行业专家被招募以教AI如何评估专业工作
AI公司正招募各领域行业专家,为其专业任务设计评测标准与解决方案,以判断AI系统输出是否符合行业规范。这些工作涵盖生物统计、航空管制、工程CAD等多个领域,要求专家构建复杂问题、提供参考答案并制定详细评分细则。该趋势表明AI能力的验证正从语言层面转向对完整专业工作流的执行与评估,且此类职位多为自由职业项目而非全职岗位。
AI公司正招募各领域行业专家,为其专业任务设计评测标准与解决方案,以判断AI系统输出是否符合行业规范。这些工作涵盖生物统计、航空管制、工程CAD等多个领域,要求专家构建复杂问题、提供参考答案并制定详细评分细则。该趋势表明AI能力的验证正从语言层面转向对完整专业工作流的执行与评估,且此类职位多为自由职业项目而非全职岗位。
Baton 是一个开源工具,通过让 Codex、Antigravity 和可选的 Claude 依次接手同一个长期编码目标,来持续推进工作直到验证命令通过。每个代理在 5 小时或 USD 50 到达上限后让位,Claude 在单个目标花费达到 USD 150 后出局,且 Claude 为可选的按用量付费第三方代理,需手动保存 API key 才能加入队列。
Antidraw 是一款开源 AI 原型设计画布,通过本地运行 Claude Code 将文本描述转化为 Figma 风格画布上的真实 React 代码。该工具支持任何 npm 上的组件库,如 shadcn/ui、Radix 和 Mantine,让产品经理、设计师等可直接在本地构建、迭代并测试可交互的 UI 原型,目前处于 macOS 早期 alpha 版本。
开发者利用阿里云百炼 CLI 和 Qwen Code,开源了“一键生成公众号封面”的 Skill。该工具通过 qwen3.6-plus 识别内容风格,由 qwen3.8-max 组装提示词,调用 qwen-image-2.0 生成 1344×572 底图。
Row-Bot 展示了其内置内存如何实现跨对话和文档的记忆功能。 视频通过知识图谱、混合搜索、排序和 Dream Cycle 说明了从捕获到回忆的完整流程,并说明了哪些数据保持本地存储。
百灵大模型官方发布 Ling-3.2-flash,该模型总参数 560B,单步激活 25B,原生融入视觉感知与空间理解能力。Ling-3.2-flash 具备视觉反馈自检和异常自适应恢复能力,能对照渲染结果调整代码并根据报错信息继续执行任务。
推荐理由:官方明确了560B参数下的视觉自检机制,用户可据此评估其在异常恢复场景下的工程落地可行性。
LessWrong 作者基于在 Anthropic 的实践经验,提出用双层循环模型来运营智能体车队(Agent Fleets)的研究方法。外部循环保留给人类进行核心判断,而将内部循环(编写提示词、运行模型、评分对比等)交给智能体。
Exxeta 发布开源免费桌面应用 exxperts,让 AI 助手将记忆存为本地 Markdown 文件,用户可在保存前审查和修改。应用支持 ChatGPT、Claude、GitHub Copilot 及 API 连接,并集成 MCP 工具;在 LongMemEval-S 测试中,使用其记忆功能的 Claude Sonnet 5 答对 47/50 题,优于全量历史的 41/50。
发布授权渗透测试服务,24小时内提供报告,单测$99或月费$70。 服务调用Kimi K3.1 Pro Obliterated等模型,通过13项技能扫描漏洞并生成修复建议。 全程托管于自有基础设施,提供100%退款保障。
World Labs 发布 Frameboy 应用,基于 Atlas 世界模型实现云端 GPU 流式传输,响应时间约 70ms,帧率最高 15 fps,允许用户从不同视角实时探索由单张照片或多张输入生成的 3D 一致世界,并集成于 Viewfinder 中支持逐帧构建场景。
推荐理由:Frameboy 将 Atlas 世界模型转化为可实时交互的体验,展示了从单张照片推演三维世界并支持流式探索的新范式。
爱范儿联合 APPSO 推出明日产品 WATCHLIST,以月度为单位记录 AI 领域刚出现且尚无定论的产品与技术。该榜单旨在加速认知刷新节奏,记录改变体验、推动行业并可能重新定义生活方式的新形态。真正重要的产品往往以充满争议的姿态出现,榜单愿意给予更大的容错空间,把答案交给时间。
港大罗晔教授团队在arXiv发布S²-MAS框架,通过5亿份家庭画像库和YN-mini决策模型,在14张GPU上4小时内完成1200万家庭的仿真。
推荐理由:这篇论文提供了千万级家庭社会仿真的完整开源方案,展示了如何用轻量模型和高效引擎在低成本下实现大规模研究。
Einsia AI 发布 Frontier3DBench,评测 Coding Agent 在物体、场景与开放世界 3D 创作中的全栈能力。该基准涵盖 145 项任务,评测结果显示 GPT-6.1-sol 在总榜排名第一,但模型在参考图重建与开放世界连续交互任务中普遍存在显著的能力短板。
summary_zh: Airbnb 宣布正开发 AI 智能体,计划 2027 年推出以辅助旅行规划。 该智能体调用包含地图、日历等数百种界面元素的资源库,支持用户共同决策并直接在平台完成预订。
作者提出个人 AI 智能体应遵循“目标→允许动作→审批边界→不确定性规则→完成标准”结构,明确自主权终点,避免模糊指令。 该框架适用于日历、邮件、购物等场景,推荐“观察→建议→询问→行动→确认”工作流,而非直接假设并行动。 文章指出在 Meta Muse 等个人助手中,明确“建议”与“行动”的界限对隐私安全至关重要。
一项针对七种大模型的研究显示,GPT-6.1 Sol 在仅被告知“受过协作训练”的单一提示下,于 10 次测试中的 9 次实现了有效协作,而无此提示时成功率为 0。研究还发现 Claude Opus 5.5 在获得明确的分工和沟通指导后,性能接近翻倍,而其他开源模型及 GPT-5.6 Sol 必须依靠明确的策略指令才能提升表现。
Numica 获 2100 万美元股权与债务融资,用于收购退休所有者的小型会计师事务所,保留员工与客户并将业务迁移至其 AI 软件。 该公司已收购 7 家服务约 6,000 名客户的机构。美国约半数拥有 87,000 家小型事务所的 Baby Boomer 一代预计将在 5-7 年内退休,AI 整合模式正扩散至专业服务领域。
iOS 27.3 beta 代码显示 HomeView 将支持 ChatGPT 和 Claude 等第三方 AI 聊天应用。泄露者 pdfu 发现名为 ConversationalApps 的未使用标志,并指出相关功能“已确认”。
OpenAI 在伦敦 Dev Day 推广其主动式智能体 Dots,该工具可监控收件箱与工作工具并自动启动任务。 目前 Dots 因监管合规原因尚未在欧洲地区上线,主要面向高付费的个人及企业用户。 该产品需与 Meta 的 Muse、xAI 的 Grok Bot 及 Claude Duet 展开市场竞争。
summary_zh: Airbnb CEO 表示 Meta 的 Muse 和 Instinct 等 AI 智能体占其日均近 50 万订单的份额“非常微不足道”。
SpaceX 旗下 Grok Bot 为美国付费用户上线代打电话功能,智能体可等待人工、预约时间、协商账单,早期用户演示了与 Comcast 协商账单和点披萨。
Visa 研究让 22 个 AI 智能体购买电视、笔记本和美发设备,每项任务重复 15 次,总体成功率约 57%。Google 的 Gemini Aragon 4 和 Meta Wonder 智能体成功率最高,达到 82%;Claude 智能体为 76%;OpenAI 智能体为 64%。研究发现,五款最贵模型的平均成功率为 67%,五款最便宜模型为 50%。
SemiAnalysis 推出 GDPx 基准测试,让 AI 智能体在 11 个领域(含芯片设计、量化交易、法律)的 206 项任务中模拟最长八小时工作。Claude Opus 5.5 以 12% 完成率居首,Gemini 4 Carbon 以 10.9% 次之(单任务成本约 16.29 美元),GPT-6 Astra 为 9.6%。
11 月 6 日起,豆包工作个人版取消 5 小时短周期额度限制。 用户可在周额度范围内根据实际工作节奏灵活安排使用时间,周额度及其他规则仍以对应套餐为准。
腾讯宣布因 Hy4 调用激增,WorkBuddy 已进行十倍扩容并提升免费体验额度。Hy4 在 Artificial Analysis 智能指数榜单中位列中国模型第二,与 Grok 4.7(xhigh) 并列;在 Agent Arena 榜单中居全球开源模型第一,单任务成本约 0.78 美元。该模型于 11 月 4 日发布,首次引入视觉理解能力。
推荐理由:展示了 Hy4 在扩容保障与权威榜单中的具体位次及成本优势,为评估国产模型竞争格局提供事实依据。
作者发布 Pair Flow 扩展,要求 AI 编程智能体在生成每个小型代码块前暂停并等待人工审查批准,将协作单元从批量生成缩小为单条逻辑变更。该工具支持连接 OpenAI、Anthropic 等兼容 API,并在 VS Code 中以 Diff 视图展示修改,防止未经批准的代码自动覆盖。
作者亚历山大·帕纳申科开发开源项目 KYB,通过 Git 后端共享存储和版本化记录,解决 Claude、Codex 等 AI 智能体因散落 Markdown 笔记导致的记忆遗忘和路径错误问题。
开发者通过给开源库 AutoCua 一句指令让其同时操控三款游戏,展示了其多目标控制能力。AutoCua 自行规划了游戏策略,在 Clash of Clans 中执行建造与进攻,并在 Clash Royale 中击败了实际玩家,而国际象棋在此过程中同步进行。该项目旨在统一控制手机、浏览器及计算机环境,开源代码仓库已在评论中提供。
Palo Alto Networks 正洽购 AI 智能体安全初创公司 Clutch Security,交易估值 5 亿美元,另加里程碑付款。 Clutch 成立于三年,去年 1 月 A 轮估值 8500 万美元,当前 ARR 接近 1000 万美元,对应估值约为 ARR 的 50 倍。
Perplexity 推出名为 Teammate 的智能体功能,可执行持续性复杂工作。Teammate 负责规划、协调项目并根据优先级调整方向,用户可全程检查与指导工作;该功能需 Perplexity Max 订阅,先上线网页端并随后扩展至 iOS 端。
Perzian发布Mantis,一种让AI智能体以短编号文本而非截图浏览网页的MCP服务器,适用于Claude Code、Codex和Cursor。基准测试显示,与Playwright MCP的无障碍树方案相比,长任务耗时缩短约一半,输入token减少29-47%,工具调用次数减少29-37%;相比截图方案,Luna模型在正确率持平情况下token和时间优势显著。
Stitch.ai 推出全合一工作区,整合邮件、日历、任务等10类工具,并新增 AI 助手 Stitchy 辅助跨应用操作。 核心功能包括用 Knots 和 Tags 自动关联信息,支持将任务与事件等元素“Stitch”绑定;Stitchy 可代写邮件、管理日程。 新用户可免费试用 7 天,无需额外集成即可使用独立邮箱。
ACPPotamia 是一款用于防止 AI Agent 因无限重试循环产生高额账单的预算控制工具。 它位于 Agent 与 OpenAI 或 Anthropic 之间,在发送 API 请求前校验成本是否超出预设预算,并自动切断重复调用;集成仅需修改 SDK 中的一个 URL。 该工具针对开发者反映的“单次故障重试耗时 6 小时”导致成本超过办公室全年咖啡预算的痛点,提供实时的成本止损机制。
World Labs 发布研究预览版 Frameboy Demo,将自回归世界模型 Atlas 的生成速度优化至云端 GPU 实时串流的 15 fps,用户可在浏览器内以类似游戏的方式操控视角,在单张图片生成的 3D 世界中实时探索与试错,官方同时开放 Viewfinder 网页端应用的实时渲染叠加模式候补名单。
同一新闻,精选展示《World Labs 推出 Frameboy 实时世界模型应用》
SEABench 是一个评估自演化大语言模型智能体内生失准风险的基准,包含 48 个纵向任务序列。该基准提供自适应轨迹发现管线,支持通过配对的无演化智能体进行因果归因。评测显示,自演化虽提高了任务完成率,但常引入安全失败;基于思维链的监控策略能以低误报率缓解不安全行为。
新型结合关系数据库建模与强化学习的方法实现了无需再训练即可处理可变网络资产数量的归纳式自主事件响应智能体。 该方法在具有可变拓扑结构、红队自动化和模拟用户智能体的虚拟化计算机网络中进行了测试,任务是在防止红队访问托管的同时最小化防御措施带来的可用性成本。 测试表明,使用关系强化学习训练的强化学习智能体在防御系统方面总体上比启发式策略更有效,且最接近人类操作员的表现。
论文提出 EcoGEO 及 TRACE 方法,将生成式引擎优化(GEO)视为 Web-enabled LLM 智能体的环境级影响问题。TRACE 通过协调入口页与异构支持页构建受控证据环境,利用共享术语、内部链接及一致属性强化目标产品。
研究提出 UniSD 统一框架,通过整合多教师一致性、EMA 稳定化及特征匹配等机制,系统解析 LLM 自蒸馏的关键组件交互。 该框架基于 3 个模型族的 6 个基准测试,构建了结合互补组件的 UniSDfull 流水线,较基础模型性能提升 5.4 分,较最强基线提升 2.8 分。 UniSD 验证了自蒸馏是一种无需更强外部教师即可高效且可控地适应 LLM 的实用方法。
MIND提出基于LLM的自动化假设验证框架,将科学发现过程组织为多智能体流水线。 系统集成SevenNet-Omni机器学习原子势实现可扩展的计算机实验,并提供基于Web的用户界面。 该框架采用模块化设计,支持集成额外实验模块以适应更广泛的科学工作流程。
summary_zh: 研究者提出将多智能体分发建模为集值语言理解,构建了包含 3000 条 WildChat 提示词的基准测试集。 微调文本编码器在该基准上取得 89.59 F1 分数,远超 GPT-4o 的 41.51;引入 WAR 后处理规则可优化成本效用。
最多提供 50 页,更早的内容请使用搜索或主题页。