N全部新闻

全部新闻

星期三4 条

  1. Ahead of AI解读
    AI 评分85

    GPT-6 Astra、循环 Transformer 与隐藏推理链解析

    作者实测 GPT-6 Astra 后，分析其性能、计算机使用能力，以及循环 Transformer 是否会隐藏推理链。文章解释了循环 Transformer 通过重复使用相同权重增加有效深度，并指出 Astra 采用该架构仍未获官方确认，也没有充分证据表明循环机制会导致推理链更难监控。

    #教程/实践#推理#数据/训练

  2. Google Developers Blog一手解读
    AI 评分62

    Google 详解 Harness 工程：如何评估、迭代与守护 AI 编码智能体

    Google Developers Blog 发文介绍 harness 工程中的行为评测方法，主张用离散可观察动作的断言替代只看 Terminal-Bench、DeepSWE 等端到端基准的复合分数。文章建议从开发者直觉和 dogfooding 起步，等智能体能处理自身代码库后再引入评测，并给出三步循环：选定一个失败模式、按任务复杂度写灵活断言、用批量评测跟踪聚合通过率。作者强调行为评测与端到端评测互补，前者用于安全快速迭代，后者验证最终结果。

    BlogBanner_990x556_x2

    #教程/实践#Agent#评测/基准

  3. Together AI Blog一手解读
    AI 评分54

    Together AI 详解开源 AI 技术栈：从模型到 harness 的分层实践

    Together AI 发布《The Open Source AI Stack》一文，把开发者从闭源转向开源模型所需的技术栈拆成模型、推理服务商或网关、harness、上下文四层，并称各层相互独立，换模型通常只需改一个配置值。文中以 Kimi K3（1.8T 总参数、104B 激活参数）和 GLM 5.3 Flash（320B 总参数、18B 激活参数）为例说明大模型与小模型的取舍，并列出 OpenRouter、Vercel AI Gateway、LiteLLM 等网关以及 skills、MCP 等扩展方式。作者还建议用大模型规划、小模型实现、大模型审查的三段式工作流，并强调切换模型或任务时新开会话以控制上下文。

    #教程/实践#开源生态#部署/工程

星期一1 条

  1. ElevenLabs Blog一手解读
    AI 评分53

    ElevenLabs 详解 RAG 的核心概念与现代 AI 应用

    RAG 通过在模型回答前检索外部信息并加入上下文，让 LLM 使用训练数据之外的最新、私有或大规模知识。其流程包括知识分块与嵌入、查询处理、段落检索、上下文注入和答案生成，但检索质量、来源质量及模型误读仍可能造成错误。ElevenLabs 还介绍了 ElevenAgents 的查询改写与模型竞速架构，称其将 RAG 中位延迟从 326 ms 降至 155 ms。

    ElevenLabs Conversational AI demo introducing Retrieval-Augmented Generation (RAG).

    #教程/实践#RAG#Agent

星期日1 条

星期六2 条

  1. NVIDIA Developer · Generative AI一手解读
    AI 评分56

    NVIDIA 用 NemoClaw 构建记忆驱动的 Chief of Staff 智能体

    NVIDIA 团队用 NemoClaw 构建了记忆驱动的 Chief of Staff 智能体，通过 Markdown 自模型与 SQLite 账本分离证据与判断。在 Agent Memory Benchmark 上，自模型将整体准确率从 82.8% 提升到 90.9%，变化事实的跟踪率从 60.0% 提升到 100%。运行时由 NVIDIA OpenShell 沙箱管控文件系统、进程和网络访问，凭据留在沙箱之外，相关配方与设计提案已开源在 NVIDIA/nemoclaw-community 仓库。

    #教程/实践#Agent#部署/工程

星期四2 条

  1. The Register解读
    AI 评分60

    实测16个模型识别蘑菇：最佳模型首猜准确率仅65%

    波兰软件工程师 Piotr Migdał 用1040张蘑菇照片测试16个模型，表现最好的 Gemini-3.8-flash 首次猜测准确率为65%，前五猜测命中率85%。Qwen3.8-27b 表现最差，首猜准确率13%，并把有毒蘑菇误判为可食用达36%。Migdał 指出危险误判并非随机，例如把致命丝膜菌认成鸡油菌，他警告不要因为 AI 说安全就吃下蘑菇。

    #现象/趋势#评测/基准#多模态

星期三2 条

  1. Meta Engineering Blog一手解读
    AI 评分66

    Meta 工程博客：如何构建从专家反馈中学习的组织级第二大脑智能体

    Meta 工程博客介绍了一个面向合规领域的 AI 智能体，把组织知识拆成 200 多个结构化文件，并用可组合的 recipes 分离知识与推理流程。专家反馈经诊断、编译、验证后以文本编辑形式落地，无需重训模型，每个修复都会自动加入回归测试集。系统在六周三个开发冲刺后，将单项评估耗时从数天缩短到数分钟，改进周期内零回归。

    #产品更新#Agent#RAG

  2. Google Developers Blog一手解读
    AI 评分58

    Google 总结 AI Agents Challenge 高分提交的 4 个工程模式

    Google for Startups AI Agents Challenge 评审结束后，Google Developers Blog 从高分提交中提炼出四个工程模式：双向 MCP（智能体既是自己工具的客户端，也是其他智能体可调用的服务端）、事件驱动并发（智能体并行响应同一信号而非串行调用链）、同标准回退（小模型顶替过载模型时仍走同一校验函数）、分层路由（先用正则和廉价模型做确定性检查，再交给完整推理模型）。其中一个团队用正则加 10 token 的 Gemini 分类调用，在真正模型调用前处理了超过 40% 的入站消息。这些模式多出现在基于 Agent Development Kit（ADK）并通过 Agents CLI 驱动的提交中。

    Gemini_Generated_Image_5wdk45wdk45wdk45

    #教程/实践#Agent#MCP/工具调用

星期一2 条

  1. Amazon Science一手解读
    AI 评分55

    Amazon Science 介绍如何用 Verus 开发可证明正确的 Rust 代码

    Amazon Science 发文介绍开源自动程序验证器 Verus，它用数学规格机械检查 Rust 代码在所有输入下是否符合预期，弥补传统测试难以覆盖的边界情况。开发者可直接在 Rust 源码中用类 Rust 语法写前置与后置条件，通常不到一秒即可获得反馈，AI 智能体也能参与证明生成。Verus 还能对 Rust 的 unsafe 代码块和自定义锁方案的并发代码做数学验证，亚马逊已用它证明 Nitro Isolation Engine 关键原语及内部关键基础设施的正确性，开源项目如证书验证库、数据格式解析器和 Kubernetes 控制器也已采用。

    #教程/实践#开源生态#部署/工程

  2. Timothy B. Lee：Understanding AI解读
    AI 评分56

    我花 4000 美元买了一台中国机器狗：Unitree 如何把足式机器人做便宜

    作者花 4017 美元购入 Unitree Go2 Pro 机器狗并实测，认为它实用价值有限，但价格远低于几年前同类产品。文章梳理 Unitree 的低成本路径：四腿各三个同款电机、6.33 比 1 低减速比齿轮箱、自研电机与零部件，以及中国政府的税收优惠和公共机构采购支持。Unitree 已从四足扩展到人形，2023 年推出 H1、次年推出 G1，消费版起价 13500 美元；其 8 月 19 日在上交所上市首日股价涨超五倍，周一收盘市值 34 亿美元。美国方面，众议院两党法案拟限制中国机器人进口，FCC 也在 7 月出台针对外国制造机器人的新规。

    #现象/趋势#具身智能#评测/基准

星期六1 条

  1. LMSYS Blog一手解读
    AI 评分71

    SGLang 用 SSD Expert Pack 在消费级硬件上运行 DeepSeek-V4-Flash 与 Kimi-K3

    SGLang 发布 SSD Expert Pack 方案，把放不进显存和内存的路由专家权重留在 NVMe SSD 上，只按路由器选择读取专家，并用 direct I/O、pinned 缓冲和 GPU 缓存把 SSD 容量变成可用的权重层。在 Intel Ultra5 230F、32 GB 内存、TiPro9000 2 TB 磁盘和 RTX 5090 32 GB 的消费级机器上，DeepSeek-V4-Flash 相对 Ollama 基线在 Alpaca 和 MMLU 上 prefill 提升 2.28x 和 3.39x，decode 提升 6.92x 和 6.55x；Kimi-K3 相对 llama.cpp 的 prefill 提升 6.96x 和 5.80x，decode 提升 3.30x 和 3.52x。该路径不裁剪、不跳过专家，也不改变 Expert Top-K，属于显式开启的加载格式，需要额外 SSD 容量和数十分钟的 Pack 构建时间。

    #教程/实践#部署/工程#端侧

星期五2 条

  1. LMSYS Blog一手解读
    AI 评分62

    LMSYS 公开 infer-forge：围绕 SGLang 的 Harness、Loop 与 Graph 工程方法

    LMSYS 发布 infer-forge 方法论文，介绍围绕 SGLang 的推理工程系统，由 MonoRepo、Harness、Task Loop 和 Task Graph 四层结构组成，用于让跨仓库的推理优化工作可复现、可验证。该系统为内部工程系统，并非 SGLang 或 LMSYS 官方组件，目前不开源，文章公开的是构建方法论，供团队交给 AI 编码工具并结合自身系统上下文搭建适配实现。文中给出使用记录：一位工程师 4 月至 7 月的在飞任务峰值从 2 个升至 9 个，DeepSeek-V4-Pro 服务项目中 38 个可独立验证的任务节点被组织成任务图。

    The inference deployment space stacks five layers of static configuration. Model shows Ling, Qwen, DeepSeek, Kimi, GLM, and MiniMax. Serving Scenario runs Modality (text, image, video) into Traffic Shape (input and output length, media count, resolution, QPS, concurrency, cache reuse) into SLO (TTFT, TPOT, throughput, E2E latency). Serving Topology separates Deployment Architecture—Colocated PD, PD Disaggregation, and EPD Disaggregation, each listing the node roles it is built from — Prefill and Decode together, then Prefill and Decode as separate roles, then Encoder alongside them — from Parallelism—TP, PP, DP, and EP—because the two are chosen independently. Versioned Runtime Profiles is a stack of tabbed cards labelled Service A rev. 12, Service B rev. 7, and Service C rev. 21, plus a fourth paler card behind them all, blank and showing only its top edge, whose narrow tab carries an ellipsis for the profiles not drawn, the front card holding an Engine Configuration and a Container I

    #教程/实践#部署/工程#Agent

  2. Together AI Blog一手解读
    AI 评分60

    GLM-5.3 与 GLM-5.3 Flash 在 DeepSWE 上的成本与编码对比

    Together AI 在 113 个 DeepSWE 任务上各跑 4 次、共 900 次 rollout，对比 GLM-5.3 与 GLM-5.3 Flash：单次通过率 69.0% 对 63.4%，pass@4 差距收窄到 2.6 个百分点（87.6% 对 85.0%）。GLM-5.3 Flash 每次 rollout 成本 0.24 美元，约为完整版的十七分之一，每 100 美元可解 264 个任务。先跑 Flash、测试不通过再升级到 GLM-5.3 的级联方案达到 80.9% 通过率，每任务 1.70 美元，低于完整版单独使用的 3.99 美元。

    #评测/基准#编码#部署/工程

星期四1 条

  1. Linear：Now一手解读
    AI 评分71

    Linear 如何用 StyleX 改造 React 应用的样式系统

    Linear 通过超过 1,000 个 PR，将 React 应用从 styled-components 迁移至 StyleX，并以 codemod、AI 智能体和人工判断共同推进。测试显示，移除运行时样式注入后，重视图页面的主线程 CPU 工作减少约 20% 至 35%，中端设备速度提升约 30%。团队还通过 lint 规则、仓库级检查器和迁移追踪工具，约束样式接口、合并优先级及主题安全。

    Rows of white pixelated grid patterns on a black background, transitioning from dense solid blocks on the left to sparse scattered squares on the right.

    #教程/实践#Agent#编码

星期三5 条

  1. Trail of Bits Blog一手解读
    AI 评分83

    Trail of Bits 实测：GPT 5.6-Cyber 三次逃出 QEMU/KVM 虚拟机

    Trail of Bits 的 Artem Dinaburg 在 Patch the Planet 项目中获得 GPT 5.6-Cyber 预览权限，让它在 CTF 任务中逃出运行在 Debian 12、AMD Zen3 上的 QEMU/KVM 虚拟机，结果它三次成功逃逸。第一次利用几周前披露的 Januscape（CVE-2026-53359）内核漏洞；更新内核后，它组合 libslirp 4.7.0 的 CVE-2026-9539 与一个未分配 CVE 的修复提交实现任意内存读写；在手动重建最新上游 QEMU 和 libslirp 后，它又串联三个 0-day 和一个未进入发行版内核的已修复漏洞完成逃逸。作者指出，该智能体在约 12 小时的时间跨度内跨多次压缩和子智能体调用保持持续作业，能自行回溯失败路径、拉取论文、编写 oracle 和最小复现；他建议改用 Firecracker 这类最小攻击面的虚拟化方案，并加强最小权限、日志与主动监控。

    #安全/对齐#Agent#OpenAI

  2. Fireworks AI一手解读
    AI 评分61

    Fireworks 评测 DeepSeek V4 Pro 与 Fable 5、Kimi K3

    Fireworks 用 SWE-Bench Verified、LiveCodeBench v6、Aider Polyglot 和 Terminal-Bench 2.1 四套基准测试 DeepSeek V4 Pro 0813，其在 SWE-Bench Verified 上得分 95.2%，高于 Kimi K3 的 92.6% 和 Fable 5 的 85.4%，在 LiveCodeBench v6 上为 92.0%。成本方面，DeepSeek V4 Pro 在 SWE-bench 上每解决一个任务花费 $0.309，Fable 5 为 $0.808；在 LiveCodeBench 上分别为 $0.040 和 $0.225。短板在 Aider Polyglot 的多语言广度，Java 仅 48.9%，Fable 5 为 74.5%。在 409 个任务的合并集合上做 oracle 路由后准确率 92.4%，高于单用 Fable 5 的 86.6%，每任务成本 $0.279 对 $4.510，86.3% 的任务被路由到 V4 Pro。

    同一事件 · 2 条报道

    #评测/基准#编码#Agent

  3. Fireworks AI一手解读
    AI 评分73

    Fireworks 评测：DeepSeek V4 Pro 在 SWE-Bench 领先，单任务成本约为 Fable 5 的三分之一

    Fireworks 用 SWE-Bench Verified、LiveCodeBench v6、Aider Polyglot v1 和 Terminal-Bench 2.1 四组基准测试 DeepSeek V4 Pro 0813，其在 SWE-Bench 上每解决一个任务花费 $0.309，Fable 5 为 $0.808，LiveCodeBench 上为 $0.040 对 $0.225。在 409 个任务的合并样本上，DeepSeek V4 Pro 与 Fable 5 的 oracle 路由达到 92.4% 准确率，高于单用 Fable 5 的 86.6%，每任务成本 $0.279 对 $4.510，其中 86.3% 的任务路由到 V4 Pro。该模型在 Aider Polyglot 的 Java 子集上仅 48.9%，明显低于 Fable 5 的 74.5%，Fireworks 认为 Java 为主的代码库更适合多模型路由；DeepSeek V4 Pro 的训练已在 Fireworks 上线，支持 SFT、DPO 和 RFT。

    同一事件 · 2 条报道

    #评测/基准#编码#Agent