全部新闻

邵邵猛12:53解读

AI 评分58

Matt Palmer 演示用 Cursor 云 Agent 对照真实 Slack 生成界面动效视频

Matt Palmer 演示了在 Cursor 云 Agent 的 Linux 远程桌面上打开 Chrome 和真实 Slack，让 Agent 用代码生成 Slack 界面动效视频，并对照真实界面检查 easing 与 motion 模式后迭代修改。他把流程拆成内环（Agent 做事、对照真物检查、修复）和外环（人提供参考、偏好与权限并验收产出），并提出 Do→Codify→Generalize 的阶梯，把一次成功收成 Skill 再泛化。他强调没有反编译 Slack，只是给 Agent 参考并要求它对照提取视觉模式。

引用matt palmer · @mattyp

Agents rebuilt Slack as video (using code) by looking at the real thing 0:00 Why 0:25 @cursor_ai agents & computer use 1:03 Video as code 1:56 Slack 2:54 A chat, an agent, a computer 3:53 Inner loop and outer loop 5:04 The ladder 7:47 Skills 8:14 Feedback loops 10:02 Recap https://t.co/S91yI9vLop

#教程/实践#Agent#编码

RRohan Paul12:52解读

AI 评分71

Gemini 4 Carbon 以 59 分登顶 Artificial Analysis 智能指数

Google 的 Gemini 4 Carbon 在 Artificial Analysis 智能指数上以 59 分排名第一，比 Claude Opus 5.5 的 58 分高 1 分，比 GPT-6 Astra 的 57 分高 2 分。Artificial Analysis 发现 Carbon 在 9 项评测中赢下 4 项（HLE-Diamond、Terminal-Bench-Science、AA-Omniscience、AutomationBench-AA），但在编码和知识工作上并不领先。按标准价格计算，它每个指数任务花费 7.76 美元，比 Opus 5.5 的 10.04 美元低约 23%，但高于 GPT-6 Astra 的 6.25 美元。

引用Demis Hassabis · @demishassabis

No.1 💎 https://t.co/k4Werb6ZGV

#评测/基准#Google#Anthropic

AArtificial Analysis12:52解读

AI 评分71

Artificial Analysis 实测 GitHub Copilot Fusion：每任务成本 5.59 美元…

Artificial Analysis 在 Coding Agent Index v2.0 中实测 GitHub Copilot 的 Copilot Fusion，其每任务成本为 5.59 美元，而 Claude Code 搭配 Opus 5.5（max）为 11.42 美元，性能仅低 2 分。Copilot Fusion 是运行时编排系统，在 Claude Opus 5.5、Claude Sonnet 5.5、GPT-6 Astra 和 GPT-6 Sol 等 Anthropic 与 OpenAI 模型间选择协调。它在 Terminal-Bench 4.0 上以 71 分领先，FrontierCode 得 51 分排第三，每任务使用 7.2M tokens，约为 Claude Code 中 Opus 5.5 的一半。

同一事件 · 6 条报道

#产品更新#Agent#编码

AArtificial Analysis12:52解读

AI 评分59

Artificial Analysis 发布图生视频基准 AA-Video-I2V v2.1

Artificial Analysis 推出图生视频评测基准 AA-Video-I2V v2.1 与 AA-Video-I2V-Silent v2.1，在最高 1080p 分辨率下按 10 类用例、10 项能力和多种视觉风格对模型排名。两个版本分别基于 1000 条以上提示词的 58000 多张人类偏好投票和 500 条提示词的 44000 多张投票，仅 5% 提示词公开在公共竞技场并每月轮换。首版榜单中 Dreamina Seedance 2.5 综合排名第一，与 Seedance 2.0 和 MiniMax H3 系列统计持平，价格为 $34.12/min；开源权重的 MiniMax H3 (768p) 排名第三，价格 $4.80/min。

#评测/基准#视频#图像生成

AArtificial Analysis12:52解读

AI 评分80

Gemini 4 Carbon 登顶 Artificial Analysis Intelligence Index…

Artificial Analysis 评测显示，Google 的 Gemini 4 Carbon 以 59 分登顶 Intelligence Index v5，在 9 项评测中的 HLE-Diamond、Terminal-Bench-Science、AA-Omniscience、AutomationBench-AA 四项排名第一。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。该模型目前仅向部分用户开放，尚未公开发布，定价为每 1M 输入/输出 token 4/20 美元并提供 50% 折扣，上下文窗口 1M tokens，支持文本、图像、视频和语音输入。

同一事件 · 34 条报道

#评测/基准#推理#编码

AArena12:52解读

AI 评分70

Gemini 4 Carbon 在 Agent Arena 排名第 2，净提升 16.2%

Arena.ai 称 Gemini 4 Carbon 在基于真实任务的 Agent Arena 中排名第 2，净提升 16.2%，并在成本、时间和每任务输出 token 上处于帕累托前沿。相比排名第 7、提升 11% 的 Gemini 4 Argon，Carbon 高出 5 个名次和 5.2 个百分点，提升主要来自好评与投诉比 +13.2 个百分点、确认成功 +5.6 个百分点、可操控性 +4.8 个百分点。Arena 表示 Carbon 的可用性将由 Google DeepMind 公布。

引用Arena.ai · @arena

Exciting news: Gemini 4 Carbon (High) from @GoogleDeepMind just made a huge debut on Arena, landing #1 in Text Arena, #2 in Agent Arena, and #4 in Code Arena: WebDev. Back at the top, Gemini 4 Carbon delivers frontier intelligence and reshapes the Pareto frontier across three arenas. In Agent Arena, Gemini 4 Carbon ranks #2 with a +16.2% net improvement across +21.9K real-world agentic sessions from our global community, surpassing top models GPT-6 Astra and Fable-5.1. At $1.80 median cost per task, Gemini 4 Carbon (High) costs 72% less than the #1 ranked Claude Opus 5.5 (Max). Its standouts by key signals: - #1 Steerability (+18.6%): can the model course-correct when you push back? - #2 Praise vs Complaint (+37.9%): implicit sentiment in users' reactions - #3 Confirmed Success (+18.7%): explicit “yes, that worked” from users In Code Arena: WebDev, Carbon scored 1768 pts landing #4: - Just 2 pts below #3 Claude Sonnet 5.5 (xHigh), at 1770 pts - 89 pts above #11 Gemini 4 Argon (High), at 1679 pts By category, it ranks #3 in Gaming and Simulations, and #5 in Brand & Marketing. In Text Arena, Gemini 4 Carbon (High) is the new #1 with 1528 pts, now ahead of Gemini 4 Argon (High) at #2 with 1520 pts. Congrats to the @GoogleDeepMind team on this huge milestone!

同一事件 · 2 条报道

#评测/基准#Agent#Google

AArena12:52解读

AI 评分65

GPT-6.1 Terra 在 Agent Arena 排名第 8，单任务中位成本 0.62 美元

Arena 基于近 9000 次智能体会话的实测结果显示，OpenAI 的 GPT-6.1 Terra (Max) 在 Agent Arena 排名第 8，净提升 +10.6%，单任务中位成本 0.62 美元。该成本比第 7 名 Gemini 4 Argon (High) 的 1.09 美元低 43%，比第 6 名 GPT-6.1 Sol (Max) 的 0.89 美元低 30%，比第 5 名 GPT-6 Astra (Max) 的 5.16 美元低 88%。分项上它在 Bash Reliability 排第 3（+13.2%），Steerability 排第 7（+13.3%），Praise vs Complaint 排第 9（+16.8%）。

引用Arena.ai · @arena

Real-world results are in: GPT-6.1 Terra (Max) by @OpenAI just landed #14 in the Code Arena: WebDev with 1671 pts, delivering Pareto level results! That’s +151 pts over GPT-5.6 Terra, now at #56. At a median cost of $0.40 per task, GPT-6.1 Terra costs 28% less than GPT-5.6 Terra ($0.56 per task), reshaping the Pareto frontier. Compared to other models in the family, GPT-6.1 Terra (Max) is incredibly efficient: - 81 pts below #4 GPT-6.1 Sol (1752 pts), at 75% lower median cost per task. - Just 6 pts below #11 GPT-6 Sol (1677 pts), at 76% lower median cost per task Congrats to the @OpenAI team on this release!

#评测/基准#Agent#OpenAI

AArena12:52解读

AI 评分60

Arena 分析 Agent Arena 每任务成本：GPT-6.1 Sol 为 1.91 美元

Arena 在 Agent Arena 上统计，OpenAI 的 GPT-6.1 Sol (Max) 每任务成本为 1.91 美元，比 Claude Opus 5.5 (Max) 的 12.51 美元低 85%，比 GPT-6 Astra (Max) 的 14.93 美元低 87%。Arena 指出，这两项成本优势的来源并不相同：相对 Astra，Sol 的优势主要来自更低的 token 单价；相对 Opus，则主要来自每任务消耗更少的 token。每任务成本按输入、输出和缓存读取 token 的数量乘以各自单价计算，Arena 通过对比价格与 token 用量来定位成本下降的原因。

#评测/基准#Agent#OpenAI

AArtificial Analysis12:52解读

AI 评分60

Fish Audio Drama 3 在两个语音竞技场开源权重模型居首，发音鲁棒性排名第一

Artificial Analysis 评测显示，Fish Audio 发布的 Drama 3 在 Text to Speech 的 Provider Voice 场景 Elo 为 1,278（1,512 次竞技场出场），总排名第 6、开源权重模型第 1；Controlled Voice 场景 Elo 为 1,085（1,958 次出场），总排名第 12、开源权重模型第 1。发音鲁棒性上 Drama 3 以 94.6%（2,157 个评分片段）排名第 1，高于 Ming-3.0-tts 和 Drama 3 Preview 的 93.2%。生成速度为每秒 66.6 字符，定价 $15/1M 字符，以 Fish Audio Community License 开放权重。

#评测/基准#语音#开源生态

AArtificial Analysis12:52解读

AI 评分62

Phonic 1 登顶 Artificial Analysis 语音到语音指数，87.1 分领先 Grok…

Artificial Analysis 评测显示，Phonic 的 Phonic 1（High）以 87.1 分在 Speech to Speech Index 的 22 个模型中排名第一，以微弱优势领先 Grok Voice 3.0 的 86.9 分。该模型在 Tau Voice 智能体任务上以 79.9% 排名第一，领先第二名 5.4 个百分点；Big Bench Audio 以 98.9% 排第三，Time to First Audio 为 0.61 秒。Phonic 1 通过 Phonic API 提供，输入音频成本为每分钟 0.07 美元、每小时 4.20 美元。

同一事件 · 2 条报道

#评测/基准#语音#Agent

阿阿里云开发者社区 AI12:51解读

AI 评分60

Hermes 如何把 Agent 的学习写进文件：记忆、技能与知识库三层设计

Nous Research 开源的 Hermes Agent 把学习外置成文件，用 MEMORY.md 和 USER.md 存记忆、用 SKILL.md 存可复用技能、用 wiki 存领域知识，底座模型权重不变。文章拆解了它的闭环学习机制，包括任务后后台审查自动创建和改进技能。内置的 llm-wiki 技能 2.1.0 用 raw/、wiki、SCHEMA.md 三层结构和成页阈值、双链、原文哈希、矛盾登记等纪律维护知识库，并配有巡检机制。

#教程/实践#Agent#开源生态

Hheise online12:51解读

AI 评分58

Artificial Analysis 发布 Intelligence Index v5，六成任务改为不公开

独立基准测试机构 Artificial Analysis 更新主指数至 Intelligence Index v5，该指数综合九项基准测试结果，并首次采用 60% 不公开任务，以降低模型针对公开题目过拟合的影响。新增的两项测试是包含 70 个智能体科学任务的 Terminal-Bench-Science 和 Cognition 近期推出的 FrontierCode 2.0，后者考察真实编程任务中仓库维护者是否会采纳智能体的改动；Humanity's Last Exam Diamond、AA-Omniscience v1.1 和 CritPt v2 得到升级，GDPval-AA v2.1、SciCode 和 AA-LCR v1.1 被移除。测试调整后排名发生变化，Claude Opus 5.5 一度领先，随后被发布不久的 Gemini 4 Carbon 超越，Grok 4.7 与 Kimi K3.1 Pro 得分下滑，最强开源模型与榜首的差距从 3 分扩大到 12 分。原文也指出，不公开基准无法由外部复核，潜在错误难以被发现。

同一事件 · 8 条报道

#评测/基准#编码#Agent

GGoogle Developers Blog12:48一手解读

AI 评分70

Google A2UI 团队与 CopilotKit 介绍如何构建生成式 UI 应用

Google A2UI 团队与 CopilotKit CEO Atai Barkai 介绍如何用 A2UI 开放标准和 CopilotKit 构建生成式 UI 应用。A2UI 以声明式 JSON 描述界面，客户端只渲染可信组件目录中的组件，同一份响应可渲染到 React、Angular、SwiftUI、Jetpack Compose 和 Flutter。文中给出用 Google ADK 接入 CopilotKit 的代码示例，并说明通过 AG-UI 协议实现用户操作回传、智能体重新生成界面的双向流程。

#教程/实践#Agent#MCP/工具调用

PPydantic AI 官方文章12:47一手解读

AI 评分68

Pydantic 用 5,276 次运行对比 code mode 与工具调用

Pydantic 的 Michael Pfaffenberger 用 5 个小型 Pydantic AI 应用、8 个模型做了 5,276 次评分运行，对比 code mode 与直接工具调用。长任务上 code mode 平均成本降 58%、耗时降 51%、成功率提高 16 个百分点；但 5 条目的短任务在 5 个任务中有 3 个反而贵了 21% 到 38%。作者认为模型写循环比充当循环更擅长，差距随任务变长而扩大。

#评测/基准#Agent#MCP/工具调用

LLatent Space12:47解读

AI 评分54

Elorian 发布 DecoyCount 基准，前沿模型视觉计数准确率均低于 50%

Elorian 与 Mercor 联合发布 DecoyCount 基准，测试模型是真正数清物体还是依赖视觉捷径，前沿模型准确率均低于 50%，最高为 GPT-6 Astra 的 43.17%。Elorian 称其视觉推理模型 Glimpse 在 1,660 道题上单次运行得分 50.48%，是唯一超过 50% 的模型，但该结果来自内部测试且未使用智能体或工具框架，而论文中的六个模型各取三次运行平均值。Elorian CEO Andrew Dai 表示，该基准同时考察视觉与推理，可区分模型是没看到物体还是数错了。

#评测/基准#多模态#推理

新新京报12:47解读

AI 评分67

新京报实测千问Go！与灵光2.0：个人智能体竞争转向自主代办

新京报贝壳财经记者实测阿里千问Go！和蚂蚁灵光2.0，前者用一句话建好每天8点的用药提醒并逐项核对，后者在支付宝授权后梳理近半年账单。文章同时梳理了Meta Muse、OpenAI dots及字节、腾讯的布局，并指出跨生态权限是当前最难拆的墙，字节SAEP公示的拒绝名单达155款应用。

#现象/趋势#Agent#OpenAI

BBaseten 工程博客12:46一手解读

AI 评分56

Baseten 优化 Qwen3-ASR 批量转写，单卡吞吐提升 7 倍

Baseten 工程团队通过原生音频解码、KV cache FP8 量化和减少主机与设备同步，把 Qwen3-ASR 1.7B 在单张 RTX PRO 6000 上的批量转写吞吐提升 7 倍、延迟降低 6.9 倍。优化后一小时音频的转写成本约为 0.0013 美元，即每音频小时 1/10 美分，词错误率没有明显变化。该优化版本已作为 Baseten Model Library 的默认部署，可通过 OpenAI 兼容的转写客户端调用。

#教程/实践#部署/工程#语音

SSakana AI：Blog12:45一手解读

AI 评分54

Sakana AI 用 AI 分析美国中期选举：德州参议院选战约71万条 X 反应

Sakana AI 发布美国中期选举的 AI 分析案例，聚焦德州参议院选战，分析两候选人与两党州组织在 X 上的 2,042 条发帖及 70万5,976 条反应。其叙事分析系统按“谁做了什么、如何被评价”提取叙事，并用多个 AI 模型与原文核对；同时用产品 Sakana Marlin 检索民调、竞选资金、预测市场和报道等公开信息，与 X 上的观察对照。文中称，帕克斯顿在决选前获得的支持多来自党内动员，决选后支持比例从约5成降至2成弱，且两候选人的评价转变早于 Cook Political Report 等机构调整判断约2个月。

#现象/趋势#数据/训练#推理

智智慧城市行业分析12:45解读

AI 评分54

美妆企业FDE落地实践：把海量多模态数据洗成可信数据的八步链路

一家美妆企业的FDE落地项目把小红书、抖音、视频号、微博采集的文字、图片、音频和视频数据，按定数据规范、保留原始内容、梳理数据关系、多模态归一、冲突和质量清洗、生成结构化数据、执行验收、按规则和版本入库八步处理。原文强调清洗结果不能覆盖原文，OCR、ASR和模型标签只作新增结果，并给出ASR与OCR数值冲突时回溯原始证据、无法确认则进入待核队列的做法。这套链路也被作者整理为可复用于消费品洞察、汽车口碑、餐饮选址和品牌舆情等场景的通用方案。

#教程/实践#数据/训练#多模态

腾腾讯云开发者社区15:01解读

AI 评分57

从 ReAct 到 Supervisor-Worker：AI Agent 核心概念与架构选择

文章系统梳理了 AI Agent 的核心概念与架构选择，指出 Agent 与普通大模型调用的本质区别在于具备目标、感知、决策、行动构成的闭环。文中对比了单 Agent 的 ReAct、Plan-and-Execute、Reflexion 三种模式各自解决的问题与代价，并说明多 Agent 场景下 Supervisor-Worker 的分工原则。作者还列出落地时的状态持久化、终止熔断、上下文工程、可观测性等工程痛点，并给出从单 Agent 起步的选型决策顺序。

#教程/实践#Agent#推理