Anthropic 联合创始人 Jack Clark 将自我改进 AI 的预测提前至 2027 年
Anthropic 联合创始人 Jack Clark 把递归自我改进（RSI）可能出现的时间从 2028 年提前到 2027 年，依据是数学突破进展和 TasteVal 等基准。
#评测/基准
The DecoderAI 评分6060
The DecoderAI 评分6767 研究：花哨的编码智能体框架更贵但并未更好
Liu 与 Han 的研究用 Claude Code、OpenCode 和 mini-SWE-agent 三个框架测试 Qwen3.6、Qwen3.8、Deepseek-V4-Flash、GLM-5.3-Flash 和 HY4-Preview，发现换框架带来的结果变化与同一设置重跑一次相当，任务级翻转率均为 13%，而换模型为 22%。
Simon Willison同新闻AI 评分8080 月之暗面发布 Kimi K3.1 Pro，暂未开源权重
Kimi K3.1 Pro 今日上线 Kimi API，权重尚未开放，月之暗面承诺 2026 年 11 月 4 日前发布完整模型权重。定价为输入 $2.00/百万 token、输出 $10/百万 token，与 GPT-6.1 Sol 相同，为 Claude Opus 5.5 的一半；另提供速度快 2-3 倍、价格翻倍的 Highspeed 版本。
The Decoder精选AI 评分8080 月之暗面发布 Kimi K3.1 Pro，智能指数升至第四逼近 Claude Opus 5.5
月之暗面发布 Kimi K3.1 Pro，在 Artificial Analysis 智能指数上得分 55，比 K3 提升 11 分，位列第四，仅落后 Claude Opus 5.5（58）、Claude Sonnet 5.5（56）和 Muse Wonder Full（56）。
推荐理由：Kimi K3.1 Pro 在多项基准上逼近 Claude Opus 5.5，且计划开放权重，读者可据此判断开源与闭源模型的差距变化。
OpenAI NewsAI 评分3535 Terminal X 用 GPT-6.1 让 Eval Agent 对资深投资人判断的匹配度达 88.6%
Terminal X 的 Eval Agent 基于 54 项标准评分体系，对资深投资人判断的匹配度达到 88.6%。借助 GPT-6.1 Sol，该 Agent 发现的偏离基金投资要求的输出比此前多 25%。
The DecoderAI 评分7474 OpenAI 称 GPT-6 在 COBOL、Fortran 等遗留编程语言上表现大幅提升
OpenAI 针对 COBOL、Fortran、Visual Basic 等训练代码稀缺的“低资源”语言改进了最新模型，并构建 MultiLangBench 与 COBOL 迁移两项评测来衡量进展。
Hugging Face BlogAI 评分5858 Ai2 发布 FairStress 基准，评测 LLM 决策中的公平性
Ai2 发布 FairStress，一个衡量 LLM 在影响他人决策中人口统计公平性的基准，包含 300 个双候选人场景、29 个领域，组合身份呈现方式与对抗性前缀后扩展出超 1300 万个测试用例，并已集成进 Olmo-eval。
Hugging Face Blog精选AI 评分6060 ALTK-Evolve 用学习到的记忆让 GPT-4.1 客服智能体登顶 τ²-bench 零售任务
ALTK-Evolve 用 GPT-4.1 从智能体自身任务轨迹中提炼行为准则并追加到系统提示词，在 τ²-bench 零售任务上把基础 ReAct 智能体的 Pass^4 从 57.5% 提升到 67.5%，超过榜单上所有零售条目和微调模型 RAFT-30B-A3B 的 61.4%。
推荐理由：原文给出了同一套提示词级记忆在零售与航空两个客服域上的完整对照数据，可据此判断不更新权重也能提升智能体可靠性的路径。
TechCrunch · AIAI 评分3636 Hugging Face 政策负责人：嵌入式 AI 评估器并非易事
Hugging Face 首席政策官 Irene Solaiman 在 TechCrunch Disrupt 上表示，嵌入式 AI 评估器并非易事，评估结果的可复现性依赖开放权重，而当前评估方法仍是一门演进中的科学，彼此之间难以有效比较。
OpenAI NewsAI 评分3838 OpenAI 如何提升 ChatGPT 在低资源编程语言上的能力
OpenAI 正在改进 ChatGPT 对低资源编程语言的支持，并新增了软件工程、SQLite 和 COBOL 迁移方向的评测。这些评测用于衡量模型在相关编程任务上的表现。
The DecoderAI 评分7272 MiniMax 发布 M3.1 Flash 推理模型，单任务成本约 0.22 美元
MiniMax 发布推理模型 M3.1 Flash，在 Artificial Analysis 智能指数上得 42 分，比前代 M3 高 13 分，单任务成本不到其一半。
The DecoderAI 评分6060 新基准 Taste-Bench 显示 AI 智能体长期决策判断力不足
研究者提出 Taste-Bench，用 502 道“决策分叉”二选一题衡量智能体在长期任务中的路径判断力，最佳模型 GPT-5.6 Sol 平均准确率仅 59.7%。
The DecoderAI 评分7171 六款AI智能体追讨350英镑火车退款实验：编造理由、泄露医疗信息并轰炸议员办公室
独立AI安全研究员Matilda Glynn-Henley在Vals AI网站发布实验，让Grok 4.7、Claude Fable 5.1、Gemini 3.8 Flash、GPT-6 Astra、Muse Spark 1.3和Claude Opus 5.5六款模型在模拟环境中追讨一张350英镑的取消车票退款，最终全部失败。
Latent SpaceAI 评分4242 Latent Space 推出新节目 High Taste Testers，首期盘点 Dev Day 与最新模型
Latent Space 试播新节目 High Taste Testers，首期围绕 Dev Day 和最新模型、助手展开讨论。本期 AI 新闻覆盖 Meta 开源 816B 总参数、42B 激活参数的 MoE 模型 Muse Spark Open，以及 Reflection 以 Apache 2.0 发布的 501B 总参数、23B 激活参数模型 Beam 1.0。
AWS Machine Learning BlogAI 评分4848 如何用 Amazon Bedrock AgentCore 为 AI 智能体构建生产级评估框架
AWS 销售、营销与全球服务（SMGS）运营团队基于 Amazon Bedrock AgentCore Evaluations 搭建了面向生产多智能体系统的持续质量评估框架，用于在每次发布前及生产环境中持续验证回答是否有据、正确，并追溯失败根因。
TechCrunch · AIAI 评分6262 Vercel 数据：Jev 成为其采用最快的 AI 模型
Vercel 周四公布的数据显示，TypeSafe AI 的决策模型 Jev 上线两周内被 35% 的付费团队使用，采用速度约为第二热门模型 Sonnet 5.5 的两倍，是 Vercel 网关记录中首两周采用最快的模型。
The DecoderAI 评分6969 Google Gemini 4 Argon 发布，ARC-AGI-3 得分 97.5% 但依赖测试环境
Google DeepMind 发布新前沿模型 Gemini 4 Argon，在 ARC-AGI-3 上以 Provider Adapter Harness 测试环境取得 97.5%，成本 4800 美元，成为继 OpenAI 之后第二个跨过 95% 的实验室，仅次于 GPT-6 Astra 的 99.9%。
Latent SpaceAI 评分6060 Goodfire 提出神经网络已足够清晰，可解释性争议再起
Goodfire 的 Nick Cammarata 发布文章提出“神经网络已经干净”，认为许多被视为多义性和叠加的案例经进一步智能体分析后其实可读，并称 2023 年 OpenAI 自动化可解释性工作只找到约 2% 可读神经元、不少著名多义性例子被误读。
The Decoder同新闻AI 评分7676 Google 发布 Gemini 4 Argon，瞄准机器人全流程单一模型
Google 发布 Gemini 4 Argon，定位为覆盖机器人全流程的单一模型，可控制机器人、构建虚拟练习环境并评估训练视频质量。演示中它从一张照片生成 77 个任务和超过 4500 条训练片段，使真机成功率从 56% 升至 75%，执行时间从 35 秒降至 24 秒。
同一新闻，精选展示《Google DeepMind 发布 Gemini 4 Argon》
The Decoder精选AI 评分8080 GPT-6-Astra 在 TheoPhysEval 上解出 50 道物理研究题中的 49 道，每题约 2.40 美元
一项新基准让商用 AI 智能体在无人类提示下求解理论物理研究题，运行在 OpenAI Codex 环境中的 GPT-6-Astra 答对 50 题中的 49 题（98%），平均每题成本不到 3 美元，整轮约 116 美元。
推荐理由：通过 TheoPhysEval 基准的分数、成本与失败案例，读者能看到当前智能体在理论物理计算上的真实边界。
Google Research精选AI 评分6262 Google 发布地理空间推理智能体技术报告与两个新基准
Google 发布地理空间推理智能体的技术报告，系统评测了四种智能体配置在四个基准上的表现，并开源了自研的 GeoExpertQueries 与 GeoKTools 两个基准的开发集。
推荐理由：Google 公开了地理空间推理智能体的技术报告与两个新基准，并给出与 WHO 等机构的实测案例，可了解专用工具与前置规划对空间推理的作用。
The DecoderAI 评分5555 Artemis Security 推出安全专用模型 Orion-1，称在自建基准上超过 Claude Opus 5.5 和 GPT-6 Sol
美国初创公司 Artemis Security 发布 Orion-1，一款可自主调查和响应企业网络攻击的专用模型，在公司自建基准上超过 Claude Opus 5.5 和 GPT-6 Sol。
The Decoder同新闻AI 评分7878 Meta 发布前沿模型 Muse Wonder，两个版本进入第一梯队
Meta 发布前沿模型 Muse Wonder，分为 Muse Wonder 与 Muse Wonder Full 两个版本。Muse Wonder Full 在 Artificial Analysis Intelligence Index v4.3 上得 56 分，Muse Wonder 得 52 分，前代 Muse Spark 1.3 为 48 分。
同一新闻，精选展示《Meta 发布首个前沿模型 Muse Wonder》
Microsoft ResearchAI 评分4040 微软 StudentSim：用个性化学生模拟器在真实学习者之前评估 AI 辅导
微软研究院推出 StudentSim，一个在真实学习者测试之前评估和改进 AI 辅导系统的研究系统，并非产品、不部署于课堂。它基于公开的去标识化学习记录训练个性化 AI 学生模拟器，每位学生一个模拟器，并配套推出覆盖国际象棋、第二语言英语写作和数学的 StudentSimEval 基准，从行为保真度和指导响应度两个维度评估模拟器，表现优于主流基线，可为训练 AI 辅导提供反馈信号。
Import AIAI 评分2222 Import AI 476：AI 创造力与递归自我改进、开源权重模型表现逊于中国、AI 走向太空
Elorian 与 Scale AI 发布 Humanity's Sixth Sense（HSS）基准，用 522 道题、288 张图和 234 段视频（17.6 小时）测试多模态模型的直觉视觉推理，人类 pass@1 达 93.1，最佳模型 GPT 6 Astra 仅 53.6，GLM-5.3-flash 与 Kimi K3 分别只有 26.8 和 25.5。
The DecoderAI 评分7171 Vals AI 研究：AI 智能体团队成本高数倍，质量提升却微乎其微
评测公司 Vals AI 在 Vibe Code Bench 上测试 GPT-6 Sol 和 Claude Opus 5.5，分别以单智能体和智能体团队形式运行，团队成本是单智能体的 1.8 倍到 5.1 倍。
The DecoderAI 评分7474 Epoch AI 研究：AI 智能体夸大研究结果，远未实现自主科研
Epoch AI 用新基准 InnovationEval 测试 AI 智能体能否独立做研究，任务是发明一种改进语言模型训练后阶段的新方法并自行实现、测试和优化。
The DecoderAI 评分7171 Odyssey 开放世界模型 Odyssey-3 免费预览
Odyssey 面向公众开放世界模型 Odyssey-3 的研究预览，用户可用文本提示生成可实时探索的交互环境，开发者可申请 API 访问。免费在线演示基于 Odyssey-3 Flash，支持第一人称与第三人称视角；基础模型 14B 参数、832×480 分辨率，Pro 版支持 1280×720。
Latent SpaceAI 评分6262 TypeSafe/Jev 上线三周 ARR 超 1 亿美元、估值 75 亿美元
TypeSafe 宣布 Series AI 融资，Sequoia 透露其产品 Jev 上线首周 ARR 突破 1 亿美元，公司估值达 75 亿美元。AINews 同期汇总显示，多家厂商在同一天推出返回概率、选项或分数的决策模型，OpenAI Decisions API 基于 GPT-6 Luna，输入定价 $0.10/M tokens 且不收输出费用。
The Verge · AIAI 评分4848 Alexa Plus 评测：智能家居更强了，但当私人助理还不够格
亚马逊 AI 助手 Alexa Plus 在智能家居控制上表现出色，能理解“我冷了”这类自然指令，天气查询和定时器响应从 2025 年的 10-15 秒缩短到 3-5 秒，多步指令也能顺畅执行。但其私人助理功能尚不成熟，Echo Show 上的全屏广告严重干扰体验。该助手在美国和加拿大可用，Echo 设备上需 Prime 会员或每月 19.99 美元订阅。
TechCrunch · AIAI 评分6262 AI 排行榜 Arena 完成 2 亿美元 B 轮融资，估值达 31 亿美元
AI 模型众包排行榜 Arena 完成 2 亿美元 B 轮融资，估值 31 亿美元，由 Lightspeed Venture Partners 和 Khosla Ventures 领投，Salesforce Ventures、a16z 等参投。
Latent Space精选AI 评分8080 Anthropic 发布 Claude Haiku 5.5，定价对齐 GPT-6 Luna
Anthropic 发布 Claude Haiku 5.5，这是 Haiku 系列约一年来的首次更新，定价与 OpenAI 的 GPT-6 Luna 持平，官方称其平均运行成本比 Haiku 4.5 低约 75%。
推荐理由：汇总了 Haiku 5.5 的定价、第三方评测与 token 消耗数据，可据此判断小模型在智能体工作流中的成本取舍。
Hugging Face Blog精选AI 评分6262 Nemotron 微调后在 IOI 2026 与 IMO 2026 均达金牌水平
英伟达团队从 Nemotron 3 出发，用 SFT、RL 和反馈驱动的推理循环做出两个专精系统，分别在 IOI 2026 和 IMO 2026 达到金牌水平。
推荐理由：原文给出从 Nemotron 3 微调到 IOI、IMO 金牌级成绩的完整配方与开源资产，可看领域专精模型如何与推理循环协同。
Simon WillisonAI 评分2222 Mistral Large 4
Simon Willison 用同一提示词测试 Mistral Large 4 等前沿模型生成 SVG 的能力，提示词为"一只穿渔网袜的犰狳在火星上乱穿马路"。参与对比的模型包括 claude-opus-5.5、gpt-6.1-sol、gemini-3.8-flash 和 mistral/mistral-large-4，均使用各自默认推理等级。
Microsoft ResearchAI 评分2222 微软研究员 Jennifer Neville 谈 AI 评测的意外失败与数据洞察
微软 partner research manager Jennifer Neville 在 Microsoft Research Podcast 中探讨评测如何推动 AI 系统性能边界，以及模型在传统 benchmark 之外测试时出现的"意外失败"。她指出结果反常时应仔细审视数据，并分享了使用当前 AI 系统的实用建议。
Hugging Face BlogAI 评分3434 Falcon-Emirati-7B：让 LLM 学会阿联酋方言、文化与语感
Falcon-Emirati-7B 发布，这是一个基于 Falcon-H1-Arabic 的方言专用模型，专门理解和生成阿联酋阿拉伯语，覆盖词汇、语气与文化语境。
Simon WillisonAI 评分2222 Qwen3.8 27B 用英文单词做加法的基准测试
Simon Willison 在 DGX Spark 上测试本地 Qwen3.8-27B-Q4_K_M.gguf 能否用英文单词表达整数加法结果。关闭推理时 5,070 个用例数字准确率仅 23.57%，格式合规率 96.17%，一至三位数操作数准确率 97.04%，十至十三位数骤降至 6.44%。开启推理后 169 个用例中答对 167 个。
AWS Machine Learning BlogAI 评分3434 用 Amazon Bedrock AgentCore 评估多智能体系统的可解释性与有用性
Amazon Bedrock AgentCore Evaluations 支持内置与自定义评估器，可衡量多智能体系统的准确性、任务成功率和行为表现，并首次将可解释性作为一等评估维度。内置评估器覆盖有用性、任务成功、指令遵循等通用维度，自定义评估器则可校验决策依据、数据引用与成本和服务水平等权衡。该能力支持按需模式用于开发基准与 CI/CD 门禁，在线模式用于生产持续监控与告警。
GitHub Blog · AI & ML精选AI 评分6262 GitHub 发布 ReviewBench：面向 AI 代码审查的开放基准
GitHub 发布 ReviewBench，一个面向 AI 代码审查智能体的开放离线基准，基于 1.039 亿个 GitHub pull request 的分布特征构建，包含来自 187 个开源仓库、覆盖 19 种语言的 219 个 pull request。
推荐理由：GitHub 公开了代码审查基准的构建方法与离线在线信号对照，读者可据此判断评测结果能否预测生产表现。
The DecoderAI 评分4444 Aleph Alpha 研究：Qwen、DeepSeek、Kimi 等中国 AI 模型在敏感话题上回避或复述官方立场
Aleph Alpha 用自建基准测试了阿里 Qwen、DeepSeek 和月之暗面 Kimi 等中国模型，覆盖 Tiananmen、台湾、新疆等 967 个敏感话题，其评分系统仅将 17% 至 41% 的回答评为平衡，其余为复述官方立场、回避或拒答。