跳到正文
10月28日周三
10月27日周二
10月26日周一
  1. Import AI39

    Import AI 478:用于对齐的数学;ProgramBench;Mirendil 展示 RSI 的含义

    Resolution(原 Sequent)用智能体自动形式化奇点消解,耗资约 $135,000、生成约 600k 行 Lean 代码。Claude Opus 5.5 (xhigh) 在 ProgramBench 得 18.5%,该 benchmark 今年 5 月发布时所有受测模型均为 0%。OpenAI 红队测试发现智能体能利用处理器缓存时序差异,在隔离的 microVM 间通信。

10月25日周日
10月24日周六
  1. IT之家77

    中国信通院:6 月国内词元日均消耗量约 500 万亿,是 2025 年 12 月的近 4 倍

    中国信通院等机构联合发布《大模型词元服务性能监测报告(2026 年)》,2026 年 6 月国内词元日均消耗量约 500 万亿,是 2025 年 12 月的近 4 倍。

    推荐理由:报告用吞吐速度、首词时延和价格等监测数据,量化呈现国内外词元服务性能差距及价格回升趋势。

  2. Latent Space77

    月之暗面发布 Kimi K3.1 Pro:2.8T MoE 开源权重模型,权重将于 11 月 4 日开放

    月之暗面(Kimi)发布 Kimi K3.1 Pro,多模态 MoE 架构,总参数 2.8T、激活参数 104B、上下文窗口 100 万 token,API 已上线并承诺于 2026 年 11 月 4 日放出权重。

    推荐理由:汇总了 Artificial Analysis、Arena 等第三方独立评测与定价信息,可对照官方宣传判断该模型的实际能力边界。

10月23日周五
  1. 少数派27

    TDS 评测|OPPO Enco X4 降噪真无线耳机体验

    TDS Studio 评测了 OPPO Enco X4 降噪真无线耳机,其降噪能力属于 TWS 第一梯队,但当前固件版本开启降噪时存在可察觉底噪。耳机采用 11mm 与 6mm 同轴双动圈单元,支持 LHDC 5.0 及 LHDC Lossless 48kHz/24bit,实测单次续航 14 小时 39 分钟,并具备 IP55 防尘防水与 39ms 低延迟游戏模式。

  2. 极客公园40

    硅谷爆火的两万块 Eight Sleep 智能床,是智商税吗?我睡了 100 天

    花两万元试睡三个月后,结论是硅谷智能床套 Eight Sleep Pod 5 并非智商税,但只对温度敏感、睡眠有小毛病的人有效。Eight Sleep 今年 4 月进入中国市场,Pod 5 半年在 INNO 100 卖出 600 万元,随后推出参数升级的 Pod 6。床套通过主机调节水温,支持左右分区精调与睡眠中自适应调温,能减少夜间冷热惊醒,但解决不了所有失眠问题。

  3. IT之家64

    中国信通院报告称 2026 年国内大模型均价与每秒吞吐量均翻倍

    中国信通院等机构联合发布《大模型词元服务性能监测报告(2026 年)》,显示 2026 年国内大模型每秒吞吐量与归一化均价较 2025 年均接近翻倍。8 月国内模型平均 TPS 为 78.23 个/秒,2026 年以来归一化均价 13.46 元,而 2025 下半年为 6.8 元;平均 TTFT 升至 1.26 秒,上下文达 1M 的模型占比 47.8%。

  4. Hugging Face Blog71

    OlmoEarth v1.3 发布:覆盖全球的卫星嵌入模型与 Embeddings Explorer 工具

    AI2 在 Hugging Face 发布 OlmoEarth v1.3 卫星嵌入模型,同时开放全球预计算嵌入(10m 分辨率、64 与 128 维)及浏览器工具 Embeddings Explorer,无需登录或 GPU 即可使用。

    推荐理由:原文给出 27 项评测的横向对比、训练成本与开放入口,读者可据此判断卫星嵌入能否替代现有微调流程。

10月22日周四
10月21日周三
  1. Hugging Face Blog65

    FairStress:深入评估 LLM 决策中的公平性

    AI2 发布 FairStress 公平性基准,用 300 个双人决策场景和匹配的对抗性前缀测量 LLM 在招聘、信贷、医疗等 29 个领域中的公平性。基准可扩展为超过 1300 万个测试用例,并提供基于项目反应理论选取的 50K 条 FairStress-Core 子集。

    推荐理由:原文提出用对抗性前缀测量 LLM 决策中隐藏的人口统计学不对称,并比较了九种去偏干预的实际效果。

10月20日周二
  1. 掘金40

    10款模型写公交 App 实测:slogan 为什么两极分化

    10 款模型为公交出行 App「站至」写 slogan,由非参赛的 gpt-5.6-sol 按七个维度各打 0-1 分,GPT-6-Sol 以均分 0.95 居首,Kimi-K2.6 因正文留空、格式 0.00 而以 0.32 垫底。MiniMax-M2.7 与 MiniMax-M3 把思考文本混进交付物,格式分仅 0.46/0.30。分化点不在文笔,而在多重硬约束下的交付完整性。

10月19日周一
  1. 掘金81

    DeepSeek-V4.1-Flash-1017 上手实测:3D 直出效果到底如何

    作者花半天用 DeepSeek-V4.1-Flash-1017 直出四个项目(雨夜公交站、3D 飞行特斯拉、3D《千里江山图》、折叠掌机),都能跑但都不达预期:模型能把元素堆上去,却看不出比例、相机穿模、折叠结构等空间关系问题。

    推荐理由:作者用四个有现实参照的 3D 项目实测,发现模型能交付初版但缺乏空间自检能力,读者可据此判断它适合接哪类任务。

10月18日周日
  1. The Decoder76

    四个 Gemini 4 Argon 智能体在无人工干预下通关《我的世界》

    谷歌 DeepMind 的四个 Gemini 4 Argon 智能体首次在无人工输入的情况下通关《我的世界》并击败末影龙。智能体被放入随机生成的世界,未获分配角色、策略或专用工具,自行分工、互相预警、从阵亡队友处取回物品,并把错误记录到共享记忆中。

    推荐理由:原文给出通关全程的关键数字与成本,读者可据此判断智能体自主协作在开放环境中的实际边界。

  2. 掘金83

    实测 DeepSeek V4.1-Flash-1017:一句话生成可玩游戏,但思考会吃掉大部分输出预算

    DeepSeek 于 10 月 17 日 18:07 将 V4.1 Flash 更新到 V4.1-Flash-1017,网页端、App、API 三端同步切换,API 名 deepseek-flash 与价格均不变。

    推荐理由:实测发现 high 推理档下思考会吃掉大部分输出预算,代码生成需把 max_tokens 给足 32,000 以上,否则交付物被截断。

  3. The Decoder70

    新基准 Taste-Bench 显示 AI 智能体长期决策能力接近随机

    研究者提出 Taste-Bench 基准,利用智能体运行轨迹中的决策分叉衡量长期决策质量。该基准含 502 道二选一题,14 个模型参测,最好的 GPT-5.6 Sol 平均正确率仅 59.7%,当关键线索只在后续工作中才出现时准确率降至 21%。研究者还将教师模型判断蒸馏进 Qwen3.6-27B,使 41 个 SWE-bench Pro 任务的成功率从 14.6% 提升到 33.7%。

10月17日周六
  1. 掘金84

    DeepSeek-V4.1-Flash-1017 上线:编程与工具任务增强,价格不变

    10月17日 DeepSeek-V4.1-Flash-1017 上线,网页和 App 同步更新,API 价格保持不变,重点加强编程和工具任务能力。官方演示展示了从头开发赛车游戏、故宫3D场景和 Godot 游戏原型,DeepSWE v1.1 通过率从 74.2% 升到 77.0%,Terminal-Bench 4.0 从 31.2 升到 42.3。

    推荐理由:原文把通过率提升、token 计费方式和接口价格放在一起,读者可以据此估算用新版完成编程任务的实际成本。

  2. IT之家49

    223 道题、2651 条标准:阿里 Qwen 开源 BlenderWorld,给 AI 出了一套 3D 建模大考

    阿里 Qwen 团队开源 BlenderWorld 基准,用于评测视觉智能体在 Blender 中完成真实 3D 创作任务。该基准含 223 个任务和 2,651 条评分标准,要求 AI 交付可编辑的 .blend 工程文件,而非仅生成图像。项目采用 MIT 许可证,代码与数据集已发布至 GitHub、Hugging Face 和 ModelScope,支持任意生成框架接入测试。