Jev 成为 Vercel 史上采用最快的 AI 模型
Vercel 发布的数据显示,决策模型 Jev 在发布两周内被 35% 的付费团队采用,采用范围接近第二名 Sonnet 5.5 的两倍,为 Vercel 平台史上最快。
Vercel 发布的数据显示,决策模型 Jev 在发布两周内被 35% 的付费团队采用,采用范围接近第二名 Sonnet 5.5 的两倍,为 Vercel 平台史上最快。
Google DeepMind 的新模型 Gemini 4 Argon 在 ARC-AGI-3 上得分 97.5%,成为继 OpenAI 之后第二个突破 95% 的 AI 实验室,仅次于 GPT-6 Astra 的 99.9%。
The Verge 三位作者用五台 RTX Spark N1X 笔记本一周后认为,其 GPU 图形性能介于 RTX 5060 与 RTX 5070 Laptop GPU 之间,Blender 渲染追平 M5 Max,但 20 核 CPU 多核被 12 核 M6 Mac Mini 追平,单核明显落后。
实测多款主流无限画布发现,团队协作、画布内 AI 生成、大文件加载三大核心维度差距显著,星宇智算无限画布三项能力同时覆盖、表现突出。测试固定 5 人并发编辑 15 分钟、800+ 节点超大画布等统一基准,覆盖通用白板、普通节点式 AI 画布与专业画布三类产品。
Liquid AI 推出决策模型 d1-ultra,号称“全球最佳”,在八类任务中的表现均优于 TypeSafe AI 发布仅一天的 Jev 1.14,整体表现也超过 vLLM Semantic Router d3 等竞品。Jev 1.14 于太平洋时间 10 月 14 日下午 1:14 发布,支持图像输入、更长的上下文,并拥有新的 "box" 类型。
GPT-6-Astra 在 OpenAI Codex 环境中解出 TheoPhysEval 基准 50 道理论物理题中的 49 道(98%),平均每题成本不足 3 美元,全程约 116 美元。
推荐理由:报告对比了多款主流模型在理论物理常规研究任务上的表现,并解释强计算能力为何尚未转化为物理突破。
Modal ARR 达 10 亿美元并完成 160 亿美元 D 轮融资,估值 5 个月内翻 3 倍、1 年翻 15 倍,从基础设施独角兽升为十角兽。其 2023 年推出的 Sandboxes 已是 3 亿美元年化收入产品,累计启动近 30 亿个沙箱、可扩展至 100 万并发,服务于后台智能体、强化学习和 vibecoding 平台等场景。
Google 工程师 Haydn Belfield 表示,自我改进型 AI 仍遥遥无期,Google DeepMind 未观察到 AI 驱动自身研究加速的可测量迹象。
摄影师 Austin Mann 在科罗拉多州邓顿河谷实地评测 iPhone 18 Pro 相机,认为可变光圈与专业控制让照片整体表现显著提升。可变光圈提供 ƒ/1.48 至 ƒ/4.0 四档,弱光进光量提升 50%;相机 App 还新增手动对焦与曝光分离控制、焦点追踪、摄影风格 3 的胶片质感与颗粒控制。4K 延时摄影与可为照片真实性签名的参考图像功能也首次加入。
Gemini 4 Argon 正式发布,在 Artificial Analysis 的 Intelligence Index 上与 GPT-6 Astra 持平,任务成本约为后者的 60%。
The Verge 评测了去掉摄像头的 Ray-Ban Meta Audio 音频智能眼镜,售价 349 美元起,提供 Clubmaster 和 Burbank 两种款式。
Meta 超级智能实验室(MSL)发布第二代模型家族 Muse Wonder 与 Muse Wonder Full,距实验室成立约 14 个月,第三方评测将其置于前沿水平附近。
YouTube 频道 Jun Yamog 将 4 张英伟达 Tesla V100 组成 NVLink 集群,在 Qwen3.8-Flash-Next 推理测试中跑赢 2 台 DGX Spark 与 M5 Ultra。
Meta 发布前沿模型 Muse Wonder 的两个版本,Muse Wonder Full 在 Artificial Analysis Intelligence Index v4.3 得 56 分跻身顶级模型行列,Muse Wonder 得 52 分。
同一新闻,精选展示《Meta 发布首款前沿模型 Muse Wonder》
Elorian 与 Scale AI 发布 Humanity's Sixth Sense(HSS)基准,测试模型对视觉场景中隐含信息的直觉推理能力,含 522 道题、288 张图片与 234 段共 17.6 小时的视频。
Arena 发布 2026 年第 41 周 AI 大模型排行榜,Anthropic Claude Opus 5.5 Max 新入榜即以 15.53% 净提升度登顶智能体榜第一。gemini-4-argon-high 继续稳居综合榜榜首,ELO 1525 分。国产模型整体处于中上游,kimi-k3-max 位列第 16,qwen3.8-max、mimo-v2.6-pro 等排名稳定。
评测公司 Vals AI 在 Vibe Code Bench 上分别以单个智能体和团队形式测试 GPT-6 Sol 与 Claude Opus 5.5,发现团队成本高出 1.8 至 5.1 倍,四组对比中仅 GPT-6 Sol 在中等推理强度下取得统计显著提升(高 7.3 分)。
Epoch AI 用 InnovationEval 基准让 Claude Fable 5 和 GPT-5.6 Sol 独立设计、实现并验证新的语言模型训练方法,两者均未接近人类参考方法 SDPO,主要停留在复用已知技术。
华为与华东师范大学联合研发的昇腾原生时序预训练模型"七曜模型"成功登顶 TIME-leaderboard 与 GIFT-Eval(Pretrained 类目)双榜单。该模型可直接用于零样本时序预测任务,覆盖电网负荷研判、工业设备异常时序检测、金融趋势分析等核心场景。模型同时支持低成本二次微调,可快速适配各垂直行业定制化需求。
Odyssey 将生成式世界模型 Odyssey-3 开放为公开研究预览,用户可用文本提示生成并实时探索交互环境。基础模型 14B 参数、生成 832×480 视频,Odyssey-3 Pro 支持 1280×720;官方称其在 Physics-IQ Verified 得分 66.1,但该成绩来自单次运行且经过八选一筛选,未满足四次运行的要求,不做筛选时平均 63.37 分。
TypeSafe 的 Jev 发布三周后 ARR 超过 $100M、估值达 $7.5B,成为各厂商对标的决策模型品类标杆。
The Verge 作者实测 AI 智能体 Instinct 后认为,面对 Meta 的 Muse 与 OpenAI 的 Dots,这款初创产品仍有一战之力。
作者自 2025 年 7 月起在家中实测 Amazon 的生成式 AI 助手 Alexa Plus,认为它是自己用过最好的智能家居助手,但作为个人助理仍不成熟。
Odyssey 于 10 月 8 日宣布推出 Odyssey-3 系列基础世界模型,其中 Odyssey-3 Pro 在 Physics-IQ Verified 视频到视频基准测试中取得 66.1 分,创该榜单最高纪录。
OpenAI 本周发布数百份声称解决世界级数学难题的证明,但未达到数学与人工智能顾问组 AGMAI 制定的多项标准。719 份手稿中仅 10 份公开了模型思维链,42% 的证明未经形式化验证;剑桥大学与伦敦国王学院的论文还发现 OpenAI 对 Navier-Stokes 衍生问题给出的自然语言证明与 Lean 代码存在至少两处不一致。
加州非营利组织 Common Sense Media 发布报告,将 ChatGPT 青少年模式评为“风险不可接受”,呼吁 OpenAI 暂停推广该产品,并在确保安全前不让青少年使用。
GitHub 推出开源 AI 代码评审基准 ReviewBench,语料基于 103.9M 个真实 pull request 的语言与仓库规模分布建模,包含来自 187 个开源仓库的 219 个 PR、19 种语言。
推荐理由:原文讲清了 ReviewBench 的语料构建与指标设计,做代码评审智能体的团队可以照同样的思路建立自己的离线评估。
OpenAI 发布 GPT-6.1 Sol,输入/输出定价为 $2/$10 每百万 token,据报在 DeepSWE v1.1 上领先 GPT-6 Sol 6.4 分。
Google DeepMind 发布 Gemini 4 Argon,定位编码、企业知识与网络防御,称在 19 个已发布基准中的 13 项排名第一,但目前仅向 Fairwind 计划的政府与可信网络防御者开放。
推荐理由:原文对照了官方基准与 Artificial Analysis、Vals 等第三方评测,读者可据此判断 Argon 的实际水平与适用场景。
Hugging Face 推出 Open TTS Leaderboard,用客观指标评测开源多语言 TTS 与语音克隆模型。榜单以 Qwen3 ASR 转写计算 WER/CER 衡量可懂度,以 RTFx 和 TTFA 衡量 H200 GPU 上的批量推理与流式延迟,并以 WavLM 嵌入余弦相似度衡量说话人相似度,把单个模型评测从数周缩短到数小时。
推荐理由:原文对比了人工偏好竞技场与客观指标评测,说明新榜单用 WER、RTFx、TTFA 和说话人相似度补齐开源 TTS 评测的缺口。
本期 Import AI 介绍 DiG-bench,一个由 70 个隐藏规则游戏组成的发现能力基准,其中 21 个公开,目前 Opus 5 与 Fable 5(搭配 Claude Code)表现最好,但 Tier 7 成功率仅约 0.2,而人类可达到 100%。
Microsoft Research 提出 MindTopo 基准,围绕连通性、分离、顺序、包围和打结五类拓扑性质,评估多模态模型在静态场景识别与交互式规划两层的表现。测试显示模型静态推理 consistently 强于交互规划,且均远低于人类水平,错误多发生在规划阶段,如丢失结构关系或提出违反物理约束的动作。图像与视频生成工具仅在单帧可见关系时偶有帮助,跨多步动作时并不可靠。