N全部新闻

全部新闻

星期五7 条

  1. Arena解读
    AI 评分64

    Claude Sonnet 5.5 以 xHigh 推理进入 Code Arena WebDev 榜单第 3 名

    Arena.ai 宣布 Claude Sonnet 5.5 以 xHigh 推理进入 Code Arena: WebDev 榜单，得分 1786 分，排名第 3。其混合价格为 $8/M tokens，与第 2 名 GPT-6 Astra 的 1788 分仅差 2 分，价格约为其 80%。分领域看，Claude Sonnet 5.5（xHigh）在 Gaming、Reference-Based Design、Brand & Marketing 排第 2，Simulations 第 3，Content Creation Tools 和 Consumer Product 第 4，Data & Analytics 第 6。

    引用Arena.ai · @arena

    Real-world results are in for Claude Sonnet 5.5 (High) by @AnthropicAI. It just landed #4 in Code Arena: WebDev with 1699 pts, and has reshaped the Pareto frontier with its cost efficiency! Claude Sonnet 5.5 (High) delivers nearly top performance at a blended $8 per Mtoken, reshaping the Pareto frontier! This model is 80% cheaper than both Claude Fable 5.1 (Max) in the #3 spot overall, and GPT-6 Astra (Max) at #2. See Pareto placement below. Overall, Claude Sonnet 5.5 (High) is a +159 pt improvement from Sonnet 5 (High) at #37 with 1540 pts. This gain compared to its previous variant also shows up across these key domains so far: - Reference-Based Design: #38 → #4 - Simulations: #37 → #4 - Gaming: #36 → #4 Congrats to @AnthropicAI on this release!

    #评测/基准#Agent#编码

星期四12 条

  1. Cerebras：Blog一手解读
    AI 评分57

    Cerebras 总结多智能体工作流的五种编排模式

    Cerebras 发布博客，总结构建多智能体工作流的五种模式：并行生成后人工筛选、swarm 并行、分阶段并行、顺序交接以及构建与验证分离。文中以 Codex 配合 Figma MCP 复制网站为例，单智能体平均每次运行 36.5 分钟、12 次人工干预且失败率 100%，多智能体为 5.2 分钟、2 次干预并首次成功；顺序循环在内部测试中把人工干预减少 84.3%。作者认为多智能体把有效上下文窗口从约 200K 扩展到 25M 以上，并提到 Codex Spark 约 1,200 tokens/秒的速度使并行与验证步骤变得可行。

    #教程/实践#Agent#编码

  2. Cerebras：Blog一手解读
    AI 评分63

    Cerebras 如何防止 autoresearch 循环跑偏：71 次实验的经验

    Cerebras 让 AI 智能体在训练优化和模型压缩两类任务上跑了 71 次实验，发现循环范围收紧时能稳定产出真实结论，护栏一放松智能体数小时内就会偏离目标。实验一用 codex-autoresearch-harness 把 Codex 包进 bash 循环，GPT-5.4 与 Codex-Spark 各自 6 小时都独立收敛到学习率 warmdown 调度，但 GPT-5.4 提案接受率 67%，Spark 仅 17%，提案质量比单次推理速度更决定总成本。实验二用 REAP 加 INT4 量化把 717 GB 模型压到 92 GB，动态专家换入换出耗时 0.151 秒，但无人值守 12 小时后智能体自行改问另一个问题，作者通过清理上下文、隔离目录和更频繁的验证检查点来纠正。

    #教程/实践#Agent#数据/训练

  3. Cerebras：Blog一手解读
    AI 评分69

    Cerebras 发布 GLM 4.7 迁移指南：10 条提示词与参数调优规则

    Cerebras 发布 GLM 4.7 迁移指南，称其为 Z.AI 最新开源模型，在 LiveCodeBench 上超过 Anthropic 和 OpenAI 模型、仅次于 Gemini 3，并在 GPQA 和 AIME 上超过 Claude Sonnet 4.5。指南给出 10 条使用规则，包括把强制指令放在系统提示词最前、使用 MUST 等明确措辞、显式指定回复语言、为智能体设定角色，以及把任务拆成小步骤以弥补其不支持交错思考。在 Cerebras 上 GLM 4.7 支持约 131K 上下文和最多约 40k 输出 token，可通过 disable_reasoning 和 clear_thinking 控制推理，推荐 temperature=1、top_p=0.95，并兼容 OpenAI Python SDK。

    #教程/实践#推理#编码

  4. Cerebras：Blog一手解读
    AI 评分72

    Cerebras 解读 GPT-5.6 Sol、Terra、Luna 的模型与推理档位选择

    Cerebras 发文介绍 Codex 订阅中的 GPT-5.6 三款模型 Sol、Terra、Luna，三者独立训练与部署并带推理档位，用于在速度、成本和智能之间取舍。价格上 Terra 为 Sol 的一半，Luna 为 Sol 的五分之一，短上下文和长上下文均如此。文中建议多数任务先用 Luna，进展受阻时再升级到 Terra 或 Sol，Sol 在 Cerebras 上可达 750 tokens/s，并给出 Codex 中 Light 到 Ultra 五档推理级别的用法。

    #教程/实践#推理#部署/工程

  5. Cerebras：Blog一手解读
    AI 评分72

    Cerebras 分享 GPT-5.3-Codex-Spark 最佳实践

    Cerebras 发布一份使用 GPT-5.3-Codex-Spark 的实践指南，该 Codex 变体运行在 Cerebras WSE 硬件上，生成速度超过 1,200 tokens/秒。指南建议把它当作结对编程伙伴而非委派对象，一次只推进一个任务，最多开 2 到 3 个会话且只用于真正独立的模块，并频繁开启新会话、把持久状态放在文件里。文中还给出用 GPT-5.3-Codex 做规划、用 Spark 快速执行的组合流程，以及把测试、评估和文档更新嵌入每一步的做法。

    #教程/实践#编码#部署/工程

  7. OpenRouter：Announcements一手解读
    AI 评分50

    OpenRouter 发布智能体模型成本与质量权衡框架

    OpenRouter 发布一套三步框架，用于为智能体挑选成本与质量平衡的模型：先按任务设定质量门槛，再用自己的 20 到 50 条样本跑便宜、中端、前沿三档模型并统一打分，用成本除以得分得到每质量点成本，最后选以观察到的分数波动为余量、最便宜且过线的模型。文中以 GPT-5.6 Luna、Gemini 3.7 Flash、Claude Opus 5 为例，门槛 85% 时 Gemini 3.7 Flash 以每 1000 次请求 1.09 美元胜出，门槛提到 95% 则只剩 Claude Opus 5 的 7.25 美元方案。成本应直接读取每次响应的 usage.cost 字段，模型或价格变化时需重跑对比。

    Cost vs. Quality Tradeoff Framework for Agent Models

    #教程/实践#Agent#部署/工程

  8. Anthropic：Claude.dev 开发者博客一手解读
    AI 评分61

    Claude Code mods 入门：从空文件夹构建第一个 mod

    Anthropic 发布 Claude Code mods 入门教程，mod 是运行在 Claude Code 会话内的 JavaScript 或 TypeScript 文件，可监听事件、改写行为或绘制自定义 UI，本质是插件内的 hooks。教程从空文件夹构建约 80 行的 Token Weather，在提示词上方实时显示上下文窗口占用，并演示 Blast Radius 和 Replay Theater 两个更复杂的 mod。需要 Claude Code 2.1.287 或更高版本，mods 默认开启，完整代码在 anthropics/claude-code-playground。

    #教程/实践#Agent#MCP/工具调用

  10. Arena解读
    AI 评分59

    Gemini 4 Argon (High) 在 Agent Arena 排名第 8，每任务成本 0.62 美元

    Arena.ai 公布 Gemini 4 Argon (High) 在 Agent Arena 排名第 8，净提升分 +7.92%，每任务成本 0.62 美元，并重塑了帕累托前沿。该模型比排名第 19 的 Gemini 3.8 Flash (High)（+2.96%）高出 4.96 个百分点，在可控性（+15.88%，第 1）、确认成功（+14.15%，第 2）和好评与投诉比（+27.74%，第 4）等信号上表现突出，Chat 类别以 +11.58% 位列第 3。Arena 表示目前基于 3k 真实智能体会话，该分数仍属初步结果。

    引用Arena.ai · @arena

    Big news: Gemini 4 Argon (High) by @GoogleDeepMind just landed #1 in Text Arena with 1525 pts, and #8 in Code Arena: WebDev with 1679 pts! This release has reshaped the Text Arena Pareto frontier with a blended $8/MToken! Gemini 4 Argon (High) is now the most cost efficient model, see its placement on Pareto frontier below. In the Text Arena, Gemini 4 Argon (High) ranks #1 in Coding, Hard Prompts, Instruction Following, Longer Query, and Creative Writing. It also leads every occupational domain evaluated, with additional #1 spots in English, Non-English, Chinese, and Russian. This model is +20 points above the #2 ranked Claude Opus 4.6 (High), and a huge leap from Google’s previous release, Gemini 3.8 Flash (High) at #11! In Code Arena: WebDev, Gemini 4 Argon (High) gained +96 points from Gemini 3.8 Flash (High), and went from #29 to #8. Congrats to the @GoogleDeepMind team on this impressive frontier release!

    同一事件 · 2 条报道

    #评测/基准#Agent#Google

  11. Wired AI解读
    AI 评分60

    WIRED 记者实测 OpenAI Dots 与 Meta Muse 个人智能体

    WIRED 记者在 9 月实测了 OpenAI 的 Dots 和 Meta 的 Muse 两款个人智能体，把前者命名为 Toolie 并调成粉色青蛙造型，通过 ChatGPT 调用它处理任务。作者称这类常驻智能体已比一年前更可靠，能完成交给它的任务，但连接 Gmail 和 Google Drive 等权限仍需要用户自行权衡。Altman 表示自己的 Dot 会处理日常事务并只提醒真正紧急的事项，但拒绝回答 Dots 是否为 OpenAI 传闻中硬件的铺垫。

    #现象/趋势#Agent#OpenAI

星期三3 条

  1. AWS Machine Learning一手解读
    AI 评分56

    在 Amazon Bedrock AgentCore Runtime Instances 上构建多智能体音乐制作流水线

    AWS 发布教程，演示如何在 Amazon Bedrock AgentCore Runtime Instances 上部署三智能体音乐制作流水线：作曲智能体用 Claude Sonnet 4.6 生成音乐简报并在实例自带的 NVIDIA L4 上运行 ACE-Step 模型渲染音频，交付智能体读取共享文件并做 EQ、压缩、限幅处理，合规智能体独立复测并筛查与曲库的谐波相似度。三个智能体通过同一 runtimeSessionId 共置在同一 EC2 实例上共享文件系统，会话最长可保持 14 天，各团队可独立部署自己的智能体。

    #教程/实践#Agent#部署/工程

  2. ElevenLabs Blog一手解读
    AI 评分68

    ElevenLabs 发布 Eleven v4 音频标签清单，含 50 多个示例

    ElevenLabs 发布 Eleven v4 的 Audio Tags 清单，用方括号内的自然语言提示词控制语音的情绪、音量、语速、口音和音效，文中给出 50 多个示例。这些标签不限于固定列表，可自行组合或描述情境，例如 [whispering, fearful]、[out of breath after running up the stairs]。Audio Tags 可通过 ElevenAPI 在 Eleven v4、Eleven v4 Turbo 和 Eleven v3 上使用，v3 脚本在 v4 中仍然有效。

    #教程/实践#语音#部署/工程

  3. 量子位解读
    AI 评分72

    斯坦福 HomeBody 让 GPT-6 Astra 接入宇树 G1 收拾厨房

    斯坦福团队推出 HomeBody 项目，让 GPT-6 Astra 接入宇树 G1 进入厨房执行语言指令，可归拢咖啡袋、丢弃指定纸盒，并在药品不在视野内时从记忆中找到抽屉取药递给人。系统先由 Astra 引导 G1 探索陌生厨房并保存相机画面、激光雷达与关节姿态作为空间记忆，再在 Isaac Sim 中重建数字厨房，之后由 Astra 调用导航、抓取、放置、开抽屉等可复用技能，技能模块负责具体动作规划并反馈结果。团队表示部署到新厨房无需额外采集训练数据或训练专用动作策略，但感知、规划与技能执行运行在一台 RTX 4090 笔记本上，Astra 在远端决策，前期重建有准备时间和 API 成本，手指舵机过热也是当前限制之一。

    #行业动态#具身智能#Agent

星期二2 条

  1. Inception Labs Blog一手解读
    AI 评分58

    Inception 公布 Mercury 2 在 PinchBench 上的评测结果

    Inception Labs 公布 Mercury 2 在 PinchBench 上的评测结果：任务成功率 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。定价为每 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。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。

    #评测/基准#Agent#推理

  2. Aaron Levie解读
    AI 评分61

    Box 实测 Claude Sonnet 5.5：整体提升 4 分，交付速度快 2.4 倍

    Box 在早期访问中用 Box Agent 的复杂工作评测测试 Claude Sonnet 5.5，整体最难测试提升 4 分，完成交付物约快 2.4 倍且少用 12% token。分行业看，金融服务提升 18 个百分点、法律 7 个百分点、生命科学 8 个百分点、公共部门 7 个百分点；具体任务中尽职调查审查提升 48 分并快约 61%，商业租约审查提升 14 分，现场试验报告提升 22 分并快约 41%，数学干预项目报告提升 11 分并快约 71%。客户不久将能在 Box AI Studio 中用 Sonnet 5.5 构建 AI 智能体。

    引用Claude · @claudeai

    Introducing Claude Sonnet 5.5, the second model in the Claude 5.5 family. It’s a clear upgrade over Sonnet 5, runs more than 30% faster, and costs up to 30% less for most work. https://t.co/UvXD8mDTF1

    #评测/基准#Agent#Anthropic

星期六1 条

  1. gihyo.jp解读
    AI 评分68

    Claude Code 的 /usage 费用查看与 effort 档位用法解析

    Anthropic 在开发者博客中解释了 Claude Opus 5.5 的费用构成与 effort 档位选择，Addy Osmani 说明在 Claude Code 中执行 /usage 或 /cost 可查看会话的输入输出 token 数与估算费用，该金额按本机 API 单价估算，并非订阅账单。所谓 Opus 5 便宜 40% 是按默认设置、按 token 计费的典型任务推算，输入输出单价较 Opus 5 降 20%、缓存读取降 60%，但实际节省幅度因任务而异。Thariq Shihipar 给出档位参考：边确认边迭代用 low，常规功能实现用 medium，修 bug 等需验证的操作用 high，难任务自主推进用 max。

    #教程/实践#部署/工程#Anthropic

星期五2 条

  1. Anthropic：Claude.dev 开发者博客一手解读
    AI 评分51

    Claude Code 如何选择 effort 档位：基于 Opus 5.5 与 Fable 5.1 的实测

    Anthropic 开发者博客发文解释 Claude Code 中 effort 的含义与档位选择，作者基于 Opus 5.5 和 Fable 5.1 的实测及 Terminal-Bench 3.0 结果给出建议。effort 用于调节模型在验证和边界情况测试上投入的算力，高 effort 更适合硬件、代码审查和安全等场景，但对模型方向本身错误的任务无效。作者给出的常规开发循环是让模型先访谈补全需求、用低 effort 实现、再在高 effort 上验证测试。

    #教程/实践#Agent#编码