N全部新闻

全部新闻

星期三23 条

  2. TechSpot解读
    AI 评分53

    DLSS 5 新模型实测：渲染速度提升约八成，画质问题仍在

    TechSpot 实测 NVIDIA 十月更新的 DLSS 5 模型，在 RTX 50 系列上 4K 渲染速度平均提升 83%、1440p 提升 94%，未达到官方宣称的两倍。以 NBA 2K27 为例，RTX 5080 在 4K 下帧率从 53 FPS 升至 78 FPS，但相比关闭 DLSS 5 仍有 58% 的性能损失。作者指出画质与初版基本持平，光照闪烁、远距离肤色异常和角色边缘光晕等问题依然存在。

    #评测/基准#图像生成#数据/训练

  3. 虎嗅解读
    AI 评分53

    开发者借 AI 逆向工程在红米等安卓手机运行 iOS 16

    开发者 dipa-studio 在红米 Note 10 Pro 上成功引导运行 iOS 16.7.16，可进入桌面、操作设置和控制中心，随后红米 Note 12、Nothing Phone、一加12 等设备也出现同类演示。移植过程大量借助 Claude、Codex 编写驱动适配代码，还出现了自动分析硬件接口的逆向工具 REA。当前版本蜂窝网络、蓝牙、相机、扬声器均不可用，GPU 硬件加速未打通导致卡顿，开机需等待 4 分钟，代码签名校验和沙盒限制也被放宽，仅适合尝鲜演示。

    #现象/趋势#开源生态#Agent

  4. 邵猛解读
    AI 评分65

    MIT 6.S950 更新第五讲 Harness 讲义：用 300 行教学 Agent 拆解 Agent 工程

    MIT 公开课 6.S950 Agency with AI 更新了第五讲 The Harness 讲义，用一个约 300 行 Python、仅含 search 和 read_lines 两个工具、本地跑 Ollama 的教学 Agent Baby Anigans 拆解 Harness 的工作方式。讲义把 Agent 概括为 LLM 加 Harness，讨论可观测性上厂商把上下文摘要、推理过程加密封装到 API 后的透明度取舍，并把上下文管理、强制拦截、最小权限等做法追溯到 1965 至 1975 年的系统原则。讲义还指出没有通用最优解，5 个模型里有 4 个在不同基准上的最佳 Harness 不同。

    引用meng shao · @shao__meng

    https://t.co/JzUMfOAEZj

    #教程/实践#Agent#MCP/工具调用

  5. Artificial Analysis解读
    AI 评分62

    Devin Fusion 双模型配置在 Coding Agent Index 得 68.1 分

    Artificial Analysis 用 Claude Opus 5.5（max）加 GPT-6 Luna（high）副手测试 Cognition 的 Devin Fusion CLI，在 Coding Agent Index 上得 68.1 分，略高于 Claude Code 配 Claude Opus 5.5（max）的 66.0 分。每任务成本为 9.01 美元对 13.04 美元，平均耗时 55 分钟对 65 分钟。三项基准中，DeepSWE v1.1 为 72.6% 对 68.4%，SWE-Atlas-QnA 为 69.6% 对 66.4%，Terminal-Bench 4.0 为 62.1% 对 63.1%。成本按 API 逐 token 计费，不含订阅价格。

    #评测/基准#Agent#编码

  6. 上观新闻解读
    AI 评分69

    RoboColiseum 具身评测：Claude Opus 5.5 综合登顶，操作层仍落后策略模型

    具身评测平台 RoboColiseum 公布首轮实测成绩，Claude Opus 5.5 以 76.28 分在四款旗舰模型中排第一，GPT-6 Astra 以 75.99 分紧随其后，GPT-6.1 Sol 和 Gemini 4 Argon 分别为 70.91 分和 66.86 分。四款模型共用相同控制框架和原始任务指令，零样本、零任务微调入场；在抓取、开门、倾倒、分拣等通用操作上得分仅 38.79-46.70，低于专用策略模型的 63.20-66.13，总榜前两名由 Paimon（77.54 分）和 HiDream-O1-Embodied（76.92 分）占据。Astra 指令跟随得分 99.35、扰动适应最强，但灵巧手与精细插接仍是短板，叠碗、取书、手机充电等任务失败。

    #评测/基准#具身智能#Agent

  7. gihyo.jp解读
    AI 评分55

    如何设计安全运营中的 AI 成本控制：在保持精度的同时压低支出

    一位安全运营团队负责人介绍了用分层筛选控制 AI 检测成本的做法，其团队把 Trust & Safety 场景的 AI 检测成本降到每天约 1 美元。做法是先用规则过滤掉大部分明显事件，只把少量事件送进 LLM，再让轻量模型做一次判定、只把低置信度事件交给更强的模型；团队测试发现，在目标用途上轻量模型与前沿模型的精度差只有 1% 到 2%，而前沿模型每 token 成本约为前者的 5 倍。作者还提到，其团队为智能体检测编写的提示词超过 1900 词，并强调成本应在设计阶段就纳入考虑。

    #教程/实践#安全/对齐#部署/工程

  8. 邵猛解读
    AI 评分59

    如何用决策模型做 LLM Evals：从阈值调优到概率校准的完整实践

    文章介绍如何把决策模型当作廉价 LLM Judge 做自动评估，并基于 98 条公寓租赁 AI Agent 真实生产 trace（61 条失败、37 条无失败）对比 Jev、Perplexity Decider、Liquid d1、Cloudflare Clef、OpenAI Decisions API 五家模型。作者用分层五折交叉验证在训练折选阈值、留出折测量，发现调优阈值对原本不达标的模型收益明显，Perplexity 每 100 次评估 0.82 美分、F1 0.79，OpenAI Decisions F1 0.87 但贵约 4.5 倍。可靠性图显示部分模型分数严重失准，Clef Flash 一组预测失败概率约 8% 的样本实际失败率达 60%，Platt scaling 修复三个模型却让 OpenAI 的 Brier 从 0.159 升到 0.164。

    引用Hamel Husain · @HamelHusain

    New blog post 🎉: How To Use Decision Models For Evals In this post, we show you how to choose a decision model for your task, tune its threshold (don't assume the 0.5 default is good!), and interpret its scores. Lots of cool interactive charts here. https://t.co/uYAfte9Kb5

    #教程/实践#评测/基准#Agent

  9. 邵猛解读
    AI 评分60

    Uber 用 AutoClean 清理 1.6 万个过期 Flag 和百万行代码的 Agent 工程实践

    Uber Engineering 团队用 AutoClean 系统自动清理已全量上线的过期 feature flag，累计清理 1.6 万多个 flag、超过 100 万行代码。系统分三阶段：Agent 通过 MCP 调用确定性引擎 PolyglotPiranha 做条件化简改写，以 monorepo 全量 CI 为准并收窄修复器权限，最后交给由多个专门审查 Agent 并行检查的 CodeCourt 验证层。团队把约束从执行循环剥离到验收端，因为长任务 Agent 指令一多就容易遗漏约束、只追求 CI 通过。

    引用Uber Engineering · @UberEng

    Over 1 million lines of dead code removed. 🧹 Meet AutoClean, Uber's AI-powered system that's cleaned up 16,000+ stale feature flags using AI agents, deterministic code transformations, and validation. https://t.co/NMJqwrYnhF

    #教程/实践#Agent#编码

  10. 马东锡 NLP解读
    AI 评分51

    Hamel Husain 发布教程：如何用决策模型做 Evals

    Hamel Husain 发布新博客，讲解如何用决策模型做 Evals，包括为任务选择决策模型、调整其阈值（不要默认 0.5 合适）以及解读模型给出的分数，文中配有多个交互图表。马东锡 NLP 转发时提到，近期出现的决策模型包括 TypeSafe 的 Jev、Perplexity 的 Decider、Cloudflare 的 Clef 和 OpenAI 的 Decisions API，它们输出概率而非长文本，常被用作 LLM-as-a-Judge 的替代方案。

    引用Hamel Husain · @HamelHusain

    New blog post 🎉: How To Use Decision Models For Evals In this post, we show you how to choose a decision model for your task, tune its threshold (don't assume the 0.5 default is good!), and interpret its scores. Lots of cool interactive charts here. https://t.co/uYAfte9Kb5

    #大佬观点#评测/基准#推理

  11. Arena解读
    AI 评分58

    GPT-6 Luna 与 GPT-6.1 Sol 占据 Agent Arena Pareto 前沿 6 个位置

    Arena 的 Agent Arena Pareto 前沿共 11 个位置，OpenAI 的 GPT-6 Luna 与 GPT-6.1 Sol 按不同推理档位占据其中 6 个。GPT-6 Luna 在每任务低于 $0.10 的区间拿下 4 个最优位置中的 3 个，覆盖 Max、Medium 和 Low 档；GPT-6.1 Sol 则覆盖每任务 $0.22 至 $0.65 区间。加上 GPT-6 Astra（Max），OpenAI 模型共占 7 个前沿位置，Arena 据此指出切换推理档位有时比换模型更能保持在成本与性能的最优点。

    引用Arena.ai · @arena

    Update to the Agent Arena Pareto frontier: GPT-6 Luna (Max) has landed on the Agent Arena Pareto frontier with +1.59% net improvement at a median cost of just $0.05 per task! Luna costs 29% less than DeepSeek-V4.1-Flash and 76% less than Hy4 preview, while trailing their net-improvement scores by just 2.27 and 2.51 percentage points respectively. Compared to other GPT models on the Pareto frontier, GPT-6 Luna (Max) costs 94% less than GPT-6 Sol (Max), and 98% less than GPT-6 Astra (Max). Congrats to the @OpenAI team on this cost-efficient release!

    #评测/基准#Agent#推理

  12. AWS Machine Learning一手解读
    AI 评分51

    i14 在 AWS Trainium2 上用原生 PyTorch 训练与部署 Laplace 3B 线性注意力模型

    i14 与 AWS 合作，用 TorchNeuron Native 在 AWS Trainium2 上训练并部署了基于 Gated Linear Attention 的 Laplace 3B，单台 trn2.48xlarge 训练吞吐约 120,000 tokens/s。该模型每序列循环状态固定为 29.5 MB，不随上下文长度增长，推理在 1,280 并发序列下达到 11,544 output tokens/s。团队还通过 Muon 的 all_to_all 通信改造把每卡通信量降低 24 倍、训练吞吐提升 1.63 倍。

    NeuronCore-v3 internal architecture

    #教程/实践#数据/训练#部署/工程

  13. Simon Willison解读
    AI 评分58

    Simon Willison 用 Claude Code 做出音频联机的 RTS 游戏 Battle Drones

    Simon Willison 发布用 Claude Code 全程 vibe coding 开发的即时战略游戏 Battle Drones，经过 12 个大版本、321 次提交，可在手机和桌面浏览器运行。游戏包含 9 种建筑、7 种地面载具、6 种空中载具和 3 种步兵单位，支持战争迷雾、随机地图生成、AI 对战 AI 以及两个 LLM 互相对战的 Agent 对战模式。他还实现了两台设备通过麦克风音频同步游戏状态的联机方式，并因音频引发头痛问题补充了基于 WebSockets 中继服务器的在线联机。

    #教程/实践#Agent#编码

  14. The Guardian Technology解读
    AI 评分60

    Darmok 在《泰晤士报》隐晦填字决赛中快于人类冠军

    由 Sid Chatterjee 开发的程序 Darmok 在《泰晤士报》年度隐晦填字竞赛的最后一题上比人类冠军 Liam Hughes 快约三分钟完成。Darmok 基于 Gemini 3.1 Pro、Claude Fable 5、GPT-5 和 GPT-6 Astra 四个模型，主要由前两个模型解题，必要时其余模型加入。Chatterjee 将今年的进步归因于前沿模型能力提升，以及让 Darmok 先尝试完所有线索再填入答案等改进。

    #现象/趋势#推理#评测/基准

  15. Testing Catalog解读
    AI 评分63

    Krea 3 Ultra 与 Fast 进入 Artificial Analysis 图像编辑榜前五和第十一

    Krea 3 Ultra 与 Krea 3 Fast 在 Artificial Analysis 图像编辑榜分别位列第 4 和第 11。Krea 3 Ultra 得分 1151，比 Google 的 Nano Banana 2.1 低 1 分；Krea 3 Fast 得分 1125，比 Nano Banana 2 高 1 分。Krea 3 的速度是 GPT Image 2 的 10 倍、Nano Banana Pro 的 4 倍，1K 定价每张 0.03 美元，2K 每张 0.06 美元。

    引用Krea · @krea_ai

    today, Krea 3 makes it to the top of image arenas. - "Fast" pushes the pareto curve of speed and quality. - "Ultra" ranks top-4, only surpassed by OpenAI models. the only company valued under $1T in the top-10! more below 👇 https://t.co/BD8aVEI1WY

    同一事件 · 2 条报道

    #评测/基准#图像生成#OpenAI

  16. Arena解读
    AI 评分58

    Krea 3 Ultra 进入 Arena 单图与多图编辑榜，多图编辑排第 4

    Krea 3 Ultra 已进入 Arena 的单图编辑竞技场和多图编辑竞技场。在多图编辑竞技场中它以 1435 分排第 4，其中商业设计和 3D 分类排第 2，卡通/奇幻和文字渲染排第 4；在单图编辑竞技场中它以 1411 分排第 8，商业设计、卡通/奇幻和文字渲染排第 6，3D 排第 8。按实验室排名，Krea 在多图编辑中列第 4、在图像编辑中列第 5。

    引用Krea · @krea_ai

    today, Krea 3 makes it to the top of image arenas. - "Fast" pushes the pareto curve of speed and quality. - "Ultra" ranks top-4, only surpassed by OpenAI models. the only company valued under $1T in the top-10! more below 👇 https://t.co/BD8aVEI1WY

    #评测/基准#图像生成

  17. Artificial Analysis解读
    AI 评分63

    Krea 3 Ultra 在 AA 图像编辑榜排第 5，Fast 模式第 11

    Artificial Analysis 在 AA-Image-Editing v2.1 榜单上测得 Krea 3 Ultra 排第 5，编辑质量接近 Nano Banana 2.1 和 MAI-Image-2.6，默认的 Fast 模式排第 11。Ultra 是 OpenAI、Google、Microsoft 之外排名最高的图像编辑模型，在 17 个分类中有 15 个进入前 7，动画与游戏、Frontier 两类均列第 2。价格方面，Fast 每 1K 图像 0.03 美元、每 1K 参考图 0.02 美元，Ultra 仅支持 2K 输出，一张 1K 参考图的 2K 编辑为 0.27 美元。

    同一事件 · 2 条报道

    #评测/基准#图像生成

  18. Artificial Analysis解读
    AI 评分61

    Artificial Analysis：Intelligence Index 达 30 分的成本比首次达到时低 86 倍

    Artificial Analysis 基于 v4.3.2 实测结果和当前价格统计，Intelligence Index 达到 30 分的单任务成本比首次达到该分数时低 86 倍，GPT-6 Luna (high) 以 $0.03/task 达到 30 分，而 Claude Sonnet 4.6 在 2026 年 2 月首次达到 30 分时为 $2.49/task。达到 20 分的成本比约 13 个月前低 123 倍，达到 40 分比约 5 个月前低 33 倍，Claude Haiku 5.5 (xhigh) 以 $0.12/task 达到 41 分，是达到 40 分最便宜的模型。最高实测分数一年内从 21 升到 58，成本约为 11 倍，Claude Opus 5.5 为 $5.98/task。

    #现象/趋势#评测/基准#OpenAI

  19. Tessl：产品与工程博客一手解读
    AI 评分51

    Aviator CEO 分享如何用意图验证替代逐行代码审查

    Aviator 创始人兼 CEO Ankit Jain 介绍其团队在 AI 生成代码占比上升、PR 量达到一年前四倍后，放弃逐行阅读 diff，改为在代码生成前审查验收标准、约束和边界情况，并对每条标准给出带证据的确定性结论。团队还把历史 PR 中反复出现的评审意见整理成可复用的不变量规则，由机器在每次变更时执行，例如涉及货币一律使用 Money 类型、禁止直接写 users 表。作者称这一转变需要约三个月，之后代码审查不再是交付瓶颈。

    Ankit Jain

    #教程/实践#编码#Agent

  20. AWS Machine Learning一手解读
    AI 评分65

    AWS 发布 Agent Registry 运行时工具发现实践

    AWS 介绍 Agent Registry 的运行时工具发现方案，智能体通过语义与关键词混合搜索找到已审批的 MCP 服务器和 A2A 智能体，再按描述符即时构建客户端执行请求。示例代码基于 Amazon Bedrock AgentCore Gateway 与 runtime，把订单管理 MCP 服务器和定价、客服两个 A2A 智能体接入，并演示纯语义匹配的退货退款场景。注册表只返回连接元数据，调用凭证需另行通过 Cognito OAuth 或 IAM 获取，新增能力无需改动编排器代码。

    Comparison of hardcoded tool endpoints versus runtime discovery with AWS Agent Registry

    #教程/实践#Agent#MCP/工具调用