跳到正文
#评测/基准
  1. Hacker News66

    OpenAI 发布 GPT-Rosalind-6 系统卡补充，披露 GeneBench Pro v13 最高推理预算单次尝试成功率为 37.7%

    OpenAI 发布 GPT-Rosalind-6 系统卡补充，披露模型在 GeneBench Pro v13 最高推理预算下的单次尝试成功率为 37.7%，GPT-Rosalind-5.5 为 16.7%。

    推荐理由：系统卡补充同时给出量化生物学评测结果、生物与化学能力等级及防护边界，便于高风险领域部署方对照模型能力和访问控制要求。

  1. 钛媒体76

    可灵 4.0 实测：零真人出镜制作探展视频，距离一站成片仍有差距

    奇点研究社用可灵 4.0 实测 AI 人物与展会实拍素材结合的探展视频，部分镜头接近可交付状态，但稳定成片仍需反复重试。测试拆分为 7 组画面并准备约 3000 字提示词，模型能完成部分推移运镜和音画同出，也会出现主体替换、一镜到底变成硬切、修改后声音乱码等问题。

    推荐理由：实测将可灵 4.0 的单镜头表现与整片交付拆开比较，具体呈现了复杂指令、连续叙事和后期修改中仍需人工兜底的环节。

  2. 钛媒体80

    价格战在中国大模型行业结束了，但成本战才刚开始

    中国大模型行业的价格战已结束，竞争焦点正转向客户完成单任务的实际成本。10月15日至24日，阶跃、DeepSeek、MiniMax、讯飞和月之暗面连续发布新模型；其中 DeepSeek V4.1 Flash-1017 单任务成本由0.40美元降至0.26美元，MiniMax M3.1 Flash 的 Agent 成本降低70%。

    推荐理由：通过对比五家国内厂商的模型更新、任务成本与定价选择，呈现竞争从 API 标价转向任务交付效率的变化。

  3. 36氪66

    美团发布 LongCat-2.5 原生多模态大模型，总参数 1.6 万亿

    美团发布新一代原生多模态大模型 LongCat-2.5，面向长程智能体任务，总参数量为 1.6 万亿。该模型全程在国产算力上训练，36氪称其是目前国产算力上完成的最大训练任务。评测结果显示，其在多项主流基准中的成绩介于 Claude-Opus-4.8 与 Claude-Opus-5 之间，部分评测超过 Claude-Opus-5。

    推荐理由：材料集中给出模型定位、参数量、训练算力来源和基准对标，读者可据此比较其技术定位与相对表现。

  1. The Decoder70

    Vals 研究称中国 AI 模型政治立场复杂，整体亲政府倾向低于预期

    Vals 的研究以政治立场而非事实准确性衡量受测中国 AI 模型，发现其整体亲政府倾向低于预期，但模型间差异显著，拒答默认记为中立。简体中文提示比英语、俄语和西班牙语更常引出亲政府回答，多数受测中国模型也很少直接拒答。以 Qwen3.6 35B 为基础、由 Thomson Reuters 微调的 Thomson 1.0 Small，采用官方立场的比例从 84.6% 降至 15.0%。

    推荐理由：Vals 研究比较提示语言、回答格式、工具接入与定向微调，为理解政治倾向如何随交互条件变化提供了一套分层视角。

  2. The Decoder51

    Google 团队提出 StreamVibe，让视频 AI 判断何时主动提供帮助

    Google 牵头的研究团队提出 StreamVibe 视频智能体，可通过视频理解明确、未言明及执行中变化的意图，并判断何时主动开口。团队以超过183小时的日常与软件录制构建约4,100个样本的基准，由Gemini 2.5 Flash提出帮助时机和内容，再由4名人工评估者一致认可。

    推荐理由：研究用约4,100个样本检验视频智能体的主动帮助能力，并以长视频连续交互揭示回应时机、任务记忆和意图变化的累积误差。

  4. Hacker News59

    GPT-5.6 Sol 在《异形工厂》和平模式下完成自动化通关

    作者让运行在 Codex 中的 GPT-5.6 Sol 以低思考级别完成《异形工厂》和平模式流程，用时 13.5 小时游戏时间并实现火箭发射。测试通过 Python 库让模型在玩家距离和战争迷雾等限制下操作游戏，但蓝色科技阶段出现扩展问题，后期多次依靠人工搬运物资弥补生产线连接失败；整体表现优于此前无法使用运输带的 GPT-5.5。

    推荐理由：作者公开完整运行、生产统计与失败细节，并对比 GPT-5.5 的运输带使用表现，为长时游戏智能体的能力评估提供具体案例。

  5. Hacker News66

    Jepsen测试ParticleDB 1.1.4至1.1.18.11.rc-22，报告96项问题

    Jepsen测试ParticleDB多个版本并报告96项问题，多数可在无故障的单节点环境触发。到1.1.18.11.rc-22，除10项外的问题均看似已解决，但默认occ仍会丢失已提交写入，serializable仍出现内部异常与Lost Update。Orkes随后发布1.1.19-rc.13，声称解决其余问题；Jepsen未测试该版本，本研究由Orkes资助。

    推荐理由：Jepsen以多版本对照和单节点测试梳理ParticleDB的96项问题，并区分已修复项目与仍存在的写丢失及事务异常。

  1. 量子位47

    新芯航途发布X7 Ultra智驾芯片，700 TOPS、NPU计算利用率达98.7%

    新芯航途发布X7 Ultra智驾芯片，700 TOPS，NPU计算利用率达98.7%。芯片采用超大核NPU、专用计算引擎和统一AI工具链，并以真实量产智驾模型进行“大模型算力”评测，量化输出与FP32基准模型相似度超过99.99%。官方称，相比行业旗舰产品，内存带宽消耗降低80%、能效提升100%，测试涉及Momenta的R7世界模型。

    推荐理由：文章以真实量产智驾模型为测试对象，拆解X7 Ultra的NPU架构、AI工具链与车规安全设计，便于理解模型需求如何映射到端侧芯片效率。

  2. Hacker News55

    pgrust v0.4-beta 发布 Gravity 查询引擎，ClickBench 上最高比 ClickHouse 快 3 倍

    pgrust v0.4-beta 发布新查询引擎 Gravity，在支持完整 Postgres SQL 方言和类型系统的同时，ClickBench 性能最高比 ClickHouse 快 3 倍。

    推荐理由：文章拆解了 Gravity 从 Postgres 查询计划到 Lisp IR 和机器码的编译链路，并说明函数内联、延迟物化与列式规划算法的实现。

  3. HF Daily Papers49

    Glance：让生成器自身充当重排序器

    Glance论文提出让生成器兼任重排序器，通过轻量适配器和指针头从共享预填充中为候选段落打分，仅保留一个9B骨干。每个决策技能仅增加约0.1 GiB内存；经39分钟MS MARCO微调后，其SciFact和NFCorpus nDCG@10分别为0.741和0.345，高于bge-reranker-v2-m3的0.721和0.326。

    推荐理由：Glance将重排序与生成整合到单一9B骨干，仅增加约0.1 GiB内存，并以微调后的指标对比现有重排器，为RAG架构选型提供具体参考。

  1. 量子位39

    Anthropic 的 Claude Fable 5.5 与下一代 Opus 被曝进入早期测试

    Anthropic 的 Claude Fable 5.5 与下一代 Opus 被曝已进入早期测试，线索来自 X、Discord、Azure 模型目录和基准测试平台。

    推荐理由：文章汇总了 Fable 5.5 的目录条目、社区图像实测与 Obsidian 3 跑分线索，并讨论 Anthropic IPO 前的模型节奏。

  2. 36氪46

    启元机器人推出 PrimeSim 世界模型，登顶 WorldSimProbe LIBERO 榜单

    启元机器人推出 PrimeSim 世界模型，并登顶 WorldSimProbe LIBERO 榜单，刷新机器人仿真表现。PrimeSim 面向机器人训练构建可交互、可试错、可持续学习的虚拟世界，用于策略验证和强化学习。测试中，使用 PrimeSim 进行强化学习后，策略成功率从61.7%提升至73.2%。

    推荐理由：PrimeSim以可交互、可试错的虚拟环境支持机器人强化学习，并给出策略成功率从61.7%升至73.2%的测试结果，为评估仿真训练效果提供参照。

  1. 36氪65

    智元在创新日发布 GO-3 Preview、WITA-OMNI 与 AGILE，布局物理 AI 全链路

    智元集中发布 GO-3 Preview、WITA-OMNI、AGILE、灵渠OS 1.0与AHA3第三代硬件架构，推进物理 AI 全链路部署。

    推荐理由：智元将模型、算法、操作系统与硬件架构纳入同一部署链路，并提出以有效智能工时衡量劳动产出，呈现从能力演示转向实际生产力的完整思路。

  2. 钛媒体82

    Gemini 4 Carbon 登顶难掩 Alphabet 财报失色，谷歌 AI 豪赌的账单

    Gemini 4 Carbon 登顶未掩盖 Alphabet 第三季度财报压力，营收同比增长 25% 至 1275.8 亿美元，自由现金流降至负 90 多亿美元。

    推荐理由：将 Gemini 4 Carbon 的智能指数榜首与搜索疲软、云业务增长及股债融资并置，呈现模型进展与财务压力之间的张力。

  3. Hacker News74

    Gemini 4 Carbon 在 Artificial Analysis Intelligence Index v5 排名第一

    Artificial Analysis 评测显示，Google 的 Gemini 4 Carbon 以 59 分位居 Intelligence Index v5 第一，在 9 项评测中的 4 项领先。

    推荐理由：该评测在同一 Intelligence Index v5 下呈现推理、知识与编码智能体表现，并补充单任务成本和幻觉率，便于横向比较模型取舍。

  4. 量子位68

    天数智芯发布天垓300与彤央TY1200，现场对标英伟达GPU

    天数智芯发布天垓300、彤央TY1200与天数智算软件栈，并在现场将两款GPU对标英伟达 H200 和 Jetson Thor T5000。现场随机文生图任务中，天垓300用时95.6秒，H200为112秒；第三方测试中其折算单卡端到端吞吐为H200的1.05倍，TY1200运行Qwen3.8-27B的性能则为Thor T5000的138%。

    推荐理由：文章同时给出云端与端侧的现场对标数据，并拆解 Agent 辅助部署、调优和算子开发的效率变化，便于比较硬件与软件栈价值。

  5. 钛媒体80

    Kimi K3.1 Pro发布后遭遇额度成本争议与全球化难题

    数智奔流通过五项创作任务实测Kimi K3.1 Pro，并分析其能力升级后面临的额度成本与全球化难题。模型在Artificial Analysis智能指数测试中得分55，位列全球第四、开源模型第一；API输入价格从每百万Token 20元降至13元，输出价格从100元降至68元。

    推荐理由：五项创作任务的额度对比显示，机械键盘仅消耗1.46%，多轮修改的《桃花源记》达6.91%，为评估K3.1 Pro实际成本提供具体参照。

  6. 36氪59

    IDC：2026年上半年阿里云中国大语言模型MaaS市场份额为46.6%

    IDC报告显示，2026年上半年，阿里云在中国大语言模型MaaS市场的份额为46.6%。智谱和火山引擎分别以10.6%和10.2%位列第二、第三。

    推荐理由：这份市场追踪提供了统一口径下的厂商份额对比，可用于观察头部厂商在中国大语言模型MaaS市场的竞争格局。