N全部新闻

全部新闻

星期五23 条

  1. Artificial Analysis解读
    AI 评分58

    Nano Banana 2.1 在生产力与知识工作用例排名第 2

    Artificial Analysis 的用例评测显示，Nano Banana 2.1 在 Productivity & Knowledge Work 类别排名第 2，仅次于 GPT Image 2（high），高于两个 GPT Image 2.5 模型，较 Nano Banana 2 的第 8 名明显上升，与其在 Layout 和 Text Rendering 上的提升一致。该类别覆盖图表、信息图、图表和幻灯片。它在 Live-Action Film 用例升至第 3，Retail & Ecommerce 排名第 3，Architecture & Real Estate 是弱项，排在第 7。

    同一事件 · 2 条报道

    #评测/基准#图像生成#Google

  2. Artificial Analysis解读
    AI 评分67

    Artificial Analysis：Nano Banana 2.1 在全部 7 项图像编辑动作上成为 Google 最佳模型

    Artificial Analysis 的 Image Arena 评测显示，Nano Banana 2.1 在全部 7 项图像编辑动作上成为 Google 最佳模型，其中 Scene & Style 编辑从第 24 名升至紧随领先模型，Identity Preserving 编辑从第 12 名升至第 3 名。在 Reasoning-Based Edit 和 Identity Preserving Edit 两项上，只有两个 GPT Image 2.5 模型排在它前面。Enhancement & Restoration 是短板，排在第 18 名，与 Nano Banana 2 持平。

    #评测/基准#图像生成#Google

  3. Arena解读
    AI 评分65

    Arena 发布 Alignment Index，GPT-6.1-Sol 以 87.9 分居首

    Arena 发布 Alignment Index，用于衡量 AI 智能体在真实使用中的安全与对齐表现，基于 27 个模型的 90K+ 真实智能体会话构建，考察越权行动、虚假归因和虚假完成三类信号。榜单中 OpenAI 的 GPT-6.1-Sol 以 87.9 分居首，Anthropic 的 Claude-Opus-5.5 为 83.2 分，SpaceXAI 的 Grok-4.7 为 82.7 分；OpenAI 在三项信号上的观测比率也最低，分别为 0.89%、1.98% 和 2.34%。Arena 表示各实验室的新模型普遍优于前代，且随着对话变长，失准风险会上升。

    同一事件 · 4 条报道

    #评测/基准#安全/对齐#Agent

星期四6 条

  1. 量子位解读
    AI 评分53

    实测生数科技 Vidu Q4 预览版：0.09 元/秒起，最高 4K 直出

    量子位实测了生数科技刚开放的 Vidu Q4 预览版，该版本最高支持 4K 直出，一次最多可用 15 张参考图和 3 段参考音频，单条最长 16 秒。作者用邪恶老奶、正反打对话、格斗、巨构点亮和咖啡广告等场景测试了演技、运镜与特效表现，6 个视频共约 110 秒按 720P 计价不到 10 元。价格与规格挂钩，MaaS 端图生视频 720P 约 0.6 元/秒、1080P 约 0.75 元/秒，SaaS 端预览版阶段有两个月限时优惠。

    #产品更新#视频#多模态

  2. Anthropic：Claude.dev 开发者博客一手解读
    AI 评分67

    Anthropic 用 Claude Managed Agents 搭建定时智能体自动化的参考实现

    Anthropic 基于 Claude Managed Agents（beta）给出一个参考实现，让智能体按计划读取 Slack 和 GitHub 等自定义来源、跟踪上次运行以来的变化，并把要点发到 Slack。文章逐步讲解来源、目标、智能体、调度、记忆和护栏六个组件，并给出可在 Claude Code 中运行的配置命令。文中还列出常见失败模式及六条规则，例如按书签而非固定时间窗口读取来源、读取失败要报告为不可读而非当作没有新内容、发布需 Slack 确认后才更新书签和台账。

    同一事件 · 2 条报道

    #教程/实践#Agent#MCP/工具调用

  3. Arena解读
    AI 评分67

    Arena 实测 Mistral Large 4：1T 参数、49B 激活，对比 GPT-6.1 Sol 等模型

    Arena 发布对 Mistral Large 4 的首批评测，该模型由 MistralAI 推出，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多家闭源和开源模型对比，包括 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，以展示其当前水平，后续还会公布更多分数和更新。

    #评测/基准#模型发布#开源生态

  5. Wired AI解读
    AI 评分61

    三位工程师让 GPT-6 Astra 开丰田 Corolla 去 In-N-Out，并发布 DrivingBench

    Axiom 的三位 AI 工程师把 OpenAI 的 GPT-6 Astra 接入一辆 2024 款丰田 Corolla 的摄像头与转向系统，让模型自己把车开到 In-N-Out 的取餐窗口，全程有安全驾驶员踩在刹车上待命。他们同时发布 DrivingBench 基准，在停车场简易赛道上只有 Astra 能跑完全程且速度很慢，Claude Fable 5.1 完成 45%，Grok 只完成 11%。工程师认为这种驾驶能力可能来自多模态规模扩展带来的涌现能力，而非专门训练。

    #现象/趋势#多模态#端侧

  6. Unsloth一手
    AI 评分60

    Unsloth 开源决策模型本地训练方案，4GB 显存可跑

    Unsloth 发布开源仓库，可将 Qwen3.8、Gemma 4 等任意 LLM 训练成决策模型。其用 Unsloth 加 LoRA（r=64）配合 Clef head 微调一个 epoch，把 Qwen3.5 0.8B 在 3 项决策基准上的综合准确率从 20.7% 提升到 74.3%，下游准确率从 30–37% 提升到 78%，仅需 4GB 显存。后续推文补充，用 Laya 等小模型训练仅需 2.5GB 显存，并可通过 UI 界面完成训练，GitHub 仓库与指南、Notebook 均已放出。

    #开源/仓库#数据/训练#端侧

星期三3 条

  1. MarkTechPost解读
    AI 评分53

    Laya 零样本决策与校准开发者指南：在 CLINC150 上实测路由与概率

    MarkTechPost 发布 Laya 开发者教程，用 CLINC150 银行域 15 个意图的 450 条测试查询实测这个 4.21 亿参数非自回归决策引擎。Laya 零样本路由准确率 0.804，改用不带描述的裸意图名后升到 0.878，而 TF-IDF 加逻辑回归需每个意图 10 到 30 条标注样本才能达到 0.848 和 0.904。作者还发现随包温度表中 11 个以上选项的条目为 0.10 会被钳制到 0.5，单次 fit_temperatures 会重置未见问题类型的温度，按选项数分桶拟合后测试集校准误差从 0.102 降到 0.059。

    #教程/实践#开源生态#推理

  2. ARC Prize一手解读
    AI 评分58

    ARC Prize 评测：Grok 4.7 在 ARC-AGI-2 得分 61.4%，低于 Grok 4.6 的 67.1%

    ARC Prize 公布 Grok 4.7 在 ARC-AGI 系列基准上的成绩：ARC-AGI-2 最佳得分 61.4%、每任务 2.01 美元，低于 Grok 4.6 的 67.1% 和每任务 0.76 美元，在输入输出 token 定价相同的情况下单任务成本上升 166%；ARC-AGI-1 为 90.2%、每任务 0.64 美元，高于 Grok 4.6；ARC-AGI-3 在标准 harness 下为 1.8%，在新的 provider adapter harness 下为 10.0%。ARC Prize 指出 Grok 4.7 在 ARC-AGI-2 semi-private 任务上消耗的推理 token 更多，medium、high、xhigh 档分别比 Grok 4.6 多 136%、125% 和 173%，low 档少 27%，这是单任务成本上升的原因之一。

    同一事件 · 5 条报道

    #评测/基准#推理#xAI

  3. ARC Prize一手解读
    AI 评分56

    ARC Prize 公布 Grok 4.7 在 ARC-AGI 上的实测成绩

    ARC Prize 公布 Grok 4.7 在 ARC-AGI 上的验证成绩：ARC-AGI-1 为 90.2%（$0.64/task），ARC-AGI-2 为 61.4%（$2.01/task），ARC-AGI-3 在标准 harness 下为 1.8%（$2.7k），在 provider adapter harness 下为 10.0%（$4.8k）。Grok 4.7 在 ARC-AGI-1 上高于 Grok 4.6，但在 ARC-AGI-2 和 3 上更低；ARC-AGI-2 上 Grok 4.6 为 67.1%（$0.76/task），在输入输出 token 定价相同的情况下每任务成本增加 166%。ARC Prize 称 Grok 4.7 在 ARC-AGI-2 半私有任务上平均使用了更多推理 token，medium、high、xhigh 档分别多出 136%、125%、173%，low 档少 27%。

    同一事件 · 5 条报道

    #评测/基准#推理#xAI

星期二9 条

  2. Artificial Analysis解读
    AI 评分60

    ElevenLabs Eleven v4 Turbo 登顶 Artificial Analysis 语音 TTS 榜单，价格减半

    Artificial Analysis 的 Provider Voice TTS Arena 榜单显示，ElevenLabs 的 Eleven v4 Turbo 以 Elo 1,334 排名第一，超过 Eleven v4 的 1,321、阿里 Qwen-Audio-3.1-TTS-Plus 的 1,292 和 Cartesia Sonic 3.6 的 1,278。其定价为 $40/1M 字符，是 Eleven v4（$80/1M 字符）的一半，生成速度为每秒 96 字符，高于 Eleven v4 的 84 和 Eleven v3 的 59。在 Controlled Voice 分项中它以 Elo 1,173 排名第二，发音稳健性得分 90.1%。

    同一事件 · 3 条报道

    #评测/基准#语音

  3. Tomasz Tunguz 博客解读
    AI 评分62

    Vercel COO 拆解入站销售智能体：从 1000 行提示词到 14 条规则

    Vercel COO Jeanne DeWitt Grosser 在 Office Hours 中介绍了公司入站销售智能体的搭建过程：由一名 GTM 工程师投入约 20% 时间，提示词由团队最好的 SDR 撰写，最初约 125 行，经过六周人在回路 QA 后把人工撤出。随着业务向上market 演进，提示词膨胀到 1000 行，团队随后把它拆成规则与判断两部分，入站流程最终由 14 条确定性规则驱动，模型只负责原本需要人来判断的环节。当线索进入时，系统会查询 Salesforce 判断该账户是否存在未关闭商机，若有则直接路由给客户经理。整套入站职能的推理与基础设施成本约为每年 1000 美元。

    #教程/实践#Agent#部署/工程

  4. Mitchell Hashimoto 原创博客
    AI 评分59

    Mitchell Hashimoto 提出终端程序状态协议 OSC 7501

    Mitchell Hashimoto 为终端写了一份新转义序列规范 OSC 7501，即 Program Status Protocol，让程序通过 pty 直接上报自身状态：idle、working、waiting on the user、finished 或 failed，并可附带原因。序列体由冒号分隔的 key=value 组成，唯一必填键是 state，可选 app 和 base64 编码的 msg，多任务可用层级 id 同时上报多条记录。他指出 agentic inbox 目前靠屏幕启发式或非终端 API 判断 agent 状态，前者需频繁维护规则，后者要逐个集成且难以跨 SSH 和容器；他已用不超过十几行代码在 libghostty、Rex、Terraform、Claude Code、Codex 和 Homebrew 中实现该协议。

    #开源/仓库#MCP/工具调用#部署/工程

  5. Anthropic：Claude.dev 开发者博客一手解读
    AI 评分75

    Claude Code 云端会话实战指南：工作流、GitHub 连接与环境配置

    Anthropic 发布 Claude Code 云端会话实战指南，说明云端会话在独立虚拟机上运行，每个任务克隆仓库到新分支，可从 claude.ai/code、移动端、桌面端、终端和 Slack 启动，Pro、Max、Team、Enterprise 套餐无需额外付费。文章给出七个适用工作流，包括并行清理任务、反复验证修复、桌面规划云端构建、手机查看进度、处理 CI 失败与评审意见、用 routine 触发任务，以及运行不完全信任的代码。指南还说明 GitHub 连接需要登录授权和安装 Claude GitHub App 两项独立权限，并给出环境配置、网络级别和常见问题解答。

    同一事件 · 2 条报道

    #教程/实践#Agent#部署/工程

  6. Chips and Cheese解读
    AI 评分52

    NVIDIA Olympus 核微架构实测：以每时钟性能冲击服务器单线程上限

    Chips and Cheese 对 NVIDIA 服务器核 Olympus 做了微架构实测，该核为 10 宽乱序设计、主频 3.3 GHz，靠加大乱序结构和 SMT 提升每时钟性能。在 SPEC CPU2026 中其单线程性能接近 Intel 与 AMD 桌面核，明显领先 Neoverse V2 和 N2，但测试系统使用 64 KB 页，与其他 4 KB 页结果对比存在偏差。作者指出其空间多线程把 L1、L2 和调度队列等资源静态对半分，整数负载收益与 Zen 5 相当，浮点后端受限负载上则出现吞吐下降。

    #其他#数据/训练#评测/基准

  7. Artificial Analysis解读
    AI 评分51

    Artificial Analysis 独立评测 Reflection 开源模型 Beam

    Artificial Analysis 获得 Reflection 授权，正在对 Beam 进行独立评测。早期指标显示，Beam 在同等智能水平下可能是其见过 token 效率最高的开源模型之一。Reflection 此前宣布 Beam 为高效智能体开源模型，总参数 501B、激活 23B，主打前沿推理效率与编码及智能体任务，完整权重将于本月发布。

    引用Reflection · @reflection_ai

    Introducing Beam: a highly efficient agentic open model with 501B total parameters and 23B active. - Frontier reasoning efficiency - Advances the Western open frontier on coding & agentic tasks - Trained end-to-end from scratch Full weights release this month. Learn more about Beam: https://t.co/c3Qx2cpM8G

    #模型发布#开源生态#推理

  8. SemiAnalysis解读
    AI 评分60

    SemiAnalysis 实测：Anthropic 订阅价值约为 OpenAI 的 5 倍以上

    SemiAnalysis 对 Anthropic、OpenAI、Meta、MiniMax、Moonshot、Z.ai、Cursor、Cognition 等订阅计划逐一做了额度实测，按模型与工作负载换算成 API 等价价值。在中端模型上，Anthropic 的 Opus 5.5 提供的 API 等价价值约为 OpenAI 的 5 倍；OpenAI 上周把 200 美元档额度减半并新增 500 美元档，使 Pro 100、200、500 每美元 token 数趋于一致。文章还给出按 token 类型（输入、缓存写入、缓存读取、输出）测量额度消耗的方法，并指出厂商可随时通过调整 credit 成本静默改变额度。

    #现象/趋势#数据/训练#OpenAI