跳到正文
10月15日周四
  1. 机器之心78

    Artificial Analysis 发布 AA-Robotics 榜单:通用大模型操控机械臂效率远落后于人类基线

    Artificial Analysis 发布 AA-Robotics v0.1 评测,测试 GPT、Claude、Gemini 控制真实机械臂完成八项任务的能力。结果显示 GPT-6 Astra 总分最高为 69.4 分,但完成单任务平均耗时约半小时,比 20 秒的人类基线慢近两个数量级。测试表明通用模型在复杂物理交互和纠错能力上仍不稳定,且调用成本较高,专用具身模型仍有价值。

    推荐理由:评测给出了通用大模型操控机械臂的效率与成本基线,有助于判断专用具身模型的替代空间。

  2. 机器之心69

    CodeActionBench 发布:评测通用 Agent 的机器人操作能力

    南洋理工大学团队提出 CodeActionBench,在双臂仿真环境下评测通用多模态 Agent 的机器人操作能力。在 25 个任务和 9 个模型配置中,GPT-6 Astra (Codex CLI) 尝试成功率达 73.3%,Claude Opus 5 在 Reference harness 下取得 49.3%。评测涵盖任务结果、中间进展及自主完成判断,揭示代码构造策略在具身操作中的潜力。

    推荐理由:评测揭示了代码策略在机器人操作中的潜力与局限,读者可据此理解通用 Agent 在具身任务中的具体能力边界。

  3. R/ArtificialInteligence51

    Google AI Mode 对话查询如何混入搜索日志

    基于 155 个网站 16 个月数据,Google AI Mode 的对话回复和追问被作为独立查询计入搜索日志。数据显示对话式查询在百万曝光中的占比从 5.6 升至 116,但点击率仅 2.9%;语言分析显示不同地区用户对 AI 回复的礼貌用语使用率存在显著差异。

  4. 智东西74

    蚂蚁百灵开源 Ling-3.1-flash 模型并实测其办公与 Agent 能力

    蚂蚁百灵开源 Ling-3.1-flash 模型,该模型总参数量约 560B,激活参数约 25B,上下文窗口为 1M。智东西实测该模型在财报分析、个人工作助理、3D 场景搭建及移动端 App 开发等任务中,能完成从需求理解到交付可运行成果的完整流程,且在 Design Arena 开放权重模型评测中多项视觉与开发能力位列前三。

  5. Hacker News AI33

    Thinkbeside:支持 GPT、Claude 和 Gemini 的 AI 侧边栏扩展

    Thinkbeside 是一款 Chrome 扩展,允许用户在浏览网页、PDF 或 YouTube 视频时,通过侧边栏与 GPT、Claude、Gemini、DeepSeek 和 Grok 进行对话。 它支持通过用户自带的 API key 调用模型,允许附加最多 6 个标签页进行跨页研究,并支持对比不同模型的回答,费用直接由模型提供商结算。

  6. arXiv · ML25

    深度计算在潜空间世界模型组合中是否保留,路由器能否利用?自适应计算研究

    针对9个DeepMind Control任务,12块早期退出潜空间预测器测试发现,深度假设在3个任务中失效,浅层出口反而更准确。 事后最优路由比固定深度混合降低10-37%误差,但训练路由均未超越固定调度,且反转现象依赖组合潜空间监督。 这些结果随编码器、骨干网络和训练数据变化,修正了此前关于路由有效性的多项主张。

  7. arXiv · NLP25

    设计文本界面以增强音视频问答中的 LLM 推理

    研究通过对比 Qwen3-Omni 和 Gemini 实验,提出直接推理、captioner-reasoner 及 agentic 三种文本界面设计。 直接推理的 prompt 优化收益因模型而异;后两者虽提供可解释性更强优化接口,但优化难度更高。 研究凸显文本界面设计是使 prompt 优化在多模态推理系统中有效的关键因素。

  8. arXiv · NLP25

    多语言摘要 LLM 评估:GPT-5.6 Luna 未保持孟加拉语优势

    该研究对 8 个 LLM 进行零样本基准测试,GPT-5.6 Luna 领先英文词汇指标,LLaMA 3.3 70B 取得最高 ROUGE 和 BLEU,Gemini 2.5 Flash 获最高孟加拉语事实性分数。 测试采用词法、语义指标及 LLM-as-a-Judge 评估,结果显示不同方法产生不同排名,单一指标存在局限。 这凸显了面向低资源语言需采用综合评估框架的必要性。

  9. IT之家71

    字节跳动洽谈采购联发科 ASIC 芯片用于数据中心

    字节跳动正与联发科洽谈采购定制 ASIC 芯片,以支撑其数据中心运行。这笔交易可能使字节跳动成为联发科 ASIC 业务继谷歌后的第二大客户,联发科借此可拓展数据中心市场并与高通竞争。字节跳动因无法获取英伟达等顶尖芯片及本土算力不足而寻求替代,计划今年资本开支最高达 700 亿美元,重点投入 AI 模型训练与推理基建。

  10. APPSO34

    苹果 AI 国行版预计 12 月上线,初代功能先行新版 Siri 缺席

    苹果计划于今年 12 月随 iOS 27.3 更新在中国内地推出 Apple Intelligence,首批上线初代功能,新版 Siri 缺席。 首批功能包括 Genmoji 自定义表情、通知摘要、写作工具及照片物体消除等,图像生成功能因监管要求暂时缺席。 苹果已与阿里巴巴合作开发符合中国监管要求的 AI 安全机制,该计划原定于 2025 年 5 月落地,此前多次推迟。

  11. Hacker News AI77

    本地AI模型基准测试:MiniSforum MS-S1 MAX 硬件下各大模型实测表现

    作者使用搭载 AMD Ryzen AI Max+ 395 和 128GB 内存的 MiniSforum MS-S1 MAX 设备,对多款本地部署的大语言模型进行代码能力基准测试。测试结果显示 Qwen3.8-27B 在编码任务中表现接近顶级云端模型,但响应速度较慢;Swift Q6_K 在速度优化后表现均衡;Gemma 4 在处理复杂代码审查任务时出现误报。

    推荐理由:该评测通过六项真实代码基准测试,量化对比了本地端侧大模型与云端模型在实际开发场景中的性能差异。

  12. IT之家64

    美联储官员:AI 投资激增加剧了美国通胀压力

    美联储 9 月会议纪要显示,官员认为 AI 基础设施建设是推高商品价格上涨的主要因素,而非关税。剔除食品和能源后物价仍快速上涨,且 AI 基础设施建设对物价的影响在加大,而关税影响逐渐减弱。官员预计整体通胀率要到 2029 年才有望降至 2% 的目标水平,部分观点认为 AI 建设热潮可能带动整体经济需求增长并进一步推高物价,但长期生产率收益及显现时间仍不确定。

  13. IT之家42

    YouTube Music 上线 AI 音乐标注功能,提供三类“成分表”

    YouTube Music 上线 AI 音乐标注功能,针对主要使用生成式 AI 创作的歌曲,在名称下方显示椭圆形“AI”标签。 用户点击标签可查看 AI 使用详情。系统结合合作伙伴申报与平台检测,将音乐细分为“完全”、“部分”及“未使用”生成式 AI 三类。 Auto-Tune 等音高修正软件被归类为未使用 AI,未申报歌曲将由内部系统自动判别。

  14. R/ArtificialInteligence44

    Gemini 网络搜索行为研究:命名产品搜索率78%,描述需求仅7%

    一项研究测试了500个产品问题,发现当用户明确指定产品名称时,Gemini 78%的情况下会搜索网络;若仅描述需求而未点名,搜索率降至7%,模型主要依赖训练记忆作答。 该结果揭示了AI在调用外部搜索与内部记忆间的决策逻辑,为理解AI响应构建机制及企业如何向AI传递产品信息提供了数据参考。

  15. Hacker News AI81

    Epoch AI 发布 SpireClimb 基准:评估大模型在 Slay the Spire 中的游戏能力

    Epoch AI 发布新基准 SpireClimb,通过视觉计算机使用框架评估 LLM 在 Slay the Spire 1 和 2 中的表现。前沿模型目前能在 StS1 基础难度达到 90% 以上胜率,在最高难度下 GPT-6 Astra 和 GPT-6.1 Sol 分别取得 17% 和 20% 胜率。测试还表明,StS2 作为较新游戏,模型表现未出现显著下降,显示通用策略推理能力正在增强。

    推荐理由:通过冻结 StS2 版本隔离训练数据偏差,该基准为量化 LLM 在视觉计算机使用场景下的即时通用策略推理提供了可复现方法。

  16. The Decoder67

    Google 称自我改进型 AI 仍遥不可及

    Google 工程师 Haydn Belfield 指出,自我改进型 AI 进展有限,DeepMind 尚未发现由 AI 驱动的 AI 研究加速。目前 AI 已编写超过 75% 的生产代码,但约 88% 的代码变更仍依赖人工审查。在内部基准 RE-Bench 上,Argon 解决了约半数任务,显著优于 Gemini 3.7 Flash 的 27%,但距离全自动化所需表现仍有差距。

  17. Hacker News AI33

    Palantir CTO 称部分 AI 研究人员通过吸烟展示对 AI 的信仰

    Palantir CTO Shyam Sankar 声称,部分 AI 研究人员开始吸烟,以此向同行展示对 AI 治愈癌症的坚定信心。Sankar 将此行为归咎于有效利他主义(EA)带来的“末日崇拜”,认为这种信仰阻碍了对 AI 安全性的实际讨论。前癌症研究者指出,即便有 AI 辅助,新药研发也需数年,且无法保证耐药性,吸烟并非明智之举。

  18. Hacker News AI37

    Google Search Console 中 AI Mode 点击与排名追踪实验

    Google AI Mode 的点击数据并入 Search Console 性能报告,但查询词几乎全部匿名化。 实验发现,即使生成 100 以上展示量(500 次查询仅产生 101 次点击)也无法解锁真实查询词;侧边栏引用链接及展开链接均被独立追踪为不同位置。 同一 URL 在不同匿名查询下的点击会聚合为一行,排名取平均值(如位置 1 和 5 平均为 3)。

  19. The Verge · AI42

    OpenAI 指控前员工窃取产品计划并展示给 Apple

    OpenAI 起诉前员工泄露超 100 份文件,指控其向 Apple 高层展示产品计划,涉及未发布设备图像与工程数据。 OpenAI 将 Apple 新发布的 HomeView 智能显示器及本周其他设备与该员工此前展示的资料联系起来。 该诉讼源于双方关于商业机密的法律战,OpenAI 称此信息正被用于 Apple 产品开发。

  20. Google Research70

    Google Research 发布 Deep Review 智能体系统用于技术文档审查

    Google Research 发布 Deep Review,这是一个旨在解决 AI 生成内容激增下验证瓶颈的智能体系统,现已全面开放。该系统通过文档分段、自适应预算分配、深度并行验证和全局综合的四阶段管线,对长文档进行逻辑一致性和事实核查,支持 PDF 和纯文本输入。

    推荐理由:原文揭示了四阶段智能体管线如何解决长文档验证瓶颈,并公布了分级访问策略,为技术文档审查提供了可复用的工程参考。

  21. Google Research72

    Google Research 发布地球AI地理空间智能体技术报告及早期访问更新

    Google Research 分享地球AI(Earth AI)地理空间推理智能体的三项更新,包括发布涵盖 GeoKTools 和 GeoExpertQueries 两项新基准的技术报告、公布与 WHO 等机构的真实场景合作测试洞察,并开放 Google Earth 和 Google Cloud 上的早期访问入口。

    推荐理由:文章分享了地球AI地理空间智能体的技术报告、合作伙伴实测洞察及开放早期访问入口,为读者提供了跨模态空间推理系统的具体评估基准与应用场景参考。

  22. The Verge · AI67

    Anthropic关于小型AI模型自复制风险的研究引发关注

    Anthropic发布报告警告小型AI模型可能在数月内具备自复制能力,成为AI蠕虫威胁。研究人员成功将拥有260亿参数的Google Gemma 4模型拆分部署到15台Android智能电视盒上运行。测试显示,中国智谱的GLM-5.2模型能够协调更小的Llama 3.1-8B模型在模拟网络中扩散,专家预测年底小模型能力将追平GLM-5.2。

  23. The Verge · AI46

    Android 利用 Gemini 增强 Google Messages 防诈骗功能

    Android 推出 Google Messages“增强保护”设置,利用云端 Gemini AI 模型评估陌生发送者的意图以识别复杂诈骗。该功能为选启用,并结合设备上 Gemini Nano 模型检查未知 URL 是否包含恶意链接。 聊天诈骗检测功能将在今年晚些时候扩展至 Honor、Motorola、Oppo 等品牌,覆盖数亿额外用户。

10月14日周三
  1. R/ArtificialInteligence51

    Alphabet总裁Ruth Porat谈Google为长期胜出而进行AI巨额投入及最大风险

    Alphabet预计今年AI基础设施建设支出约2000亿美元,总裁Ruth Porat在福布斯峰会上表示明年资本支出将“显著增加”,因算力需求增长仍受限。第二季度资本支出已达449亿美元,绝大部分用于AI基础设施;公司7月将2026年支出预期上调至2050亿美元,股价随后下跌超6%。Porat强调,获取回报需聚焦为合作伙伴创造收入增长的价值及交付算力容量的效率。

  2. LessWrong · All Posts50

    前沿 AI 实验室安全文化失效:OpenAI 与 Anthropic 的困境

    前沿实验室缺乏深层安全文化。Anthropic 虽在技术人员中展现一定安全责任感,但多数员工仍视问题为琐碎,并依赖运营卓越性“逢场作戏”应对;OpenAI 的文化问题更为根深蒂固,本周 David Robinson 辞职吹哨,OpenAI 被迫解雇三名安全研究员,叠加两家公司新的对齐偏差报告。