N全部新闻

全部新闻

星期三20 条

  2. Arena解读
    AI 评分60

    GPT-6.1 Terra 在 Code Arena WebDev 排第 14，1671 分且每任务成本降 28%

    Arena.ai 公布，OpenAI 的 GPT-6.1 Terra (Max) 在 Code Arena: WebDev 以 1671 分排第 14，比 GPT-5.6 Terra 高 151 分，后者现居第 56。其每任务中位成本为 $0.40，比 GPT-5.6 Terra 的 $0.56 低 28%。同家族中，它比第 4 名 GPT-6.1 Sol（1752 分）低 81 分，但每任务中位成本低 75%；比第 11 名 GPT-6 Sol（1677 分）低 6 分，成本低 76%。

    引用OpenAI · @OpenAI

    GPT-6.1 Terra: delivering fast and capable computer use at a lower price. GPT-6.1 Terra understands what’s on screen, takes action across apps, writes naturally, and is a more capable model for your whole workday with the efficiency to take on more of it. https://t.co/8JTN1yonmV

    #评测/基准#编码#OpenAI

  3. Unite.AI解读
    AI 评分58

    Perplexity 发布 LLM 网关实践指南，梳理请求链路与生产风险

    Perplexity 于 2026 年 10 月 27 日发布 LLM 网关实践指南，说明这一中间层如何路由、鉴权、缓存和记录模型调用，并区分 API 网关、LLM 网关、MCP 网关与 AI 网关四类形态。指南以六步请求生命周期拆解机制，同时警告网关集中了各家供应商凭证，并引用 Microsoft 披露的 LiteLLM 网关入侵事件和 Check Point 报告的 CVE-2026-35029、CVE-2026-59823 两个高危漏洞（已在 LiteLLM 1.83.9 修复）。文中还列出 Cloudflare AI Gateway 与 OpenRouter 的故障复盘、四条部署路径及约 50 美元/月起的付费方案。

    #安全/对齐#部署/工程#OpenAI

  4. 雷科技解读
    AI 评分52

    Rokid Glasses 2首发体验：佩戴更舒适，AI与续航升级

    雷科技提前体验了10月27日发布的Rokid Glasses 2，起售价3699元（国补到手价3199元），11月11日正式发售。相比上一代，新品的镜腿改用更亲肤材质以分散压力，电池容量增至263mAh、提升25%，并配备1200万像素摄像头，支持4K 30帧和2K 60帧录像。作者实测20分钟导航、30分钟音乐和30分钟拍照录像后剩余电量仍超过一半，磁吸充电20分钟可充至75%。

    同一事件 · 7 条报道

    #产品更新#端侧#评测/基准

  5. NVIDIA Developer · Generative AI一手解读
    AI 评分52

    NVIDIA 详解如何用 Nemotron-Personas 数据集微调 Nemotron 3.5 Lightning

    NVIDIA 发布 Nemotron-Personas 法国和比利时数据集，并给出用其微调 Nemotron 3.5 Lightning 的完整后训练流程。流程包括定义行为契约、用 persona 生成合成对话、在 NVIDIA NeMo 上用 LoRA 微调、合并适配器，再与基座模型在冻结测试集上逐条对比评测。法国数据集与 Pleias 合作构建，比利时数据集由 Pleias 与 KU Leuven 参与，Nemotron 仓库提供数据生成、训练和评测的可复用步骤及 agent skills。

    Flowchart showing eight stages: define target behavior and a holdout set, sample personas, generate conversations, audit and split data, fine-tune with LoRA, merge the adapter, serve the adapted model, and evaluate it against the base model.

    #教程/实践#数据/训练#开源生态

  6. LangChain Blog一手解读
    AI 评分67

    LangChain 如何搭建设计智能体 Content Studio

    LangChain 的 GTM 工程团队与设计团队合作，在 Managed Deep Agents 上搭建了 Slack 内的设计智能体 Content Studio，可生成视频、社交图、UI 图与幻灯片，已产出 3000 多个素材、80 多份幻灯片。文章拆解了它的四层知识结构（技能、wiki、代码校验、记忆）、每个 Slack 线程独立的 LangSmith Sandbox、HyperFrames 与自研 motion-studio 两套渲染引擎，以及主智能体调度异步子智能体的协作方式。团队称迁移到 Managed Deep Agents 后自有代码减少约 80%，单次请求的模型成本中位数从 9 月中旬的约 8 美元降到约 50 美分，并已开源整套 harness。

    Shreya Talegaonkar

    同一事件 · 2 条报道

    #教程/实践#Agent#部署/工程

  7. Artificial Analysis 完整文章一手解读
    AI 评分82

    Gemini 4 Carbon 登顶 Artificial Analysis Intelligence Index v5

    Google 的 Gemini 4 Carbon 在 Artificial Analysis Intelligence Index v5 上以 59 分排名第一，在 9 项评测中的 HLE-Diamond、Terminal-Bench-Science、AA-Omniscience、AutomationBench-AA 四项领先。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。该模型上下文窗口为 1M tokens，支持文本、图像、视频和语音输入，标准定价为每百万输入/输出 tokens 4/20 美元，目前向部分用户开放并提供 50% 折扣。

    同一事件 · 34 条报道

    #评测/基准#Google#推理

星期二17 条

  1. 卡尔的 AI 沃茨解读
    AI 评分58

    作者把 15 个国民级 App 接入蚂蚁灵光 2.0 的实测记录

    作者拿到蚂蚁灵光 2.0 内测后，通过扫码授权、MCP、Skill、GitHub 项目和 CLI 等方式，把米家、百度网盘、钉钉、滴滴、瑞幸、麦当劳、高德、飞猪、支付宝、淘宝等 15 个国内 App 接入了这个 Personal Agent。文中按配置难度逐个说明接入方式，并给出了一段可复用的配置提示语，要求每次只接一个服务、接上后用真实查询验证、涉及花钱的动作先确认再执行。作者认为手机端 Personal Agent 与电脑端形态不同，优势在于能接国内服务，且会自行安排定时任务在后台持续跟进。

    #教程/实践#Agent#MCP/工具调用

  2. 阿里云开发者社区 AI解读
    AI 评分60

    GEO实操指南：AI健康度自检、内容结构化改造与全网可信信号建设

    阿里云开发者社区发布GEO实操指南，给出从AI健康度自检到内容改造、可信信号建设和月度监测的完整落地路径。文章建议选3~5个主流AI工具（如ChatGPT、文心一言、豆包、Kimi、腾讯元宝）用标准问题测试品牌提及与推荐情况，作为优化基线。内容改造部分提出结构化、事实化、问答化、去营销化四类做法，并列出把GEO当SEO、只优化官网等五个常见误区。

    #教程/实践#搜索#现象/趋势

  3. 阿里云开发者社区 AI解读
    AI 评分53

    实测阿里云百炼内置联网搜索与网页抓取：一行 tools 声明即可启用

    作者在阿里云百炼 2.5.0 上实测，通过 tools 参数声明 web_search 后，模型对“今天上海天气”从 9.2 秒拒答变为 24.5 秒返回当天实况并写对日期。再加 web_extractor 可让模型自行决定检索轮次与抓取目标，json 输出中 web_search 两次、web_extractor 三次的计数与逐条记录一致。作者还记录联网调用延迟在 17 到 127 秒、单次输入 22789 个 token，并提示 turbo 之外的 agent 与 agent_max 策略每次调用额外收费。

    #教程/实践#Agent#MCP/工具调用

  4. Saito 硬地骇客解读
    AI 评分68

    npm 创始人 Laurie Voss 讲如何评估 AI 智能体是否合格

    npm 联合创始人、现 Arize AI 开发者关系负责人 Laurie Voss 在 AI Engineer 纽约场 workshop 上，讲了一套判断 AI 智能体是否合格的方法：先通读十几条 trace 记录再写第一个评估，评结果而非评步骤。他以一份把两次搜索结果加总出 116% 分析师共识的研报为例，说明只有看记录才能定位推理错在哪一步；把正确性评估换成忠实度评估后，同一批 16 份报告从全被判错变成 14 份被判不忠实且解释可用。他还要求用人工标注的黄金数据集测试裁判本身，并把股票代码正确设为底线、可操作性三次运行平均 0.8 设为目标写进 npm test。

    #教程/实践#Agent#评测/基准

  5. 邵猛
    AI 评分69

    开源 meta-skill skill-diet 用评测给 Agent Skill 减重

    开源 meta-skill skill-diet 用于压缩臃肿的 SKILL.md 并校对工具是否过时，作者 @nicopreme 在真实 skill 上测得可减少 70–80% token 且结果不变。瘦身版只有在旧 skill、新 skill、无 skill 同任务评测中至少不输才会保留，之后每次增补也需过门槛，相对上次 diet 涨约 10% 就要再做一轮。它还按 skill description、SKILL.md、references/、工具 help 与报错分层放置信息，并建议把机械错误交给报错、测试或 linter 处理。

    引用Nico Bailon · @nicopreme

    I've been dogfooding "skill-diet", a skill for slimming down agent skills and keeping them correct. most skills load far more text than a task needs, and some parts often go stale. it also gets worse over time as AI updates skills. skill-diet cuts what the model already does without being told, moves rarely needed detail into files it only reads when needed, and fixes what no longer matches the tool. then it runs the same tasks with the old skill, the new one and no skill, and keeps the new one only if agents do at least as well. on my own skills: 70–80% fewer tokens, same results. https://t.co/h1BnVt7NjD

    #开源/仓库#Agent#评测/基准

  6. Wired AI解读
    AI 评分61

    WIRED 实测六款常驻 AI 智能体一天，OpenAI Dots 综合得分最高

    WIRED 记者 Reece Rogers 用一天时间在 iPhone 上实测 Meta Muse、OpenAI Dots、Instinct、Anthropic Claude Duet、Google Gemini Spark 和 xAI Grok Bot 六款常驻 AI 智能体，围绕早间新闻简报、午餐下单、日程冲突提醒、旅行行程和深夜任务五项测试按 1 到 5 分打分，OpenAI Dots 综合表现最好。Dots 每月收费 100 美元，是本次测试中最贵的一款，作者建议多数人等它降价或推出免费版再尝试。免费且易上手的 Meta Muse 总分紧随其后，Anthropic Claude Duet 被评为界面最佳，Instinct 被评为最烦人。

    #评测/基准#Agent#OpenAI

  7. MIT Tech Review解读
    AI 评分51

    固态变压器如何为 AI 用电需求供电

    MIT Tech Review 解释固态变压器如何用功率半导体配合磁件替代传统铜线铁芯方案，体积可缩至约十分之一而容量不变。北卡罗来纳州立大学 Srdjan Lukic 团队的一台 1 兆瓦样机在 EPRI 测试中效率约 98%，比传统变压器加整流器组合的约 96% 少一半损耗。目前这类设备仍处开发阶段，短期主要面向数据中心机架供电，适配输电级高压还需进一步工程开发。

    #行业动态#数据/训练#教程/实践

  8. 面壁智能 OpenBMB解读
    AI 评分60

    面壁智能 MiniCPM-V 4.7 在 iPhone 上推理速度从 3.38 提升至 20.51 tokens/s

    面壁智能 OpenBMB 转发了一份对 MiniCPM-V 4.7 35B-A3B 在 iPhone 18 Pro Max（12GB RAM）上推理优化的拆解，解码速度从 3.38 tokens/s 提升到 20.51 tokens/s，约为未优化基线的 6.07 倍。优化路径依次为专家预取 6.57、调度与加载优化 11.34、混合精度量化 17.16，再叠加 DSpark 投机解码达到 20.51 tokens/s；该模型总参数 35B、激活约 3B，支持图像、多图与视频理解，大部分权重留在闪存中按需加载。原帖注明这些仍是 OpenBMB 自己的测量数据。

    引用David Hendrickson · @TeksEdge

    This new-ish 35B multimodal model went from 3.38 → 20.51 tps on an iPhone. MiniCPM-V 4.7 35B-A3B was updated to decode faster on the iPhone by improving how it moves the model between storage and memory. Constraints 🧠 35B total / ~3B active 📱 iPhone 18 Pro Max — 12GB RAM 👁️ image + multi-image + video understanding Most of those 35B weights don't sit in RAM. The experts can stay in the phone's flash storage and get loaded when they're actually needed. Normally that's slow 🐌 SSD expert loading → 3.38 t/s So OpenBMB built Lookahead Expert Scheduling (LES) It predicts which experts the next layer will probably need and starts loading them while the current layer is still computing. Then they stacked the optimizations: 💾 baseline SSD loading → 3.38 tps 👀 expert lookahead → 6.57 ⚙️ optimized scheduling/loading → 11.34 🗜️ mixed-precision quantization → 17.16 🚀 + DSpark speculative decoding → 20.51 tps That's a 6.07× speedup over the same-phone unoptimized baseline. ⚠️ And these are still OpenBMB's own measurements. Link in ALT

    #行业动态#端侧#推理

  9. 腾讯云开发者社区解读
    AI 评分55

    用暖屿和 DeepSeek 搭建会记事、会主动找人的 QQ 陪聊机器人

    作者介绍用开源项目暖屿（Warm Isle）在自有服务器上搭建 QQ 陪聊机器人，DeepSeek 负责生成回复，NapCat 负责登录 QQ，人设、长期记忆和主动消息由暖屿实现。文中给出 Docker 部署、扫码登录、人设配置和记忆抽取的完整步骤，并列出内存占用、SQLite 备份、群聊默认不处理等实际踩坑点。项目采用 AGPL-3.0 许可，NapCat 与 SnowLuma 协议端禁止商业使用。

    #教程/实践#Agent#开源生态

  10. 邵猛
    AI 评分60

    Uncle Bob 开源 ub-mode Skills，为 coding agent 定三段纪律

    Clean Code 作者 Uncle Bob 开源 Skills「ub-mode」，把 Clean Code 与 TDD 纪律整理成 coding agent 的三段流程：先让改动跑通，再用 CRAP、结构重复和变异测试做对，最后用日志、小提交和上下文卫生收尾。第二段配套 crapper、dryer、mutator 等工具闸门，例如 CRAP 需小于 10、结构重复达到 0.8 就要消除，另有 uml-viewer 查看组件、覆盖、CRAP、变异分与依赖方向。

    #开源/仓库#Agent#编码

  11. 邵猛解读
    AI 评分57

    斯坦福 CS 329Z 第 10 课讲 Terminal-Bench 与 Harbor 的 Agent 评测工程

    斯坦福 CS 329Z 课程第 10 课由 Alex Shaw 与 Ryan Marten 讲解如何用 Terminal-Bench 和 Harbor 把 Agent 评测做成可迭代工程。Terminal-Bench 以终端任务构建社区基准，任务目录由 instruction.md、task.toml、environment/Dockerfile、solution/solve.sh 和 tests/test.sh 组成，verifier 通过程序化检查与 LLM judge 判定环境状态。讲义还给出隔离 agent 与 verifier 环境以防 reward hacking、按主次补丁版本区分重跑与 regrade 的做法。

    引用meng shao · @shao__meng

    CS 329Z: Engineering AI Agents Stanford / Fall 2026 @stanfordnlp https://t.co/ynvpE8PKFE 课程定位：从"模型"到"系统"的工程学 覆盖：简单 LLM 流水线 → 复合 AI 系统 → 自主 Agent。三位讲师的背景也高度互补： @Diyi_Yang（斯坦福 NLP 教授，人机交互与社会计算方向） @michaelryan207（DSPy 核心贡献者，自动评估 AutoMetrics 作者） @jyangballin（SWE-agent / SWE-bench / SWE-smith 作者，软件工程 Agent 领域最重要的研究者之一） # 课程主线：三大工程挑战 贯穿全课的三个核心问题——分解（decomposition）、数据（data）、评估（evaluation）。11 周的内容基本围绕这三条线展开，可以分为五个模块： 模块 1：构建基元（Week 2–3） · LLM 作为构建材料：API/SDK（litellm）、结构化输出、约束生成、解码策略、test-time compute、上下文工程、模型选型与成本/延迟权衡 · RAG：embedding、向量库、分块策略、混合检索、cross-encoder 与 ColBERT 后期交互 · 工具调用：函数调用 API、MCP（Model Context Protocol）、工具设计、代码沙箱、错误处理与重试 模块 2：框架与设计模式（Week 3–5） · 框架层：DSPy（signature / module / optimizer）、LangChain/LangGraph、LlamaIndex，重点是"框架抽象了什么 vs. 你手写了什么" · 设计模式：workflow vs. agent 的分类学，五种可组合 workflow 模式，ReAct / plan-and-execute / reflection，"scaffold（脚手架）本身就是设计决策" · 记忆架构：短期/长期记忆、记忆作为工具动作、文件系统作为外化记忆、跨 Agent 记忆（MemGPT、Mem0、Generative Agents） · 多 Agent 系统：编排模式、handoff 与状态传递，以及一个很有态度的对照阅读——既读 AutoGen，也读《Why Do Multi-Agent LLM Systems Fail?》和 Neubig 的《Don't Sleep on Single-agent Systems》 模块 3：优化（Week 5） · 从提示词到微调的全景：GEPA、MIPROv2、OPRO、TextGrad（提示优化）；LoRA/QLoRA、蒸馏、RLHF/DPO（权重优化）；test-time scaling（推理算力） · 核心问题是决策框架：什么时候优化 prompt、什么时候优化 weights、什么时候堆推理算力 模块 4：数据与评估（Week 6–8）——最有分量的部分 · 数据：trace、demonstration、feedback 三类数据；训练数据 vs. 评估数据；数据飞轮；合成数据；从 Agent 轨迹构建数据集（SWE-smith） · 评估基础：为什么 eval 难；4 元组框架（request / environment / stopping criteria / scorer）；好 benchmark 的性质；tinyBenchmarks · 评估基础设施：三类 grader、LLM-as-judge 的 prompt 设计与已知偏差、pairwise vs. pointwise、非确定性指标 pass@k vs. pass^k、harness 设计 模块 5：安全与前沿（Week 8–11） · 安全：工具访问的隐私风险、prompt injection（含间接注入）、红队、沙箱与权限模型、输出护栏、human-in-the-loop · Coding Agent：SWE-agent、Claude Code、OpenHands 的端到端架构对比 · 主动式 Agent：从 reactive 到 proactive，General User Models（GUM）、Next Action Prediction，以及"Agent 何时应主动、何时应等待"的 mixed-initiative 问题 · 开放问题：多模态/web/计算机使用 Agent、科学 Agent、长时运行架构、生产可观测性（tracing、monitoring、成本管理） # 作业设计：一手建、一手评 HW1：从零构建 Agent 系统（10%） 给定论文库，构建能检索并推理回答科学问题的 Agent。 · Part A：只用 litellm 手写 RAG + 工具调用 + ReAct 式 Agent 循环 · Part B：用 DSPy 重建关键组件，并反思框架抽象了什么 HW2：评估一个 Agent（10%） 给定一个预构建 Agent，设计完整评估套件：代码型 grader、至少一个 LLM-as-judge、用 4 元组框架构建 benchmark 任务、错误分析。

    #教程/实践#Agent#评测/基准

  12. Browser Use一手解读
    AI 评分52

    Browser Use 教程：无 API 网站如何每日登录并下载发票

    Browser Use 发布教程，介绍在没有 API 的供应商门户上自动登录并每日下载发票的三种方案：Playwright 脚本、UiPath 或 Power Automate 等 RPA 工具，以及带保存配置的浏览器智能体。文章给出 Playwright 与 Browser Use Cloud 的完整代码，涵盖复用登录会话、用 1Password 填入 TOTP 验证码、通过 GitHub Actions 定时运行，以及会话过期、2FA 拦截、页面改版和空下载等失败场景的处理方式。作者建议先向供应商索取导出、API 或邮件发票，并提醒先确认门户条款是否允许自动化访问。

    #教程/实践#Agent#部署/工程

  13. 凤凰科技
    AI 评分55

    用户分享 Claude Code 入住安全提示词：90 秒定位隐藏摄像头

    有用户分享了一套 Claude Code 提示词，可在入住酒店或 Airbnb 前扫描隐藏摄像头、蓝牙追踪器和手机可疑程序，据 X 平台用户实测反馈，该方案在 90 秒内定位到浴室镜子后的针孔摄像头。方案将 Claude Code 设为只读的入住安全助手，禁止登录账号、使用默认密码和发起漏洞利用，流程包括用 arp-scan 和 nmap 做 Wi-Fi 扫描、用基于 bleak 的脚本监听蓝牙追踪器特征、用国际特赦组织的 Mobile Verification Toolkit 审计手机，最后输出可疑发现排序表与后续建议。原文也指出局限：网络扫描只能发现处于所连网络中的摄像头，录制到 SD 卡、自建热点或隔离网络之外的设备不会被发现。

    #教程/实践#Agent#Anthropic