 发布 Decision Index v1.0，用于评测决策模型在分类、工具调用、知识和推理上的表现。Jev 1.13 以 58 分居首，领先 GLiDE 和 Microsoft-Decision-1 的 54 分；Perplexity 的 Decider v1.1 27B 每百万任务成本最低为 17 美元，Celeris-1 Decision 每任务耗时 0.06 秒最快。在分类和工具调用任务上，领先决策模型与语言模型表现相当但更快更便宜，而 Claude Haiku 5.5 (Low) 以 61 分领先 Jev 1.13 3 分，但每任务耗时 1.4 秒、成本 184 美元，分别是后者的 11 倍和 4.4 倍。

#评测/基准#Agent#推理

GGoogle Developers Blog07:31一手解读

AI 评分76

Google 用 Gemini 4 Argon 一夜优化 20 万行 Python 代码库

Google 在 Gemini 4 Argon 发布时做了一次无人值守实验，让模型在 11 小时内优化开源框架 google/adk-python，该仓库约 20.5 万行代码、近 800 个源文件和近 1.7 万个单元测试。模型提出 6 项优化，经人工评审后 2 项合入主干，长会话的内存会话准备时间减少约 40%，冷启动导入提速 21%。文章公开了所用提示词、.agents/skills 规则文件和被拒的 4 项改动原因，并说明如何在自有代码库复现这一夜间工作流。

#教程/实践#编码#Agent

NNVIDIA Developer · Generative AI07:30一手解读

AI 评分53

NVIDIA 如何用 AI 智能体重写 Apache Spark UDF 实现 GPU 加速

NVIDIA 介绍用 AI 智能体重写 Apache Spark UDF 的方法，通过 Spark SQL 表达式、RapidsUDF 接口或 JNI 调用自定义 CUDA kernel 三种方式消除 CPU 回退，实现 20 倍以上加速。cuDF skills for Apache Spark 将重写拆成测试、转换、基准测试和优化四个带验证反馈的环节。一家大型消费科技公司用该流程改造了 30 多个生产 UDF，其中一个 UDF 影响 3000 多个作业，改写后提速 22 倍。

#教程/实践#部署/工程#Agent

邵邵猛21:03解读

AI 评分60

Lee Robinson 斯坦福 CS146S 讲座拆解 Grok Bot 常驻 Agent 四层机制

邵猛整理 Lee Robinson 在斯坦福 CS146S 讲座中分享的 Grok Bot 常驻 Agent 内部构造，归纳为四层机制。第一层是休眠与唤醒，服务器和云电脑平时休眠，由消息或事件触发后从数据库加载会话日志、记忆和例程重建状态，用完回写再休眠；第二层是唤醒源，除直接发消息外还包括 Slack、电话、会议和后台例行任务，所有触发汇入统一路由做去重与会话合并；第三层是是否打扰用户的独立判断链，位于通知层而非执行层；第四层是专用云电脑，采用 Firecracker microVM，具备隔离执行、可视化接管、虚拟桌面和池化共享四个特性。作者还补充了 server 与 computer 必须分离的三点原因：更新独立、重算力任务在服务器上更快、VM 打补丁时可独立重建。

引用meng shao · @shao__meng

https://t.co/yFaMV3PD2d

#教程/实践#Agent#部署/工程

邵邵猛21:03解读

AI 评分58

Google 五天 AI Agents 课程第二份白皮书梳理 Agent 协议栈

Google 官方五天 AI Agents 课程发布第二份白皮书 Agent Tools & Interoperability，梳理 Agent 生态的完整协议栈：MCP 负责 Agent 连工具、A2A 负责 Agent 连 Agent、A2UI 负责 Agent 连界面、AP2/UCP 负责 Agent 连交易。白皮书称 MCP 把 N 个模型乘 M 个工具的集成复杂度从 O(N×M) 降到 O(N+M)，并给出重消费轻建造、公共未审核 MCP 不上生产、凭证不硬编码等实践规则；A2A 部分提出专家 agent 不能当工具调用，Agent Card 相当于机器可读简历，注册表相当于劳动力市场。

引用meng shao · @shao__meng

https://t.co/caFwtTgYj3

#教程/实践#Agent#MCP/工具调用

用电子邮件让不同平台的个人 agent 相互通讯

作者提出用电子邮件作为不同平台个人 agent 之间的通讯方式：给 Grok Bot 配置 xxx@mail.grokbot.com 邮箱，再用 Gmail 别名（xxx+muse@gmail.com）给 Muse Agent 使用，通过邮箱和签名验证后让 agent 信任该地址，发消息无需人工确认。目前 Gmail 无法推送消息，需每 15 分钟检查一次新邮件，因此消息不够即时；作者还提到可用 @turingou 做的服务作为更强大即时的替代方案。

#教程/实践#Agent#MCP/工具调用

AArtificial Analysis21:03解读

AI 评分58

Artificial Analysis 上线 FrontierCode 1.1 编码智能体排行榜

Artificial Analysis 上线 FrontierCode 1.1 排行榜，该评测由 Cognition 构建，用真实开源仓库的合并标准检验编码智能体，共 150 个任务，本次运行其中 100 个主任务集，全部任务私有以避免污染。Claude Opus 5.5（max with fallback）以 52% 居首，但其尝试中仅 58% 通过阻断性检查，100 个任务中有 9 个没有任何模型通过；前九名模型分数集中在 43% 至 52%，开源权重模型 MiMo-V2.6-Pro 以 45% 领先，DeepSeek V4.1 Flash（max）和 Kimi K3（max）为 44%。GPT-6.1 Sol（max）以每任务 0.81 美元取得 49%，与 Claude Fable 5.1（max with fallback）持平，成本不到后者的十分之一。

同一事件 · 3 条报道

#评测/基准#编码#Agent

AArtificial Analysis21:03解读

AI 评分63

Artificial Analysis 发布 AA-3D 基准，评测 AI 模型构建交互式 3D 场景的能力

Artificial Analysis 发布新基准 AA-3D，评测 AI 模型构建交互式 3D 场景的能力。模型在离线沙盒中作为智能体把书面任务转成 three.js 网页，由人工评审在不知模型身份的情况下两两比较，共 55 份任务、21 个模型、超 1 万次投票并按 Elo 排名。结果显示 Claude Sonnet 5.5（1194）、Claude Opus 5.5（1190）、GPT-6 Astra（1165）和 Claude Fable 5.1（1131）在统计上并列第一，开源权重模型 Kimi K3（982）和 MiMo-V2.6-Pro（977）分列第 11、12 名。

#评测/基准#Agent#多模态

小小米 MiMo 官网发布与博客20:33一手解读

AI 评分67

小米详解 MiMo-V2.5 推理系统优化实践

小米 MiMo 团队发布 MiMo-V2.5 系列推理系统的端到端工程实践，覆盖 KVCache 管理、分层缓存、SWA 感知前缀缓存树、调度策略、Prefill/Decode 执行流水线与多模态优化。MiMo-V2.5-Pro 共 70 层，其中 10 层 Full Attention、60 层 SWA，滑动窗口为 128，Hybrid SWA 使计算量与 KVCache 存储降至 Full Attention 的约 1/7。团队称上线以来服务端 KV Cache 命中率平均 93%，重度用户可达 95% 以上，并将部分优化以 PR 形式回馈 SGLang 社区。

#教程/实践#部署/工程#推理

VVR陀螺20:32解读

AI 评分56

千问N1 Pro深度评测：健康监测与眼动追踪实测

VR陀螺对千问N1 Pro进行深度评测，重点实测健康监测、眼动交互及AI主动服务等核心能力。N1 Pro支持心率、血氧、皮肤温度等实时体征监测并生成健康洞察报告，还配备眼动追踪传感器，可结合视觉AI识别注视目标，并支持千问与支付宝联合研发的虹膜核身支付。该产品与N1、千问AI耳夹式耳机同期发布，已在淘宝、天猫、京东及抖音等平台开售，AI眼镜到手价2218元起。

同一事件 · 5 条报道

#产品更新#端侧#多模态

TTensorZero 工程博客20:31一手解读

AI 评分58

TensorZero 逆向解析 Cursor 的 LLM 客户端

TensorZero 团队把自研开源框架作为自托管代理接入 Cursor 与 LLM 之间，成功观测并改写 Cursor 发出的 API 调用。他们通过 Ngrok 暴露公网端点、Nginx 做鉴权，解决了 Cursor 先请求自家服务器和 CORS 校验两个障碍，最终链路为 Cursor → Ngrok → Nginx → TensorZero → LLM 提供商。作者发现 Cursor 回答问题的系统提示词仅 642 token，并会向模型说明自身的模型层级，目前正以 Claude 4.0 Sonnet、GPT-4.1、o4 Mini 和 Gemini 2.5 Pro 做等比例随机分流测试。

#教程/实践#部署/工程#Agent

TTensorZero 工程博客20:31一手解读

AI 评分52

TensorZero 如何用每次 Git 提交自动评估 AI 编码助手

TensorZero 工程博客介绍了一套自动评估 AI 编码助手的方法：用 tree-sitter 把 LLM 生成的代码片段和 Git 提交中的新增代码解析成语法树，再用树编辑距离（TED）计算两者的最小差异，归一化后得到 0 到 1 的奖励值，作为反馈写回 TensorZero。该流程以 Rust 二进制实现，可作为 post-commit git hook 在每次提交后自动运行，并通过 rayon 并行计算。作者称其 CTO Viraj 的个人使用数据显示 GPT-4.1 的效果不如 Claude 3.7 Sonnet、Gemini 2.5 Pro 和 o4-mini，但强调这只是初步结果，不主张某个模型普遍更优。

#教程/实践#编码#部署/工程

TTensorZero 工程博客20:31一手解读

AI 评分51

TensorZero 实测 OpenAI RFT：成本是 SFT 的 100-700 倍，值不值？

TensorZero 在数据抽取、智能体编码和客服三个任务上对比了 OpenAI 的 RFT 与 SFT，RFT 成本是同等数据量 SFT 的 100-700 倍。RFT 仅在智能体编码任务上明显优于 SFT，数据抽取上更大数据集的 SFT 效果更好且成本低 159 倍，客服任务上 RFT 反而比基线更差。作者还指出 RFT 会触发比 SFT 更严格的内容审核，导致部分公开基准数据集无法通过验证。

#评测/基准#数据/训练#OpenAI

AArena07:21解读

AI 评分67

Image-to-WebDev Arena 更新：Claude Opus 5.5 登顶，Sonnet 5.5 紧随其后

Image-to-WebDev Arena 更新显示，Anthropic 的 Claude Opus 5.5（Max）以 1749 分登顶，Claude Sonnet 5.5（xHigh）以 1740 分、9 分之差位列第二，两款模型均进入帕累托前沿。价格方面，Opus 5.5 的混合输入输出 token 价格为 $16/M，比第三名 GPT-6 Astra 的 $40/M 低 60%；Sonnet 5.5 为 $8/M，比 Opus 便宜 50%，且排名高于 GPT-6 Astra 而成本低 80%。该榜单评估模型从图像和截图生成网站的能力，以及涉及多步推理和工具调用的智能体编码工作流。

#评测/基准#编码#Agent

OOpenAI Developers07:17一手解读

AI 评分59

OpenAI 谈如何为 GPT-6 Astra 重写 skills 与提示词

OpenAI Developers 发文说明，随着模型能力提升，为 Codex 等编码智能体积累的 skills、AGENTS.md 和任务提示词需要重新审视，GPT-6 Astra 尤其如此。文章建议 skill 描述尽量简短并明确使用时机，多流程 skill 用根文档做最小路由实现渐进披露，避免写成过于具体的步骤清单。AGENTS.md 中要求每次编辑前通读文档、强制跑测试等旧指令可能浪费上下文，而 GPT-6 Astra 会自行检查工作，但可能更早停下等待确认，因此需要提前定义完成标准。

#教程/实践#Agent#编码

OOpenAI Developers07:17一手解读

AI 评分64

OpenAI 开发者分享如何用 Astra 在 Codex 中构建游戏

OpenAI 开发者撰文介绍如何用 Astra 在 Codex 中构建游戏，并以太空探索游戏 Void Explorer 为例，展示从概念图、架构设计到地形流式加载与性能测试的完整流程。Void Explorer 包含 2,048 个恒星系和超过 10,000 颗程序化生成的行星，行星最大可与地球相当。作者还提到用同一方式开发了水面渲染的 Sunwake 和 2D 动作 RPG Hollowflux，并可通过 Sites 插件发布为浏览器游戏。

#教程/实践#编码#Agent

AArtificial Analysis01:09解读

AI 评分66

Artificial Analysis 实测四款图像编辑模型连续 30 次编辑表现

Artificial Analysis 让 GPT Image 2.5 Sunburst、Ideogram 4.5、FLUX 3 和 Nano Banana 2.1 对同一张照片连续执行 30 步房产布景编辑，测试多轮编辑一致性。结果显示 Ideogram 4.5 和 FLUX 3 采用局部编辑，在添加花瓶等小改动时 95% 以上画面基本不变；GPT Image 2.5 Sunburst 每次编辑都会重绘大部分画面，仅约五分之一保持不变，导致色彩和细节偏差逐轮累积；Nano Banana 2.1 介于两者之间，编辑保持局部但画面其余部分会轻微偏移并逐渐变暗。

#评测/基准#图像生成#多模态