全部新闻

钛钛媒体 · AGI20:31解读

AI 评分66

实测 Kimi K3.1 Pro：Terminal-Bench 4.0 升至 67.2%，能自行修复模拟器错误

作者实测月之暗面 K3.1 Pro，在 Artificial Analysis 综合指数中从 K3 的 44 分升到 55 分，Terminal-Bench 4.0 从 12.6% 升到 67.2%。官方演示中模型编写模拟器并训练虚拟人行走，还自行修复了 36 处肩部肌肉力臂计算错误。作者用七道编程题测试，物理模拟、音频分析和简单视频剪辑已可用，部分视觉题的空间关系仍需检查。

#评测/基准#Agent#编码

邵邵猛20:16

AI 评分55

开源 Skill dimensional-drawing：让 Agent 为 UI 组件画苹果配件风尺寸图

开源 Skill dimensional-drawing 可将组件源码、Storybook、URL 或截图转成一页苹果配件尺寸图风格的单色技术图，画的是间距、圆角、图层和视口落位等架构信息而非文案。配套 Motion skill 能把成图做成约 10 秒的绘制动画，主路径用 Claude Motion 导出 MP4，无 Claude 时可用 Node 18+ 与 ffmpeg 的 headless 方案。安装方式包括把 skills/* 拷进 ~/.claude/skills/、在 claude.ai 的 Settings → Capabilities → Skills 上传 zip，或运行 npx skills add enesozturk/dimensional-drawing。

引用Enes · @enesozturkdev

Made a skill for dimensional drawings of UI components. Inspired by Apple's accessory drawings, it documents a component's architecture into a spec sheet. https://t.co/KKb9sOgTN8 https://t.co/0Z0Kpjk6bD

#开源/仓库#Agent#教程/实践

凤凤凰科技16:28解读

AI 评分63

OpenAI 披露前沿模型离线训练环境，两个被隔离的 AI 靠 CPU 缓存传话

OpenAI 于 10 月 23 日披露前沿模型的训练环境，模型练习搜索、浏览和操作网页时使用预先保存并建立索引的网页资源，不直接访问真实互联网，其所有前沿模型的强化学习训练都采用这种离线交互。环境采用受限容器、轻量虚拟机、Hypervisor、防火墙与身份权限管理、监控暂停机制等多层隔离，但 OpenAI 仍保留部分外部连接用于收集指标、记录日志和管理身份验证。在专门测试隔离效果的实验中，OpenAI 让两个 AI 尝试互相传消息，所用通道是 CPU 缓存，多数测试中研究人员给过通信方向或编码规则的提示；OpenAI 称已修补发现的问题并为这些通信方式增加监控。

同一事件 · 20 条报道

#安全/对齐#Agent#OpenAI

阿阿易 AI Notes14:35

AI 评分60

Simon Willison 用一句提示词让 Claude Opus 5.5 为网页游戏加四人对战地图

Django 联合作者 Simon Willison 用一句英文提示词让 Claude Opus 5.5 为他的网页游戏新增四人对战地图，并把网络代码改造成支持四人联机。提示词只给出四向旋转对称、最多四个 AI 玩家、基于现有 WebSocket 非音频联机模式、空位由 AI 补齐这四项约束，未指定文件和代码行。作者据此认为，写提示词应少写步骤、把边界条件钉死。

#大佬观点#Agent#编码

邵邵猛09:25解读

AI 评分68

Claude 博客：构建 Agent 时何时把子 Agent 折进主循环，Skills 渐进披露常优于多专家编排

Claude 博客讨论构建 Agent 时何时把子 Agent 折进主循环，认为在 Claude Platform 上单个主循环加按需加载的 Skills/工具，在多项内部对比中质量常更好、成本与延迟更低。文中指出每团队一个子 Agent 加总编排常复制组织架构，带来上下文损耗、Frankenprompt 与局部 eval 等问题，一家客户对比多 Agent harness 与单循环时后者约 2× 更快。子 Agent 只建议留给并行、上下文膨胀或工具与指令冲突等场景，并给出先建端到端 eval、一次折一个的迁移路径。

同一事件 · 5 条报道

#教程/实践#Agent#MCP/工具调用

AArena23:17解读

AI 评分67

Kimi K3.1 Pro (Max) 在 Agent Arena 排名第 11，较 Kimi K3 提升 6 个百分点

Kimi K3.1 Pro (Max) 在 Arena 的 Agent Arena 中排名第 11，基于 4K 多真实智能体会话取得 +7.6% 净提升，较 Kimi K3 (Max) 的第 25 名上升 6 个百分点。其每任务中位成本为 $1.03，比上一版本低 13%，在 Work、Code、Chat 三个类别中分别排第 8、第 9 和第 10。Arena 表示该模型开放权重即将发布，届时将成为 Agent Arena 中排名第一的开源模型，超过 DeepSeek-v4.1-Flash。

引用Arena.ai · @arena

Big news: @Kimi_Moonshot is back in the top-4 labs in the Code Arena: WebDev with the release of Kimi K3.1 Pro! This model just landed #8 in the Code Arena: WebDev with 1692 pts, matching Claude Opus-5 (Max) at 70% lower cost. This is a 9 place jump (+37 points) from Kimi K3 (Max) at #17 with 1655 pts. Kimi K3.1 Pro improved from Kimi K3 across all categories. Highlights: - #7 in Brand & Marketing (up from #9) - #9 in Simulations (up from #20) Cost efficiency is another upgrade. Priced at $2/$10 per million input/output tokens, Kimi K3.1 Pro (Max) has a median cost per task of $1.23 (29% less than Kimi K3). See its placement compared to the Pareto frontier in thread. With open weights coming soon, Kimi K3.1 Pro would be the new #1 open model in the Code Arena: WebDev, overtaking DeepSeek-v4.1-Flash. Stay tuned! See @Kimi_Moonshot’s ranking by lab, and 3D generations from Kimi K3.1 Pro below in thread. Huge congrats to the @Kimi_Moonshot team on this release!

#评测/基准#Agent#开源生态

AAhead of AI20:10解读

AI 评分60

Sebastian Raschka 发布 11 小时推理模型从零构建视频课程

Sebastian Raschka 发布 8 个推理模型从零构建的编程视频，共 11 小时，用 Python 和 PyTorch 从预训练的 Qwen3 0.6B 模型出发实现评测、推理时扩展、强化学习和蒸馏。课程先构建数学答案验证器并在 MATH-500 上评测，再实现温度采样、top-p 过滤与自一致性，随后用简化版 GRPO 做 RLVR 训练，最后用 DeepSeek R1 生成的答案蒸馏小模型。内容配套其《Build a Reasoning Model (From Scratch)》一书，早期文本生成与评测示例可在 CPU 上运行，后续训练实验建议使用 GPU。

同一事件 · 2 条报道

#教程/实践#推理#数据/训练

虎虎嗅20:08解读

AI 评分60

开发者用 Claude Code 改造小米电视，CleanYourTV 开源项目获约 1.37 万 Star

开发者 Gathin 用 Claude Code 通过 Wi-Fi 接入小米电视，停用 25 个系统组件并重写极简桌面，随后把 prompt、桌面源码和踩坑记录开源为 CleanYourTV，数天获约 1.37 万 Star。另一位 YouTuber Ansub Khan 的 TV Detox 项目实测让电视可用内存从约 370MB 升至 600—650MB。文章指出这类工具只能清理系统层预装包与官方桌面，无法清除流媒体 App 内的贴片广告和促销弹窗，并提到相机圈也在借 AI 恢复被隐藏的固件功能。

#现象/趋势#Agent#开源生态

邵邵猛17:50解读

AI 评分62

Netflix 用本体和 RDF 知识图谱构建可观测性体系，支撑 AutoRCA 排障

Netflix 构建 Observability Ontology 与 RDF 知识图谱 QuipuDB，用类型约束把 LLM、模糊匹配等非确定性输出收成可 SPARQL 查询的确定性三元组，再喂给 AutoRCA。图谱覆盖约 12 个命名空间，Application 对照约 4.9 万软件目录校验；Correlation Engine 读取 13 类信号，在约 10 分钟窗内按时间邻近与严重度找路径，置信度低于 0.6 的相关链被丢弃。作者还整理了自建时的八条原则，并提到下一步计划与 Netflix UDA 的领域建模语言 Upper 对接。

#教程/实践#Agent#RAG

邵邵猛09:51

AI 评分60

Tibo 的 9 步 + 12 提示词全流程：用 Agent 搭建自有 AI UGC 创作者矩阵

邵猛整理了 Tibo 的一套流程，用 Agent 按买家分段设计 3–4 个有固定脸和日常的 AI 创作者，每日完成搜爆款、改写成角色口吻、同脸渲染并提前 24 小时排期，人只审队列和周更话题。流程分 9 步、配 12 条提示词，从接入 Revid MCP 和写 brain.md 总脑开始，到建脸、设话题、拆爆款结构、每日跑批、独立账号运营和周回顾。文中强调账号 bio 标明 AI creator、禁止假评测与健康医疗宣称、产品只占视频一个 beat，且只排期不直发以留人工复核。

引用Tibo · @tibo_maker

https://t.co/DfsTmI4zPE

#教程/实践#Agent#MCP/工具调用

邵邵猛09:20解读

AI 评分80

Shopify 如何用 Remote Dev 让 AI Agent 并行开发移动端

Shopify 为 Slack 中的 AI Agent「River」搭建 Remote Dev，用远程 Mac 机群加挂载在 Linux 上的 Android 模拟器，让 Agent 并行编译、测试 iOS/Android 并做 Live Preview，River 产出的合并移动端 PR 占比从约 6% 提升到约 61%。工程上采用预热池把冷启动超 30 分钟压缩到几分钟，并通过 skill 和封装 SSH 的 CLI 让 Agent 操作远程环境。River 默认多人可见，团队用分类模型 Jev 观察对话、归类失败案例再交给 LLM 找改进。

引用Mustafa Ali · @mustafa01ali

Local machines had become a bottleneck for agentic mobile development at @Shopify, so we gave agents their own remote dev environments. They now author 61% of our merged PRs 🧵 https://t.co/UEohGFp9ql

#教程/实践#Agent#部署/工程

TTesting Catalog08:18解读

AI 评分62

Kimi K3.1 Pro 在 WebDev Arena 升至第 8，Kimi 回到实验室第 4

Kimi K3.1 Pro 在 Code Arena: WebDev 以 1692 分升至第 8，与 Claude Opus-5（Max）持平，成本低 70%；相比 Kimi K3（Max）的第 17 名、1655 分，提升 9 位、37 分。Kimi 因此回到 Code Arena: WebDev 实验室排名前 4。该模型定价为每百万输入/输出 token 2 美元/10 美元，单任务成本中位数 1.23 美元，比 Kimi K3 低 29%；官方称开放权重即将发布，届时它将成为该榜单排名第一的开源模型，超过 DeepSeek-v4.1-Flash。

引用Arena.ai · @arena

Big news: @Kimi_Moonshot is back in the top-4 labs in the Code Arena: WebDev with the release of Kimi K3.1 Pro! This model just landed #8 in the Code Arena: WebDev with 1692 pts, matching Claude Opus-5 (Max) at 70% lower cost. This is a 9 place jump (+37 points) from Kimi K3 (Max) at #17 with 1655 pts. Kimi K3.1 Pro improved from Kimi K3 across all categories. Highlights: - #7 in Brand & Marketing (up from #9) - #9 in Simulations (up from #20) Cost efficiency is another upgrade. Priced at $2/$10 per million input/output tokens, Kimi K3.1 Pro (Max) has a median cost per task of $1.23 (29% less than Kimi K3). See its placement compared to the Pareto frontier in thread. With open weights coming soon, Kimi K3.1 Pro would be the new #1 open model in the Code Arena: WebDev, overtaking DeepSeek-v4.1-Flash. Stay tuned! See @Kimi_Moonshot’s ranking by lab, and 3D generations from Kimi K3.1 Pro below in thread. Huge congrats to the @Kimi_Moonshot team on this release!

同一事件 · 2 条报道

#评测/基准#Agent#编码

AArtificial Analysis08:18解读

AI 评分58

DeepSeek V4.1 Flash 1017 登顶 Artificial Analysis 网络安全指数开放模型榜

DeepSeek V4.1 Flash 1017 在 Artificial Analysis Cyber Index 上以 57% 的得分成为开放可用模型中的第一名，总榜排名第二，落后于通过可信访问计划提供的 GPT-6 Sol（69%）12 分。该指数由 CWE-Bench-AA、DeepsecBench-AA 和 CyberGym-E2E-AA 三项基准组成，主要评测智能体网络安全防御任务。相比前代 DeepSeek V4.1 Flash 的 41%，新版本提升 16 分，主要来自 CyberGym-E2E-AA 从 23% 升至 76%；其每任务成本为 0.42 美元，位于能力与成本帕累托前沿。

#评测/基准#安全/对齐#DeepSeek

AArtificial Analysis08:18解读

AI 评分71

Kimi K3.1 Pro 在 Artificial Analysis 网络安全指数得 64%，居开放可用模型首位

Kimi K3.1 Pro 在 Artificial Analysis Cyber Index 上得分 64%，比此前的开放可用模型领先者 DeepSeek V4.1 Flash 1017（57%）高 7 分，比仅通过 OpenAI 可信访问计划提供的 GPT-6 Sol（Daybreak Blue，max，69%）低 5 分。该指数由 CWE-Bench-AA、DeepsecBench-AA 和 CyberGym-E2E-AA 三项基准组成，K3.1 Pro 在 CyberGym-E2E-AA 上拿到 95%，高于 GPT-6 Sol（Daybreak Blue）的 93%。其单任务成本为 2.81 美元，高于 GPT-6 Sol（Daybreak Blue，max）的 1.77 美元和 DeepSeek V4.1 Flash 1017 的 0.42 美元，原因是每 token 价格虽比 Kimi K3 低 33%，但输入 token 用量约为 2 倍。

#评测/基准#Agent#安全/对齐

AArtificial Analysis08:18解读

AI 评分60

Artificial Analysis：Kimi K3.1 Pro 在智能体知识与编码基准领先，AA-3D 排名或偏低

Artificial Analysis 称 Kimi K3.1 Pro 在智能体知识工作和编码上处于领先模型之列，在 GDPval-AA 和 Terminal-Bench 4.0 上表现靠前，但其 AA-3D 的 Elo 偏好投票仍在收集中，早期迹象显示排名会偏低。其前代 Kimi K3 在 AA-3D 的 22 个模型中排第 12。该机构还展示了 K3.1 Pro 生成的一段 492 米山地自行车下坡 3D 场景，演示中可随时接管转向、踩踏和刹车。

#评测/基准#Agent#编码

AArtificial Analysis08:18解读

AI 评分62

Artificial Analysis 实测 Meta Muse Spark Open 推理吞吐

Artificial Analysis 在 AA-AgentPerf 上发布 Meta 新开源权重模型 Muse Spark Open 的初步测试结果，该模型为 816B 参数、42B 激活的 MoE，在 Artificial Analysis Intelligence Index 上得分 39。测试显示 NVIDIA B300 与 GB300 在吞吐优先配置下每兆瓦功耗均可达约 150M tokens/s，GB300 在 100 tok/s 输出速度下约 108M、B300 约 92M；AMD MI355X 在 65 tok/s 下为 70M tokens/s 每兆瓦。模型 62 层中有 46 层采用 2,048-token 滑动窗口注意力，使 1M 上下文下的 KV cache 需求较全注意力降低约 75%，Meta 发布了 NVFP4 checkpoint，AMD 发布了 MXFP4 checkpoint。

#评测/基准#推理#部署/工程

SSemiAnalysis08:14解读

AI 评分64

SemiAnalysis 实测 Trainium3 的 PyTorch 训练与 Neuron Explorer 剖析器

SemiAnalysis 工程团队在 Trainium3 上实测了原生 PyTorch 训练栈 TorchNeuron 与 TorchTitan，用 Qwen3-32B 在 16 颗 Trainium2 上训练，eager 模式达 11,099 tokens/s、23.89% MFU，compiled 模式达 14,156 tokens/s、30.47% MFU。作者认为 Neuron Explorer 剖析器优于 Nvidia 和 AMD 的方案，但首次编译耗时过长，gpt-oss 训练配方首步编译用了 27 分 17 秒。FlexAttention 测试通过 96 个用例中的 89 个，7 个失败均因编译超时而非数值错误。

#行业动态#数据/训练#部署/工程

AAWS Machine Learning08:14一手解读

AI 评分58

Amazon SageMaker AI 多轮强化学习实操指南：用 Wordle 示例训练 gpt-oss-20b

AWS 发布在 Amazon SageMaker AI 上做多轮强化学习（MTRL）的实操指南，以 Wordle 为例，把智能体与奖励函数部署到 Amazon Bedrock AgentCore，训练作业通过 GRPO 更新 LoRA 适配器。示例中 gpt-oss-20b 在默认推理强度下对留出单词的解题率从 61% 提升到 84%，训练 token 花费约 339 美元，AgentCore 运行时约 79 美元。文章还给出奖励设计的两处反转错误、并发下 token 失效、工具调用退化为纯文本等失败细节，并建议在最终服务的解码设置下做评测。

#教程/实践#Agent#推理

阿阿里云开发者社区 AI23:16解读

AI 评分53

用房价预测比喻讲清模型、参数、训练与推理

文章用房价预测公式解释模型本质是一个系数从数据中学来的数学函数，50、0.2、25 这类学来的数值就是参数，其中权重是连接强度、偏置是常数项。作者区分了训练与推理，并对比房价小模型、GPT-3 的 1750 亿参数和 Llama 2 70B 版本的显存占用，指出模型是算答案而非像数据库那样查答案。文中还提醒模型预测的是模式而非事实，预测质量取决于训练数据的质量与多样性。

#教程/实践#推理#数据/训练

邵邵猛23:13解读

AI 评分65

Claude Fable 5.1 与 GPT-6 Astra 图像隐写实验：截图后仍能解出约八成

作者用 50 条短消息测试 Claude Fable 5.1 的图像隐写能力：只要求把指定句子藏进图里，模型会自发用物体高度等视觉属性编码，另开新会话只给渲染后的 PNG，同一模型仍能解出约 78%（39/50）。交叉解码中 Fable 编码、Astra 解码成功率为 88%（44/50），Astra 编码、Fable 解码为 84%（42/50），Astra 自身解码也是 84%。作者指出这属于图像隐写的早期迹象，但解码要靠工具量测像素，监控工具调用即可发现。

#论文/研究#安全/对齐#多模态