Mistrial:重跑 LLM 评判以检测结果翻转
Mistrial 是一款用于验证 LLM 评判者可靠性的工具,支持重跑评估以生成一致性报告。 它通过多次运行不同模型和评分标准,计算自我一致性、Kappa 系数及翻转案例。 该工具旨在解决 LLM 评判不稳定的问题,防止不可信的评分误导 CI 流程。
Mistrial 是一款用于验证 LLM 评判者可靠性的工具,支持重跑评估以生成一致性报告。 它通过多次运行不同模型和评分标准,计算自我一致性、Kappa 系数及翻转案例。 该工具旨在解决 LLM 评判不稳定的问题,防止不可信的评分误导 CI 流程。
苹果面向 iPhone 18 Pro 等机型推送 iOS 27.2 正式版更新,并为折叠 iPhone Duo 推送专属更新。本次更新增强了 Siri AI 体验,使其能记住对话内容并扩大信息来源,包括信息应用照片、日历参与者、语音留言及 Safari 浏览历史;同时为 Image Playground 生成及部分照片编辑结果加入 SynthID 标识以区分 AI 内容。
OpenAI 宣布在数学、计算机科学与物理领域取得三项重大发现,并发布新的学术合作模式。数学方面,模型证明了欧几里得波动方程的局部平滑性猜想,进而解决了各维度的 Kakeya 猜想和 Stein 限制性猜想。
Hugonot 是 AI 博客服务,每周发布原创文章并添加用户指定锚文本的反向链接,月费 $400。 其运作于独立域名,自动研究并撰写垂直领域内容,建立订阅者列表。 成本远低于传统 SEO 代理,单条反向链接成本约 $100。
Greptile 利用 GPT-6 Astra 测试用户工作流,将缺陷检测能力延伸至代码审查阶段。 同时应用 Daybreak 强化安全防护,并使用 Codex 降低返工率。
Survival LLM 是一款免费开源的本地 AI 助手和应急知识库,在离线状态下运行,支持回答食品安全、烧伤处理和净水等紧急问题,并在每个答案中展示数据来源以供用户核实。
Apple 发布 iOS 和 macOS 27.2 更新,包含新的 Siri AI 功能和更新后的 Music 应用标志。 此次更新的核心细节是允许用户限制 Siri 可以直接访问的应用程序范围。
CitySignal 是一个免费的 AI 回答可见性检查器,通过实时搜索审计品牌在 AI 回答中被引用的情况。 它使用客观、可检验的带时间戳数据,而非虚假排名,并区分品牌提及和已验证的源引用。 其定价从免费版到 $9 的 Deep Audit,提供可检查、可复现的代理指标,而非直接查询 ChatGPT 等模型。
UnicornFork 是一款由 Stockfish 提供最佳着法并由 AI 生成 30 秒内解释的象棋教练工具。 用户可通过自然语言询问任意棋局,在棋盘上直观查看结果,并利用“Mistake”等内置提示词自定义教练风格。 支持展示 Morphy 1858 年 Opera Game 等经典案例,允许用户复制、修改或分享提示词。
summary_zh: 苹果向 Mac 用户推送 macOS 27.2 更新,内部版本号为 26B123,距离上次正式版发布间隔 28 天。 Siri AI 新增法语、日语等共 6 种语言支持,增加上下文记忆功能,并允许用户通过设置排除特定应用数据。
苹果今日向 Vision Pro 推送 visionOS 27.2 正式版(内部版本号 24N120),本次更新距上次正式版间隔 28 天。 Siri AI 新增法语、日语等 5 种语言支持,并新增 Excluded Apps 设置以增强隐私控制;照片和 Image Playground 增加 SynthID 支持,可识别生成式 AI 图像。
summary_zh: Show HN 展示了名为 Agentic Agreements Protocol (AAP) 的协议,旨在为 AI 智能体提供便携式签名协议与可验证记录。
Tokensaver 是一款离线运行的开源工具,通过分析 prompt 给出 token 和美元节省建议,支持 55 种语言。
Resin 是用于构建 LLM 推理系统的 Rust 库,核心为无头 Engine 调度器、KV cache 和 metrics 服务。 作者 12 小时内在 Blackwell GPU 上用它构建了 DeepSeek-V4.1-Flash 和 GLM-5.3-Flash 引擎,性能与 vLLM、SGLang 相当。 Resin 提供 TP、EP 并行和投机解码,但不适合生产环境。
Microsoft 推出 HAX Toolkit 帮助构建用户端 AI 产品的团队设计有效的人-AI 交互体验。该工具包包含三大组件:HAX Design Library 用于学习人-AI 交互指南及其应用模式,HAX Workbook 作为团队讨论和规划指南以优先实施准则,以及 HAX Playbook 帮助使用自然语言处理的应用识别常见故障并规划缓解方案。
Sturnus 是一款轻量级 LLM 负载均衡器,通过单一静态二进制文件实现自动延迟路由,无需 Redis 或数据库等外部基础设施。 支持 OpenAI 兼容 API,具备会话亲和性与错误感知路由,请求缓冲区设有内存上限以防 OOM;采用 MIT 许可证,可运行于 Docker 或本地环境。
Google Research 与斯坦福学习加速器合作发布 AI Quests 系列第三个关卡“Polar Peaks”,旨在向 11 至 14 岁学生传授 AI 素养及负责任使用 AI 的技能。该关卡基于连接组学研究,通过模拟大脑神经元映射,目前已完成超 40 万关,支持 10 种语言,并同步上线教师培训模块。
Pixtorium 开放测试版上线,提供原生 AI 图像编辑功能,支持通过 MCP 协议接入 Claude Code、Codex 或 Claude Desktop 等智能体进行交互式编辑,并能在端侧运行 BiRefNet、MobileSAM 等模型完成抠图、背景移除、放大等操作。
HumanLayer是一个开源monorepo,让团队通过桌面、Web和daemon统一管理Claude Code、Codex、OpenCode、Pi等编码Agent的会话、任务、计划和评审。代码基于Turborepo和Bun,支持自托管,采用Apache 2.0许可证。
summary_zh: iRoomDesign 推出基于真实照片的 AI 房间设计功能,用户上传照片并选择风格后,约 1 分钟内即可在浏览器中生成保留原有结构(如墙壁、窗户、实际尺寸)的重设计方案。
Alchemy AI 引擎可将博客、笔记和转录稿转化为 LinkedIn 帖子、Twitter 线程及新闻通讯等内容。 输入粘贴原始文稿后选择目标格式即可启动转换,高密度输入旨在消除 AI 幻觉。 支持即时生成多种平台格式,包括 LinkedIn、Twitter、Substack 和 Reels。
钛动科技在TGC 2026大会推出行业首个Pro Agent Navos Pro,主打Professional、Proactive、Profitable三大能力,旨在帮企业赚钱。 其系统日均覆盖10亿级感知数据,支持千万级广告诊断与百万级行动建议,基于32B/27B/5B模型与自研钛极模型构建闭环。 Navos Pro通过结果导向策略,已助力客户将品牌ROI提升至2.5倍。
Pusaka Intelligence 基于 SEC 文件构建 AI 股权研究,覆盖 99 只美股,输出公平价值、评级及信心度,所有数据均有引文且由分析师复核。服务按月度重建,定价为 Analyst 版 $19/月(早鸟价)、Desk 版 $99/月、Partner 版 $499/月,含 7 天免费试用。定位为无个性化投资建议的非正式出版商,提供可审计的变更日志。
Claix 提供托管式数据库检索层,使 AI 智能体以自然语言查询 Postgres 或 Supabase,获取类型化答案,全程无需编写 SQL 或持有数据库连接。 支持通过 REST、MCP 和 A2A 协议调用,每个智能体拥有独立端点、业务提示词和路由,仅访问配置的表与列。 防止提示注入越权,所有请求记录追踪日志,支持沙盒测试,无需自建查询工具或维护权限检查代码。
AIVS 利用 Codex 将剧本转换为分镜脚本,并通过 LTX-2.5 在 Apple Silicon 本地渲染含语音的视频。 LTX-2.5 以 1280×704 分辨率、24 fps 生成 4–12 秒片段,采用 FFmpeg 组装,支持场景间帧级连续性。 应用需约 50 GiB 磁盘空间,依赖 Hugging Face token 及本地 Whisper 模型进行语音校验。
Image or AI 是一款 AI 图像检测工具,能展示检测判决所依据的具体证据。 其判决分为六类,如 AI-generated(Content Credentials)基于 C2PA 记录可信度高,Pattern model 分数 90% 以上判定为 Likely AI-generated。
Graph-MIND 发布本地 AI 编码智能体记忆工具,保存对话不消耗 LLM token,在 LongMemEval 基准测试中准确率达 88.8%。工具支持 Claude Code、Codex 等应用共享同一本地记忆,无需云端,支持英语和韩语,可在 Windows、macOS 和 Linux 上安装,使用 AGPL-3.0 开源协议发布。
Turo 宣布将于 10 月 28 日在美国推出首个经验证的特斯拉 FSD 监督版租车体验,用户可直接预订启用该功能的车辆。 平台通过 API 接口验证车辆功能状态,强调驾驶员仍需监督,不能视为完全自动驾驶;Model 3 和 Model Y 已分别成为平台第三和第四受欢迎车型。 Turo 预计 2026 年全年预订总额将达 33 亿美元、营收 12 亿美元,并实现连续第五年盈利。
IDHN v0.3.1 是一款针对 Codex 等 AI 编码智能体的权限管控工具,通过在宿主和代理之间插入确定性策略边界,将文件系统、网络和操作权限限制在任务所需的严格范围内。实测数据显示,在原生沙盒允许越权修改关键文件并导致数据损坏的场景下,IDHN 能够精准拦截该操作,且未降低合法任务的执行成功率,同时提供不可篡改的审计日志。
该 Agent 技能在本地模糊统计 LLM 文本水印,支持处理 Claude、Gemini 及 OpenAI 等模型。核心机制是通过改写替换 token 采样信号,从而降低绿名单 z-score。 工具同时剥离不可见 Unicode 及 C2PA 等元数据,但无法消除像素或音频水印。重写不能保证供应商检测器失效,且对上下文哈希水印的对齐破坏有限。
Qoder 宣布增加模型容量和 TPM,缓解排队,并将 DeepSeek-Flash 的限时免费使用延长至 10 月 31 日。 用户在 Qoder 国际版和 CN 版的产品中,通过模型列表选择 DeepSeek-Flash 即可使用该模型。
WorkBuddy 正式打通 LibTV,支持直接调用其专业创作工具与导演级 Skills,实现从品牌视频、爆款素材到短剧的全流程生产。 该集成允许用户参考 LibTV 爆款作品的制作画布与提示词进行快速复刻,并借助 Wan 3、Seedance2.0 Fast 等模型降低成本,如 3 元制作品牌片、5 元制作短剧。 结合定时任务可实现 7×24 小时持续出片,单人即可运营一条自动化视频生产线。
agentic-project-kit 更新至 v1.1.6,新增 Successor Handoff Package 机制及 E1 证据归档功能,支持通过确定性包替代聊天记忆进行交接。
CleanYourTV.AI 提供免 Root 的 TV 清理工具,支持 Mac、Windows 及 Android 设备管理广告和预装应用。 用户通过桌面应用连接电视,审查并关闭推广行与预装应用,可自定义桌面布局、壁纸及主题。 工具基于开源项目独立开发,提供本地恢复记录,视频内嵌广告无法移除。
Griyd 发布面向团队的多玩家 AI 工具,支持在 Git 平台上自动发起拉取请求并协同开发。 免费版提供每月 5 个智能体小时;Pro 版售价 $12/月加用量,支持 10 个并发智能体及 $0.75/智能体小时计费。
文章标题指向 AMD 推出的 Ryzen AI Halo 产品或技术。 现有信息仅包含“AMD Ryzen AI Halo”这一名称,缺乏具体的技术参数、性能数据、功能描述或市场影响等实质内容。 原文未提供足够信息以概括其具体特性或行业意义。
Load-lock 是一款机器级全局信号量工具,专为解决并行 AI 编码智能体(如 OpenCode、Codex CLI、Claude Code)构建与测试资源争用问题而设计。 该工具实现了一个共享计数信号量,支持原子获取、FIFO 排队,并允许智能体在等待期间继续执行轻量级任务,从而实现高效协作。
字节跳动旗下即梦AI宣布即梦短剧工作室正式上线,提供自研剧本模型DreamScript、图片模型Anycook和分镜模型DreamShot。DreamScript支持多题材剧本生成与爆款诊断;Anycook可生成短剧角色与多风格场景;DreamShot支持画布与故事板切换、3D导演台预演及智能镜头规划。
Meta 旗下 Ray-Ban Meta Audio 眼镜售价 $349,具备音乐、通话、口述及 AI 助手问答功能,但移除了一项关键功能。 该定价高于部分入门级模型,却提供相似功能,包括日历连接以获取提醒与建议。 因缺少关键功能,更高定价难以被合理化。
智元发布安规级重载具身机器人精灵 G2 Max,面向拆码垛、物料转运及产线供料等工业场景,单臂负载 20kg,双臂额定负载 40kg,双臂峰值负载可达 50kg,手臂重复定位精度≤±0.5mm。