论文提出 Stateful Harness 框架，把基于规则的世界状态演化与冻结的视频生成模型分离，以在含隐藏状态的交互式世界模型中保持规则一致性。作者构建了包含 50 对反事实双胞胎的 WorldState-Bench 基准，评估 11 个视频后端。在仅用规则提示时最好的对子成功率只有 32%；指定期望结局后该指标提升到 64%，完整框架在同一冻结模型上达到 92%。
推荐理由：将规则执行与视频生成分离的框架思路，可迁移到其他需要长期状态一致性的交互式生成场景，并附带评测基准。
DeOverlay 提出基于源锚定流匹配和可见性归一化时序聚合的视频遮挡物去除方法，可在源信息被遮挡时仍恢复底层场景结构。配套 DVTE-Bench 包含 1631 对视频、覆盖 8 类文字遮挡，实验显示 DeOverlay 在 5 项重建与感知指标上优于 4 个基线，Mask LPIPS 和 Mask VFID 相对最强基线分别下降 58.3% 和 70.3%。
推荐理由：原文提供了新方法和 DVTE-Bench 基准，同时给出相对四项基线的量化结果，便于和已有视频去遮挡方案横向对比。
EgoXperience 提出统一框架，用自动标注数据和单次前向模型，从第一人称视频联合重建相机运动、场景几何、手部与物体。EgoX-Engine 将几何验证的目标跟踪与基于 SLAM 的世界对齐结合，生成含 50 小时室内外任务数据和秒级任务字幕的 EgoX-Data-6M，并选取其中 1 小时构建 EgoX-Bench。
推荐理由：EgoXperience 将数据采集、自动标注、统一建模与基准评测串成完整流程，并公开 50 小时数据集，呈现了多组件联合重建的一体化设计。
HOLI-WORLD 论文提出一套从人类第一人称视频自动构建大规模学习资源的完整生态，覆盖采集、世界表征、自动数据构建、模型学习与独立评测五个环节。
推荐理由：原文给出从第一人称视频自动构建训练数据与评测基准的完整管线，读者可据此评估其在具身场景理解方向的可迁移性。
中信建投认为，DeepSeek V4.1 Flash、智谱法律专用模型与阶跃长程Agent训练方案等进展，改善了国产模型能力、调用成本和工具配套，有望推动企业级AI应用与推理需求增长，建议关注企业级AI应用、算力服务及国产芯片和超节点。
Hugging Face 首席政策官 Irene Solaiman 在 TechCrunch Disrupt 大会上表示，当前 AI 模型评测仍是一门演进中的科学，复现性差且跨评测之间难以有效比较。
推荐理由：Hugging Face 政策负责人从复现性与评估生态两个角度分析当前 AI 评测短板，帮助读者理解嵌入式评估员方案为何难以快速落地。
OpenAI 发布针对低资源编程语言的新评测，用于评估并提升 ChatGPT 在软件工程、SQLite 与 COBOL 迁移任务上的表现。原文仅提供摘要，完整方法与结果未在 feed 中给出。
推荐理由：原文仅提供摘要，正文未公开完整方法或结果，无法支撑具体阅读价值。
HABIT-Bench 通过合成用户历史，评测智能体能否从长期零散、不完整的证据中区分重复习惯与一次性例外，并据此选择恰当行动。基准覆盖饮食、金融、软件和旅行，使用跨越数百次会话的历史，以 Qwen3-235B-A22B 和 GLM-5.3-Flash 评测 8 种记忆方法。
推荐理由：HABIT-Bench 区分重复习惯与一次性例外，并以 33.61% 对 25% 的随机基线量化智能体从弱证据归纳习惯的难度。
OvisOCR3 技术报告提出一个0.8B视觉语言模型，以单一模型统一文档解析、通用OCR、关键信息提取、文档图注生成和跨页表格重建五类任务。模型通过继续预训练、领域平衡中期训练、5个领域专用4B教师模型的on-policy蒸馏，以及带领域特定奖励的混合任务强化学习完成训练。
推荐理由：报告给出了0.8B OvisOCR3统一五类OCR任务的训练路径，涵盖领域平衡中期训练、多教师on-policy蒸馏和混合任务强化学习。
Code2Video-Compass 是覆盖 T2V、I2V 和 V2V 的通用代码式视频生成基准，要求 MLLM 将视觉与时间需求转为可执行程序。它包含 2,104 个任务，覆盖 10 个类别、24 个子类型及构造、动态动画和状态依赖 3 个复杂度维度，并结合 12 项客观指标与 5 项主观指标评分。
推荐理由：该基准用统一任务和双层指标覆盖三类视频输入，便于比较不同 MLLM 在复杂、状态依赖任务中的生成与对齐表现。
MiniMax 发布 M3.1 Flash，主打智能体、编码、计算机操作与网络安全任务，在线推理速度提升近 3 倍，整体使用成本降低 70%。
同一件事，精选收录的是《MiniMax 发布 M3.1 Flash，Agent 评测居国模第一且综合成本降至前代 30%》
MiniMax 发布推理模型 M3.1 Flash，在 Artificial Analysis Intelligence Index 上得 42 分，较前代 M3 提高 13 分，单任务成本降至约 0.22 美元，不到前代的一半。
同一件事，精选收录的是《MiniMax 发布 M3.1 Flash，Agent 评测居国模第一且综合成本降至前代 30%》
Inception Labs 发布 Mercury 3，称其为目前最强的扩散大语言模型，在多项基准上与 GPT-6 Luna 和 Claude Haiku 5.5 持平或更优，NVIDIA GPU 上单卡推理 1,068 tokens/秒。
推荐理由：原文给出与 GPT-6 Luna、Claude Haiku 5.5 的基准对比、价格和上下文窗口等具体数字，便于评估其在速度敏感场景中的位置。
腾讯混元发布长记忆写入模型 Hy-Memory-30B-A3B 的 GGUF 量化版本，提供 Q4_K_M、Q6_K 和 Q8_0 三种精度，可通过 llama.cpp 进行本地推理。
推荐理由：原文给出该模型在四种记忆框架下的横向评测结果，读者可与 Claude Opus 5、DeepSeek V4.1 Flash 等基线直接对比。
Harness² 是 Google Research 开源的递归式 Agent 框架。它通过 Propose / Probe / Compose 步骤在任务级递归中精炼执行配置。
推荐理由：原文给出递归式 agent 框架的双层递归设计及三个职业类基准的具体增益，可作为改进现有 agent 编排的参考方法。
智元联合NVIDIA及多所高校推出世界模型评测平台WorldOracle并开放评测提交。平台收录335条真实操作轨迹，约四成交互片段含失败或次优操作，以真实执行结果检验模型预测能力；对7款世界模型的测试显示，部分模型虽能较准确还原机械臂动作，但对物体状态预测仍存在较大偏差，长时序预测表现也明显下降。
推荐理由：平台用真实操作轨迹和近四成失败片段评测世界模型，能更直接暴露长时序与物体状态预测上的真实差距。
作者用苹果日历、126 邮箱、大众点评、京东、淘宝等真实中文场景，对独立应用 Muse 和 ChatGPT 内的 Dot 做了对比测试。Muse 在手机原生日程、健康数据同步和 Threads 发帖上更顺畅，并能从淘宝商品页提取定金尾款节点直接建日程；Dot 在云端环境里完成了可修改、可多人协作的五人旅行 AA 账本网页，并指出邮件附件时间与正文不一致。
推荐理由：作者在日程、邮箱、电商等真实中文任务里逐一对比 Muse 和 Dot，把两者在系统权限、云端接管和共享协作上的差异拆得很具体。
截至 10 月 17 日，元任务实验室研发的结构化决策模型 MetaDecision 在决策模型评测榜 JevBench 上进入前三：在参与排名的 129 个开源系统中，31B 版本排第 3，12B 版本在同尺寸模型中排第 1，按榜方 GPU 实测 31B 版本单次判断延迟中位数不到 0.2 秒（不含网络）。
推荐理由：给出了同尺寸模型排名第一和亚秒级延迟两项对比维度，方便读者把 MetaDecision 放进现有决策模型评测表里看差距。
Artificial Analysis 上线了 DeepSeek V4.1 Flash 1017 (Max) 的模型评估页面，列出智力指数、开放性指数、token 用量与成本、上下文窗口、输出速度、首 token 延迟、端到端响应时间和模型大小等评测维度，原帖正文未给出具体数据。
作者 dom96 设计了针对大语言模型的对抗式编程语言 KillSwitch，其通过规格中的隐藏谎言、标识符字母计数、触发安全护栏的语句和以噪声填充的脚本等方式干扰模型。
推荐理由：原文给出一种针对 LLM 弱点设计的新型编程语言，并用其作为基准测试主流模型，读者可对比各模型在真正陌生代码上的真实理解能力。
Netflix 在 GitHub 开源了 VMAF 感知视频质量评估算法，包含 libvmaf C 库与 Python 绑定，并可作为 FFmpeg filter 接入。
SpatialScout 提出一个评测 VLM 智能体主动探索并完成物体级 3D 映射的基准，包含 80 个室内场景和 3,140 个目标物体。智能体控制相机探索场景，在有限交互预算下估计物体中心，评测同时衡量定位准确率与目标覆盖率。
推荐理由：SpatialScout 以 80 个室内场景和 3,140 个目标物体量化检验 VLM 智能体的主动 3D 映射，并显示精确建图仍是主要短板。
VerifierBench 汇集 6 个智能体基准的 222 个任务和 4,993 个隐藏测试用例，用于评测 LLM 智能体生成可执行验证器的能力。统一框架下测试 19 个模型后，归一化平衡准确率为 10.6–62.1，生成的验证器更可靠地拒绝无效解，却常因过严限制误拒有效解。多数误拒来自未接受任何受测解的验证器，案例还涉及解格式、工具使用和代码改动的无依据假设；项目页和数据集已公开。
推荐理由：VerifierBench 以多类任务和隐藏测试检验智能体生成可执行验证器的能力，并揭示误拒有效解常源于过严的隐含假设。
一项共享控制迷宫研究显示，语言模型智能体会在人类拥有路线优势时更多寻求协作，而自身能力更强时倾向独立完成任务。研究评测 GPT~5.6~Sol、Command~A+、Qwen~3.8~27B 和 Command~R，发现当人类路线更短时，模型约在 80% 的初始决策中让人参与，Command R 则未呈现这种选择性。论文链接：https://arxiv.org/abs/2610.27148
推荐理由：研究通过控制人类与智能体的路线优势，区分能力不足与合理分工，为评估智能体何时求助提供了实验设计参考。
Pan 等人提出 Taste-Bench 基准，从 SWE-bench Pro 和 METR 的 MALT 转录数据中提炼 502 个路径分叉点，让模型在每个分叉点从两条路径中选择更优方向。
推荐理由：文章把端到端测试看不到的长路径选择问题量化成基准，并展示用知识蒸馏即可显著提升智能体判断力的做法，对评估长周期智能体有参考价值。
StartLux（原点星辉）推出的StartLux-Decision-v1.1-27B Instant以69.1分登顶Hugging Face Decision Index 0.3.2榜单全球第一，在173项公开复现模型中领先第二名近3分，也是榜单中唯一突破69分的模型。该公司在9月底发布首代模型后仅用十余天迭代出v1.1版本，刷新全球决策模型最佳成绩。
推荐理由：中国创业公司在国际权威榜单上登顶，展示了决策模型方向的快速迭代能力，可作为行业基准跟踪参考。
智谱推出法律专用开源模型 GLM-Legal，在 Vals AI 法律评测中以 19.2% 的任务全通过率和 86.23% 的准确率位列 Harvey LAB 与 LegalBench 双榜开放权重模型榜首。
推荐理由：给出了 GLM-Legal 在 Harvey LAB 等榜单上的通过率与和 Gemini 4 Argon 的成本对比，读者可据此评估法律垂直模型在真实律所任务中的取舍。
开发者发布了一个 Show HN 计算器，根据实测带宽公式（带宽除以权重大小加固定开销）估算各苹果芯片运行大语言模型的显存与生成速度，复现实测误差在 4.6% 以内。
推荐理由：原文用实测拟合的带宽模型估算各苹果芯片跑大模型的速度，并给出可验证的显存与吞吐数据，可作为选购或租用 Mac 时的参考。
DeepSeek 发布 V4.1-Flash-1017，在官方基准的多项编码与智能体任务上超越自家前代以及 Claude Opus 5、GPT 5.6-Sol、Kimi K3、GLM 5.3 等更大竞品，模型权重开源发布在 Hugging Face 与 ModelScope。
推荐理由：原文给出 V4.1-Flash-1017 在 DeepSWE 等基准的准确率与单任务成本，并横向对比多家竞品，读者可据此判断该模型的成本效率边界。
DeepSeek 发布 V4.1-Flash-1017，作为 V4.1-Flash 的小版本更新，在推理、编码、智能体和视觉基准上有所提升，并缩短任务执行时间和输出长度。
同一件事，精选收录的是《DeepSeek发布V4.1-Flash-1017模型，同步开放自研搜索API》
Latent Space 开始试播 AINews 新节目 High Taste Testers，首期以旧金山午餐对话形式汇总 2026 年 10 月 15 日至 16 日的 AI 动态。
推荐理由：材料横向汇总开放权重模型、推理基础设施、智能体研究和监管提案，并保留基准与部署数字，便于快速扫描近两日 AI 变化。
作者在 Show HN 发布 Llmspeed 网站，可按硬件或模型浏览本地大语言模型推理速度估计，覆盖 NVIDIA RTX 5090/4090/3090、Mac Studio M5 Ultra/M4 Max。
推荐理由：把分散在社区里的本地推理速度数据汇总到一个可对比的页面，让读者在购买硬件前就能估算大语言模型的实际吞吐。
谷歌正式发布Gemini 4 Argon，强化编程、复杂任务持续执行与多模态能力。第三方Artificial Analysis智能指数中，Argon High与GPT-6 Astra Max、Claude Fable5.1 Max并列53分；同类任务平均成本约1.99美元，比Astra低约39%。
同一件事，精选收录的是《Google 发布 Gemini 4 Argon 前沿模型，定价 $2/$10 每百万 token》
Black Forest Labs 发布 5.6B 参数开源文生图模型 FLUX 3 Image Klein，支持原生 4K 生成、多参考图与像素级编辑，配套 FP8、INT8 和 NVFP4 版本。
推荐理由：正文给出 5.6B 参数模型与更大闭源及开源版本的评测对比，并列出从 8GB 显存到 RTX 5090 的推理时间，读者可据此评估本地部署门槛。
Mercor 发布 Benchmark Map 研究，把 29 个 AI 基准题目映射到美国劳工部 O*NET 的 923 个职业、18,797 项任务上，结果显示仅 208 个职业的任务有至少 5 个基准题目覆盖，对应约 10% 的美国工作时间，其余 90% 缺乏有效基准评估。
推荐理由：把 29 个 AI 基准映射到 O*NET 职业任务，量化了基准对美国实际工作的覆盖比例，提示了评估模型经济能力时的显著盲区。
Google DeepMind 的 Gemini 4 Argon 在 ARC-AGI-3 上以 97.5% 的得分成为继 OpenAI 之后第二家突破 95% 阈值的 AI 实验室，仍低于 GPT-6 Astra 的 99.9%。
推荐理由：文章对比了不同测试设置下的基准成绩，展示了评测方法对分数的显著影响，可作为解读同类榜单的方法参考。
Apple ML Research 博客发布 MLX v0.30.1 分布式推理方案，结合 macOS 26.2 引入的 Thunderbolt 5 RDMA 驱动与新的通信集合 jaccl，可在多台 Mac Studio 上运行 816B 总参数、42B 激活参数的 MoE 模型 Muse Spark Open。
推荐理由：Apple 用 4 台 M5 Ultra Mac Studio 通过 Thunderbolt RDMA 把 816B 参数的 MoE 模型跑到 36.73 tokens/s，给本地大模型推理提供了可复现的并行方案与基准数据。
StarSkirmish Bench v0.2 公布九款前沿模型用 1 小时写 C++ StarCraft 机器人的对战结果，GPT-6 Astra 排名第一、GPT-6.1 Sol 第二，Gemini 4 Argon、Claude Opus 5.5 与 Claude Fable 5.1 在 37 至 39 分区间并列。
推荐理由：给出九款前沿模型在 1 小时长程编码场景下的横向对比，可作为观察各家推理与工具调用能力的一份参考。
FDE-Gym 是一个面向真实客户交付场景的 AI 代理评测基准，包含 20 个客户场景、18 个行业的 95 个端到端任务，由行业专家从真实项目改写而成。基准按客户业务指标的归一化提升（0 到 1）打分，并对消息、试运行与等待时间扣分；评估七家厂商共 13 种模型配置的结果显示，最佳配置平均得分仅 0.56、仅完成 14 个任务（得分≥0.8 且无事故），发现隐含约束被指为主要瓶颈。
推荐理由：针对代理在真实客户交付场景的能力缺口，给出了由行业专家改写的 95 个端到端任务基准与瓶颈定位。
Data World 是一套多智能体数据合成引擎，先指定文件背后的世界机制再生成数据环境、任务与评分规则，用于训练模型的开放性分析能力。
推荐理由：给出了一套先描述世界机制再合成数据环境与任务的方法，使开放式分析题也能用 RL-zero 训练并通过审计评估。