TypeSafe AI 与 Treg 开源 Jev 找人工具，Agent 可调用其查找工作邮箱
TypeSafe AI 与 Treg 开源了一款基于 Jev 的找人工具，可接入 Agent 查找候选人并补齐工作邮箱。
推荐理由：People Search Bench 与 292 人名单的 Clay 对照呈现了性能和成本差异，邮箱验证另付费及社区检索反馈补充了使用边界。
#评测/基准
量子位精选AI 评分6666
量子位精选AI 评分4747 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。
量子位AI 评分7171 ForgeKernel 开源，AI 写算子比 DeepSeek-V4.1 的 FlashMLA 快 9.8%
面壁智能的 ForgeKernel 在英伟达 B200 上通过 22.5 小时直播生成算子，最终版本耗时 472 微秒，比 DeepSeek-V4.1 的 FlashMLA 快 9.8%。
量子位AI 评分6464 智元发布 GO-3 Preview 与 WITA-OMNI，分别登顶三项和四项评测
智元发布具身基座模型 GO-3 Preview 和全模态端到端交互大模型 WITA-OMNI，两款模型分别登顶三项与四项评测。同步推出第三代硬件架构 AHA3、重载机器人精灵 G2 Max 和具身原生操作系统灵渠OS 1.0；智元计划今年年底全面开源后者，并开放经过量产验证的 2亿行代码和 5000多个生态软件包。
HF Daily Papers精选AI 评分4949 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。
量子位精选AI 评分3939 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。
量子位AI 评分7171 国产开源模型 OXR 以 1.3B 参数量登顶三项文档解析榜单
国产开源文档解析模型 OXR 以 1.3B 参数量登顶三项文档解析榜单。在 OmniDocBench、olmOCR-Bench 和 DocParsingBench 上得分分别为 97.18、87.84 和 87.76；后训练采用递归自我改进（RSI），让系统自行找错、归因并生成下一轮训练数据。
量子位精选AI 评分6868 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。
量子位精选AI 评分6868 分子之心发布 MMDesign 技术报告：19 个设计项目成功 18 个，6 个 GPCR 靶点全部命中
分子之心发布 MMDesign 技术报告，19 个 AI 蛋白质从头设计项目中有 18 个获得实验确认的结合分子，6 个受测 GPCR 靶点全部命中。每个项目仅测试 9-50 个候选分子，项目成功率为 94.7%，全部 453 个受测候选中 139 个确认结合，候选命中率为 30.7%。
推荐理由：报告提供跨靶点、多模态的湿实验数据，并对比 MMFold 与 AlphaFold 3 的基准表现，便于评估设计工作流的可复用性。
量子位精选AI 评分8080 Google发布Gemini 4 Carbon，Artificial Analysis智能指数5.0以59分登顶
Google发布Gemini 4 Carbon，在Artificial Analysis智能指数5.0中以59分登顶。其Terminal-Bench 4.0和GraphWalks成绩分别为65.2%和96.2%，均高于Claude Opus 5.5；安全评测中SEC-bench Pro得分88.2%，Gray Swan IPI攻击成功率为0.0%。
推荐理由：原文给出Gemini 4 Carbon的编程、漏洞修复基准成绩及首发定价，便于对照Claude Opus 5.5的能力和成本。
量子位精选AI 评分6969 扩散智能发布 350亿参数 Clover-35B-A3B-Preview 扩散语言模型
扩散智能发布扩散语言模型 Clover-35B-A3B-Preview，总参数350亿，每个 token 激活约30亿参数，可用于代码生成、网页操作和工具调用。
推荐理由：文章结合页面生成实操与连续工具调用演示，列出与 Jev 的速度、成功率对比、Gemini 速度表现和代码评测数据，可用于比较扩散语言模型的 Agent 效率。
Hugging Face Blog精选AI 评分8080 NVIDIA 发布 Nemotron 3.5 Transcribe 开放权重模型与 Granary v2 多语种数据管线
NVIDIA 发布开放权重模型 Nemotron 3.5 Transcribe，并开放 Granary v2 多语种数据管线；前者集成 40 种语言转录、31 种语言与英语互译、说话人区分和英文音频问答。
推荐理由：原文给出从提示词优化到数据构造、LoRA 微调、检查点选择和评测的完整医疗语音适配流程，可直接用于复现同类场景。
HF Daily Papers精选AI 评分4949 VibeVideoBench：评测多模态智能体的代码驱动视频生成能力
VibeVideoBench 提出一个评测多模态智能体代码驱动视频生成能力的基准，包含239项中英文自包含任务和12个类别。每项任务要求智能体在无图像或视频生成模型的沙箱内用代码产出带声音的 MP4，并在1小时内完成；评估结合交付规范程序检查、约13k项任务量规和3个VLM评审组。
推荐理由：该基准覆盖239项中英文任务，并用分层量规与人类偏好对照，揭示智能体常因时间管理影响最终视频交付。
HF Daily Papers精选AI 评分5050 CodeCap-Bench 论文提出以代码作为视频字幕的评测基准
CodeCap-Bench 论文提出以可执行代码作为视频内容的补充表示，并推出评测多模态模型代码字幕生成能力的基准。该基准包含323个视频、五类结构化2D内容、细粒度标注和多层级评测框架。实验显示，代码字幕在问答推理准确率和视频重建保真度上优于自然语言字幕，但领先专有模型仍难以忠实呈现复杂时序，开源模型明显落后。
推荐理由：论文用323个视频和五类结构化2D内容构建基准，并同时比较问答与视频重建结果，便于比较模型在复杂时序描述上的差异。
HF Daily Papers精选AI 评分3535 LociArt 提出统一范式实现自由风格局部视频风格化
LociArt 提出统一范式，通过生成式细化网络实现自由风格的局部视频风格化，并保持非目标内容与较强的时间一致性。GRNStyle 引入极坐标风格感知掩码及表示—几何条件控制，结合自动化数据管线构建包含 100K 个局部风格化配对的 LociArt-100K Dataset。
推荐理由：LociArt 将区域风格控制、自动化配对数据构建与专用基准整合到统一框架，便于对照评估局部风格化质量、非目标保留和时序稳定性。
AWS Machine Learning BlogAI 评分2828 AWS 旗下 Amazon Connect 连续第四年获评 2026 Gartner 联络中心即服务魔力象限领导者
AWS 旗下 Amazon Connect 连续第四年获评 2026 Gartner 联络中心即服务魔力象限领导者。Amazon Connect Customer 是面向客户体验的智能体 AI 方案，覆盖主动触达、自助解决和坐席辅助，支持全渠道、企业级规模及可审计的生成式与智能体 AI 行动。
HF Daily Papers精选AI 评分4848 WeVisCut：单智能体统筹从旁白到长视频的完整剪辑流程
WeVisCut 研究提出一套脚本转长视频系统，用单一 9B 策略协调视频编辑工具、维护共享制作状态并恢复失败。四阶段数据管线结合编辑反演与验证回放，基于 3,750 个成片生成超过 130K 个训练样本，并提出 100 项任务和 5 项指标。
推荐理由：该研究把长视频编辑决策、故障恢复与 token 成本纳入同一 9B 策略，呈现任务专用智能体在质量与效率上的取舍。
HF Daily Papers精选AI 评分4747 AskStream 基准：流式视频理解在不确定性下何时主动提问、问什么
研究团队提出 AskStream 多轮基准，用于评估流式视频理解模型在不确定性下主动询问缺失信息的能力。该基准覆盖视频和用户两类不确定性，包含 4 类任务、8 个子任务、438 个视频及 2,714 个人工标注的帧级时间窗口，动作分为等待、提问和回答。在选择题和开放式设置中，最强模型的 Ask-F1 也仅为 52.18%，反映出模型主动寻求信息能力的局限。
推荐理由：AskStream 将流式视频交互拆分为等待、提问和回答三类动作，并用多轮数据呈现模型主动补全信息的关键难点。
HF Daily Papers精选AI 评分4949 IntReal 提出真实场景多模态交错生成数据集与评测基准
IntReal 提出面向真实场景的多模态交错生成数据集与评测套件，用于诊断统一多模态模型的能力差异。IntReal-100K 覆盖四大类交错样本，IntReal Evaluation Suite 通过专家模型从七个维度进行粗到细评估。
推荐理由：IntReal 以细粒度指标定位统一多模态模型在不同能力维度的强弱项，配套数据可用于针对性后训练与改进交错生成。
量子位精选AI 评分8787 GPT-6.1 Terra 发布并开放实测，Agents’ Last Exam 以约十分之一 Token 价格追平 GPT-6 Astra
OpenAI 发布 GPT-6.1 Terra，标准 API 价格较 GPT-5.6 Terra 减半，主打电脑操作与多软件协同。
推荐理由：官方成绩与网友实测均围绕电脑操作、速度和成本展开，清楚呈现 GPT-6.1 Terra 与上一代及旗舰模型的取舍。
量子位精选AI 评分7474 百度文心 Unlimited OCR 2 发布并开源，峰值 KV Cache 占用从 47GB 降至 1.77GB
百度文心 Unlimited OCR 2 正式发布并开源，百页级单序列测试中的峰值 KV Cache 占用从 47GB 降至 1.77GB，减少约96%。SR-SWA按需筛选相关页面和视觉信息，无限解码机制通过分块处理、复用边界页缓存并及时释放其余缓存；16路并发端到端吞吐量从360提升至1315 Token/秒，约为标准解码的3.65倍。
推荐理由：文章通过整本书实测与技术报告，拆解SR-SWA和分块解码的降缓存机制，并对比吞吐量、速度与文档解析质量。
HF Daily Papers精选AI 评分4141 StreamVibe：面向持续变化用户意图的主动视频智能体
StreamVibe 提出面向主动视频交互的研究方案，包含基准、流式视觉语言模型和分层记忆框架，用于理解显式、隐式及持续变化的用户意图。StreamVibe-Bench 包含 4.1K 个评测样本和 85K 个训练样本，覆盖显式、隐式和动态意图。
推荐理由：论文将基准、流式模型与分层记忆框架整合为一套主动视频交互方案，并报告响应时机、答案质量和持续适应方面的量化结果。
HF Daily Papers精选AI 评分5555 Venus-DefakerOne2：覆盖更广伪造形式与媒体类型的视觉取证基础模型
论文提出 Venus-DefakerOne2 统一反伪造基础模型，通过交替 LoRA 与全参数微调、基于熵的测试适配，扩展对多种伪造形式和媒体类型的检测。
推荐理由：交替 LoRA 与全参数微调结合熵驱动测试适配，为跨图像、视频和物理欺骗的统一取证提供了可复用设计。
HF Daily Papers精选AI 评分5959 Timestral 提出四款时间序列基础模型并报告三项基准评测结果
Timestral 论文提出一个用于概率预测的时间序列基础模型家族，包含 5M、28M、123M 和 209M 四种参数规模。Timestral-209M 与 Timestral-123M 在 GIFT-Eval、TIME 和 fev-bench 的每项指标上均位居前两位。
推荐理由：论文给出解耦预测范围、未来协变量支持以及先合成预训练再混合后训练三项设计，为时间序列基础模型构建提供可复用方法。
量子位精选AI 评分5656 炎曦动力成立 3 个月亮相 Paimon-0 具身基座模型，在 RoboColiseum 超过 GPT-6 Astra
炎曦动力公开具身基座模型 Paimon-0，在 RoboColiseum 以 0.7754 排名第一，并超过 GPT-6 Astra。它在 RoboCasa365 和 VLA-Arena 分别以 58.1、0.73 排名第一，并以 46.599 总分夺得启元机器人 IROS Workshop 双臂机器人挑战赛冠军。
推荐理由：文章以榜单成绩和端云协作为线索，解释 Paimon-0 的 query token 蒸馏、自我改进设计及其与机器人芯片方案的衔接。
HF Daily Papers精选AI 评分5959 Co-Design Bench：面向智能体模型的多模态协作编码评测
Co-Design Bench 以真实用户的多模态应用修改需求构建智能体编码评测，包含 273 项任务和 2,331 条专家验收标准。任务分为 Multimodal Editing（100 项）和 Repository Editing（173 项），并采用无参考答案的 judge-then-refute 协议评估隐藏验收标准。
推荐理由：该基准同时报告验收标准通过率与整项任务完整交付率，呈现局部达标与端到端完成之间的显著差异。
HF Daily Papers精选AI 评分4949 VMem-Bench 受控研究：长视频生成中的视觉记忆越多越好吗？
VMem-Bench 受控研究发现，检索视觉记忆能提升长视频的历史一致性，却会降低当前叙事准确性。研究以 92 部真实影片的 16,548 个片段和 30 个因果生成故事的 2,824 个片段开展双轨诊断，比较四种检索策略及无记忆、末次出现对照。
推荐理由：双轨对照显示，检索视觉记忆虽提升实体召回与历史相似度，却降低当前叙事精度和对禁用实体的规避能力，揭示记忆评估中的关键混淆。
HF Daily Papers精选AI 评分5656 Omni-InteractScope：持续全模态流中主动与智能体交互基准评测
Omni-InteractScope 通过1,479条人工标注且交叉审阅的交互、1,790个时序目标和八类任务，评测 Omni-LLMs 在持续全模态流中的主动与智能体交互可靠性。
推荐理由：该基准以1,479条人工标注交互和1,790个时序目标检验持续多模态交互，量化 Omni-LLMs 在工具调用、主动提醒和持续指导上的短板。
HF Daily Papers精选AI 评分4949 OSMA-Bench 评测家居机器人导航中的障碍物条件安全适应能力
研究提出 OSMA-Bench 基准和语义敏感性指数 SSI，用于评测机器人导航策略能否按障碍物类型及距离调整净空、速度与运动平滑度。对 VLM 和视觉语言动作（VLA）策略的评测显示，两者即使收到明确安全提示，也未能持续按障碍物安全等级调整运动；它们能识别障碍物，却未将差异落实到运动参数或动作。为 VLM 策略加入显式参数推断步骤后，运动适应有所改善。
推荐理由：OSMA-Bench 将障碍物语义与连续运动参数对应起来，揭示即使加入显式安全提示，策略仍不能稳定调整间距、速度与平滑度。
HF Daily Papers精选AI 评分4444 《预训练数据的词汇印记》论文分析词汇分布与 LLM 零样本准确率的关联
论文作者在 arXiv 发布 NeurIPS 2026 论文《预训练数据的词汇印记》，提出以词级 unigram 交叉熵衡量预训练语料与目标基准之间的词汇对齐。实验发现，标准基准中几乎所有词汇都已在预训练阶段出现，模型在不同词之间分配的概率质量会留下可测量的词汇印记。更强的词汇对齐在从零开始的受控实验中持续对应更高的零样本准确率。
推荐理由：论文区分了词语覆盖与概率质量分配，并用从零训练实验检验词汇对齐与零样本准确率的对应关系。
HF Daily Papers精选AI 评分5151 EmbodiedLab：通过物理实验发现科学原理的具身智能体基准
EmbodiedLab 提出一个让机器人智能体在物理仿真实验室中自主设计实验、发现科学原理的评测基准。基准覆盖 5 个学科的 30 项实验和 14 个装置平台，智能体通过摄像头读取仪器，评估同时依据实验过程中的读数和任务要求状态。
推荐理由：该基准将科学发现任务转化为可精确评分的物理实验，并比较感知、规划与操作技能对智能体表现的影响差异。
HF Daily Papers精选AI 评分5050 iPrefBench：面向个性化移动端智能体的用户中心基准
研究提出iPrefBench基准，用于评估个性化移动端智能体能否从活动历史推断缺失的用户偏好，或在必要时向用户追问。基准在可执行iOS环境中配合交互式模拟用户，覆盖26个应用、130个信息不完整的任务，并基于包含3,051条历史活动事件的人设构建。7个前沿智能体的评测中，行动完成率最高为91.6%，完整任务成功率最高为47.7%，且尤其难以充分询问只能由用户提供的必要信息。
推荐理由：iPrefBench在可执行iOS环境中检验移动智能体的偏好推断与追问能力，7个前沿智能体的评测显示行动完成率与完整任务成功率存在明显落差。
HF Daily Papers精选AI 评分4040 Continual Learning Exam（CLE）基准发布，评测 LLM 智能体的长时程 RSI 与经验学习
Continual Learning Exam（CLE）基准发布，用于评测 LLM 智能体的长时程持续学习与经验驱动自我改进。该基准由 50+ 位领域专家构建，覆盖 12 个领域、89 种职业、120 项现实专业任务和 600 个渐进关卡，并包含约 24K 个真实文件、19 个有状态应用与 16K+ 条人工编写评测标准。
推荐理由：CLE 用渐进任务阶梯区分单次解题与经验复用，17 个前沿智能体配置的数据展示了长时程持续学习缺口。
HF Daily Papers精选AI 评分4545 AgentProofBench：Web 智能体可复用验证器基准评测
论文提出 AgentProofBench，将冻结验收规则的成对测试与执行轨迹相连，用于评测 Web 智能体可复用验证器的程序门控正确性与复用能力。
推荐理由：AgentProofBench 将冻结验收规则与执行轨迹配对，在 97 个任务、79 个任务族和 4 个 Web 服务上建立程序门控正确性与复用表现的基线。
HF Daily Papers精选AI 评分6262 ParetoRSI-Gym 评测 AI 智能体跨多个领域改进语言模型的效果
ParetoRSI-Gym 在固定初始 LLM、工具集和 SFT 流程的条件下，评估递归自我改进智能体通过搜索与筛选数据、训练并迭代提升语言模型跨领域泛化的能力。
推荐理由：研究通过固定模型和训练流程，在五个领域比较智能体的递归自我改进效果，并分离能力增益与针对优化分数的过拟合。
HF Daily Papers精选AI 评分5050 Δτ-Bench 评测智能体适应工具生态变化的能力
论文提出 Δτ-Bench 可执行智能体评测基准，考察工具持续演化时的适应能力，并提出 Steward 生态管理器以联合管理工具与程序性知识。基准包含 1,588 个经验证的多轮任务，覆盖 42 个领域和六个连续生态状态；受测模型与框架的最好任务成功率仅为 42.3%，现有技能学习方法的初始收益也未能稳定转化为后续适应能力。
推荐理由：论文用可执行任务量化智能体在工具生态变化下的适应难题，受测模型与框架的最好任务成功率仅为42.3%。
量子位精选AI 评分6868 高德发布全身基座模型 λ0，推动机器人全身动作对齐
阿里巴巴旗下高德发布全身基座模型 λ0，仅用人类行动数据即可让机器人学习移动、姿态和双手操作的全身协调。λ0 在 SIMPLE 仿真基准及多项真机评测中取得 SOTA，采集效率约为主流方法的3.4倍，真机任务成功率较最强对比基线提升22.5%。
推荐理由：λ0以人类全身数据训练机器人，披露3.4倍采集效率、22.5%真机成功率提升及开源入口，便于对照全身动作对齐的实现与迁移效果。
量子位精选AI 评分7979 模思智能与OpenMOSS开源5B参数生图模型MOSS-Image，4天获130万次下载
模思智能与OpenMOSS团队开源5B参数生图模型MOSS-Image，4天在海外社区获130万次下载，GitHub达1.4k Stars。模型采用从零预训练的单流扩散Transformer架构，以DiT为主干，结合冻结的Qwen3.5-9B文本编码器与FLUX.2 VAE，重点优化中英文文字渲染、JSON Layout和最长4096 tokens复杂提示词。
推荐理由：文章汇总MOSS-Image的文字渲染、布局控制和长提示词数据，并梳理加速、量化与推理适配，可用于判断其实际可用性。
量子位精选AI 评分4343 特赞提出企业AI需要客户世界模型与企业世界模型
特赞在WTCC论坛提出，企业AI需要同时构建客户世界模型与企业世界模型，并同步发布Agentic Transformation共建计划。文章将客户偏好、内部流程、资产和默会知识分别纳入两类模型，并讨论专家判断训练数据、业务垂直benchmark及Signal、Plan、Create、Evals闭环。
推荐理由：文章以客户世界模型和企业世界模型作对照，解释企业智能体为何既需理解外部偏好，也需掌握内部流程与默会知识。
腾讯混元精选AI 评分7474 腾讯混元发布 Hy-Nomas 交互式视频世界生成模型及 BF16 Diffusers 权重
腾讯混元发布 Hy-Nomas，一款通过文本指令与镜头控制实现自由形式多轮交互的视频世界生成模型，并提供 BF16 Diffusers 权重。模型采用分段自回归 DiT、Qwen 文本编码器和 PixelUMM 视频解码器，以 KV cache 延续上下文；示例使用 4 步去噪，输出 704 × 1280、24 FPS。
推荐理由：模型卡同时给出交互机制、推理参数与基准覆盖，开发者可据此复现多轮视频世界生成，并评估交互控制与空间记忆表现。