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。
#评测/基准
钛媒体精选AI 评分7676 钛媒体精选AI 评分8080 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。
36氪精选AI 评分6666 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。
The Decoder精选AI 评分7070 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。
The Decoder精选AI 评分5151 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。
量子位精选AI 评分6666 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。
Hacker NewsAI 评分6767 JavaScript 框架的 AI 成本：Opus 5.5 多框架基准评测
作者让 Opus 5.5 使用不同 JavaScript 框架与元框架构建同一款 Pokémon 应用，并比较成本、耗时、代码量与 Lighthouse 表现。
Hacker News精选AI 评分5959 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。
Hacker News精选AI 评分6666 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。
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。
Hacker News精选AI 评分5555 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。
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。
36氪精选AI 评分4646 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。
36氪精选AI 评分6565 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。
钛媒体精选AI 评分8282 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。
Hacker News精选AI 评分7474 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。
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。
钛媒体精选AI 评分8080 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。
36氪同事件AI 评分5959 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。
同一件事，精选收录的是《IDC发布2026年上半年中国MaaS市场报告，PPIO居独立服务商首位》
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。
Latent Space精选AI 评分7777 AINews：Google DeepMind 发布 Gemini 4 Carbon，登顶多项榜单并先向网络安全防御者开放
Google DeepMind 发布 Gemini 4 Carbon，将其定位为网络安全与长程任务前沿模型，先通过 Fairwind Program 向可信网络安全防御者开放，并称将尽快扩大开发者访问。
推荐理由：将 Carbon 的独立榜单成绩、网络安全基准、定价和开放条件并列，呈现能力表现与当前可获得性之间的差异。
钛媒体AI 评分7575 Gemini 4 Carbon 登顶智能指数，谷歌仍面临开放与现金流压力
谷歌发布旗舰模型 Gemini 4 Carbon，以 59 分登顶 Artificial Analysis 智能指数，超过 Claude Opus 5.5 和 GPT-6 Astra。
Hacker News精选AI 评分7575 Qwenputer 将确定性 RISC-V CPU 编译进 Qwen3.5 4B 权重
Qwenputer 为 Qwen 3.5 4B 加入 32-bit RISC-V CPU，以 Gated DeltaNet 层作 RAM，并在模型前向过程中运行，无需外部工具或运行时。
推荐理由：文章拆解了以 Gated DeltaNet 状态作 RAM、在模型权重中编译 RISC-V CPU 的方法，并提供算术准确率、指令一致性和运行开销等实测数据。
Latent SpaceAI 评分4747 Elorian 的 DecoyCount 评测显示，前沿模型计数准确率均低于 50%
Elorian 与 AI 数据公司 Mercor 联合发布 DecoyCount 视觉推理基准，用于测试语言模型能否真正计数，而非依赖视觉捷径与替代启发式。配套论文显示，前沿模型准确率均低于 50%，最高为 GPT-6 Astra 的 43.17%，Glimpse 未列入论文。
The Verge · AI同事件AI 评分6767 Google 发布 Gemini 4 Carbon，强化编码、智能体与网络防御能力
Google 发布最新前沿模型 Gemini 4 Carbon，称其在编码、智能体任务和网络安全方面取得显著提升。该模型在 Artificial Analysis Intelligence Index (v5.0) 居首，并在 SEC-bench Pro 和 ExploitGym 排名第一，分别衡量发现真实漏洞和将漏洞转为漏洞利用的能力。
同一件事，精选收录的是《Google发布Gemini 4 Carbon，Artificial Analysis智能指数5.0以59分登顶》
Ars Technica · AI同事件AI 评分6161 Google 发布 Gemini 4 Carbon 前沿 AI 模型，暂不可用
Google 发布 Gemini 4 Carbon，将其定位为继 Gemini 4 Argon 之后推出的前沿模型，采用分阶段开放，目前尚不可用。Google 称 Carbon 在编码、智能体任务和科学分析上达到新门槛，生成无漏洞代码的概率是 Argon 的 2 倍，Chrome 团队称其生成高质量补丁的能力是非 Google 模型的 10 倍。
同一件事，精选收录的是《Google发布Gemini 4 Carbon，Artificial Analysis智能指数5.0以59分登顶》
Hacker News精选AI 评分5858 DAYJOB: Tax 评测 50 项专业税务任务，Claude Sonnet 5.5 领先
Surge AI 推出 DAYJOB: Tax，以 50 个专业税务环境评测 AI 智能体识别遗漏事项、处理冲突证据并完成交付物的能力。任务覆盖八类税务工作，要求产出报税表、工作底稿、技术复核或客户建议，工作区共含 1,789 个文件。
推荐理由：该评测以 50 个专业税务工作流检验智能体能否主动发现客户遗漏的关键问题，其低通过率可用于观察模型专业判断与任务交付之间的差距。
The Decoder精选AI 评分6666 Artificial Analysis 更新 Intelligence Index，开放模型与榜首差距扩大至 12 分
Artificial Analysis 更新 Intelligence Index，开放模型与榜首差距由 3 分扩大到 12 分，Kimi K3.1 Pro 从第 4 位降至第 9 位。
推荐理由：新指数的私有测试集占比达到 60%，以减少针对已知测试题训练造成的排名虚高，并重新衡量开放模型与榜首差距。
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。
TechCrunch精选AI 评分7575 Nvidia 发布 Nemotron 3.5 Transcribe 开放权重语音转录模型
Nvidia 发布开放权重转录模型 Nemotron 3.5 Transcribe，支持最多 40 种语言，并推出开源语音数据集 Granary v2。公司称，该模型可在英语与 31 种语言之间双向翻译，处理最长 1 小时录音、区分最多 8 位说话者，并在 Hugging Face Open ASR Leaderboard 等基准上超过竞争对手。
推荐理由：开放权重与单芯片运行范围，结合语言支持、录音时长和基准信息，为会议及医疗转录场景的模型选型提供具体参考。
36氪精选AI 评分3838 智元 GO-3 Nano Preview 登顶 RoboTwin，平均成功率 85.01%
RoboTwin最新榜单显示，智元 GO-3 Nano Preview以85.01%的平均成功率位列第一。该基准主要考察复杂场景下的双臂协同操作与环境泛化能力，覆盖目标识别、动作协调及环境变化适应等维度。
推荐理由：RoboTwin榜单呈现复杂场景下双臂协同与环境泛化的测试口径，可用于对照模型在复杂操作任务中的相对表现。
36氪精选AI 评分5959 天数智芯首次开放天垓300实机演示，单卡整体吞吐达H200的1.05倍
天数智芯10月28日在上海首次开放天垓300实机演示，第三方实测折算单卡整体吞吐达H200的1.05倍。IXL144超节点集成144颗GPU，官方称为业界密度最高的单机柜GPU超节点；GPU+XPU异构部署AFD分离方案已跑通，推理延迟降低60%。
推荐理由：给出天垓300的第三方折算吞吐、144 GPU 超节点密度和异构部署延迟数据，便于对照评估其工程表现。
Hacker NewsAI 评分6868 Artificial Analysis 发布 Intelligence Index v5 与 Progress Index v1
Artificial Analysis 发布 Intelligence Index v5 与 Progress Index v1，60% 的指数基于私有测试集或保留答案的评测。
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。