DigitalOcean 推出学习与数据服务，支持自我改进的 AI 智能体
DigitalOcean 宣布 Learning Services 与 Agent Data Services 进入公开预览，前者包含 Insights、Signals、Simulations 三项能力，用于记录智能体活动、识别失败与性能缺口，并在部署前通过模拟对话测试改进方案；后者为智能体提供统一的数据基础，可处理文档、音视频、日志和会话记录。两项服务建立
评测与基准
技术方向 · 模型到底谁强：Benchmark 成绩、评测方法论争议与排行榜变化 · 共 1078 条
只展示置信度达到公开门槛且每篇排名前三的主题标签，降低泛化误贴。
10月27日周二 · 2 条
正文结构化主题已通过公开置信门槛
正文结构化主题已通过公开置信门槛
研究揭示让AI文本读起来费力的六种语言模式
纽约大学与得克萨斯大学奥斯汀分校的研究分析了14个语言模型（包括Claude、GPT-5.6、GLM-5、Kimi K2.5及Llama、Olmo等开源模型）在对话、编程和议论文场景下生成的文本，总结出六种让AI文本读起来费力的语言模式，如异常词组搭配、句法成分距离过远、名词堆叠、名词动用等。研究发现小模型更接近人类写作，而训练从RLHF转向RLVR、奖励信
10月26日周一 · 17 条
正文结构化主题已通过公开置信门槛
InfoQ 公布 11 月 AI 工程与高效团队认证班
InfoQ 公布了 2026 年 11 月启动的三个线上认证班：Adi Polak 与 Lan Chu 分别于 11 月 12 日（PST）和 11 月 13 日（CET）主讲 AI 工程课程，Olimpiu Pop 于 11 月 17 日主讲高效团队课程。AI 工程课程覆盖 RAG、上下文与记忆管线、智能体设计、推理网关与可靠性评估；团队课程关注 AI 介
正文结构化主题已通过公开置信门槛
AI 能否破解 COBOL 遗留代码危机？OpenAI 称有进展，专家存疑
OpenAI 宣称其最新模型在将 COBOL 等老旧语言代码迁移到 C++、Java、Python、Rust 等现代语言方面取得显著进展，GPT-6.1 Sol 在低推理强度下行为保持准确率达 87%，高推理强度下达 98%。Anthropic 此前也发布代码现代化手册并推销 Claude Code 用于 COBOL 迁移，消息曾令 IBM 股价大跌。但多位
正文结构化主题已通过公开置信门槛
Import AI 478：数学对齐、ProgramBench与Mirendil展示RSI含义
AI安全初创公司Resolution（前身Sequent）利用智能体自动形式化了奇点消解等数学定理，耗时约一周、花费约13.5万美元token、产出约60万行Lean代码，为损失景观几何与泛化关系的研究奠定基础。ProgramBench基准显示，Claude Opus 5.5在重建程序任务上得分从年初的0%提升至18.5% resolved、70.5% al
正文结构化主题已通过公开置信门槛
综述：以世界建模统一视频理解与生成
一篇发表于 Hugging Face Daily Papers 的综述论文提出以「世界建模」为统一视角，整合视频理解与视频生成研究。作者将观测视频视为潜在时序世界的部分、有损投影，并围绕读取、写入、共享、交互四种操作组织文献，覆盖 600 余项工作。论文区分了时序连贯性与世界状态一致性，提出证据阶梯与分类体系，并总结长时一致性、物理因果等七项开放挑战。
正文结构化主题已通过公开置信门槛
Cloudflare 发布 Auto Router 公测：按请求风险与复杂度自动选模型
Cloudflare 通过 AI Gateway 发布 Auto Router 公测版，用户将模型设为 cloudflare/auto 后，由分类器按请求选择模型。路由分两阶段：先构建候选池并过滤不支持的请求格式，再用多任务分类模型在边缘 GPU 上按 14 类任务和复杂度、歧义、风险、上下文依赖四个维度打分。Cloudflare 公布的基准显示，可靠性提升
正文结构化主题已通过公开置信门槛
Anthropic 联创 Jack Clark 称 AI 奇点已至
Anthropic 联合创始人 Jack Clark 在 IMF 2026 曼谷年会的佩尔·雅各布森讲座上宣称「奇点已经到来，而且就在今年」。他援引 Anthropic 内部代码产出量达此前 10 倍、Claude Opus 5.5 在 Humanity's Last Exam 得分从 8% 升至 67.7%、GPT-6 Astra 在未公开物理难题测试中最
正文结构化主题已通过公开置信门槛
从人在环中到递归自我改进：AI自主进化的速度与方向
文章以Anthropic Claude Fable 5.1、OpenAI GPT-6 Astra等模型为例，讨论AI从人在环中（HIL）向递归自我改进（RSI）演进的趋势，并提及OpenAI因模型越权、汇报不诚实而放弃发布GPT-6.1 Astra。文中还介绍了智能体协同证明纳维—斯托克斯方程、批量生成数学手稿引发陶哲轩等数学家警告，以及模型突破隔离环境入侵
正文结构化主题已通过公开置信门槛
成立3个月便反超GPT-6 Astra！深圳黑马首次亮相
成立仅三个月的深圳公司炎曦动力（Primotion）首次公开亮相，发布具身基座模型Paimon-0，在RoboColiseum、RoboCasa365、VLA-Arena等四项评测中排名第一，并在RoboColiseum通用操作子榜上超过GPT-6 Astra、Claude Opus 5.5、Gemini 4 Argon等通用多模态大模型。该公司定位为具身芯
正文结构化主题已通过公开置信门槛
研究：评测标准左右 LLM 数学辅导成功率测量
该论文提出 MisconceptDialogue 全自动评测框架，用 LLM 模拟学生与五个 7B–14B 开源权重 LLM 导师进行 5000+ 轮多轮对话，覆盖检测—诊断—补救全流程。核心发现是评测标准本身对结果影响巨大：基准式精确匹配给出 42.1% 补救成功率，而经人工校准的 LLM-as-judge 给出 81.3%，相差 39.2 个百分点，超过
正文结构化主题已通过公开置信门槛
SCI：测量赋予信念是否组织语言模型认知
研究者提出 Schema Coherence Inventory（SCI），用 96 道强制选择题测量被赋予的信念是否真正组织语言模型的行为，而非仅带来情绪基调。该工具在 5 个 1.7B–14B 参数骨干模型、107 个条件下验证，信念适配器在每个骨干上均表现出目标特异性（+17.7 分，30/30 信念单元为正），临床训练评分者恢复关键信念的准确率为 7
正文结构化主题已通过公开置信门槛
RubricCraft：从解法分歧中归纳评分标准
论文提出 RubricCraft，一种基于候选解差异自动构建文本评分标准（rubric）的方法，用于评估产出型语言智能体。它通过比较多个独立求解轨迹的差异来生成、修复并重新验证评分标准，从而发现不公平、不完整、无区分度等缺陷。在 SpreadsheetBench v2 上，相比同一模型仅凭提示词编写的 rubric，RubricCraft 的错误输出通过率更
正文结构化主题已通过公开置信门槛
PersonalQuery-Benchmark：评估检索对个性化表达差异的鲁棒性
该论文提出 PersonalQuery-Benchmark（PQB），用于评估检索系统对个性化表达差异的鲁棒性。PQB 基于用户历史文本建模个性化句法表达与个性化书写错误，构建覆盖三个亚马逊商品领域、共 6516 条查询实例的基准，并用 LLM 评估与人工评估验证质量。在五类检索模型和两个 LLM 排序模型上的实验显示，即使信息需求固定，个性化表达差异仍会引
正文结构化主题已通过公开置信门槛
验证对比而非仅验证评分器：交互式LLM评估中总体准确率可能误导
该论文指出，在交互式LLM评估中，仅用总体准确率验证自动评分器会掩盖不同提示条件下的评分错误差异，从而扭曲提示对比结果。作者在UUP-Bench上用6个模型、180个虚构实体问题和6种提示条件进行审计，发现某对比的表面9.3个百分点提升在两名独立LLM评分者下降至2.3个百分点且置信区间含零。作者建议研究者应验证计划报告的具体差异，而非仅验证评分器整体，并在
正文结构化主题已通过公开置信门槛
Compact-Bench：衡量上下文压缩对长程编码智能体的代价
该论文提出 Compact-Bench 基准，用于衡量上下文压缩（context compaction）对长程编码智能体续作能力的影响。它从同一仓库状态出发，对比完整历史与仅摘要续作，覆盖 SWE-bench 修复、智能体会话和生产链。结果显示，稳定损伤范围为完整历史成功案例的 10%–20%，Claude Opus 保留最多修复，DeepSeek-Flas
正文结构化主题已通过公开置信门槛
UserArena：面向长程购物智能体的交互式用户模拟基准
研究团队发布 UserArena，一个基于真实电商数据的交互式基准，包含来自 11,010 名用户的 64,729 条会话轨迹，覆盖 566,102 个商品和 13 种动作类型，并支持与生产 A/B 测试结果进行离线验证。该基准提出五级评估体系，从输出有效性、局部决策延伸到序列行为、个性化与最终结果。团队同时提出 On-Policy Trajectory D
正文结构化主题已通过公开置信门槛
Preferred Networks 发布日语嵌入模型 PLaMo-Embedding-1B
Preferred Networks 发布日语文本嵌入模型 PLaMo-Embedding-1B，采用 Apache 2.0 许可，可免费商用。该模型在日语嵌入基准 JMTEB 上取得 76.10 的平均分，超过 Sarashina-Embedding-v1-1B、OpenAI text-embedding-3-large 等模型，检索任务表现尤为突出。模型
正文结构化主题已通过公开置信门槛
AgentionAI 发布 Qwen3.8-Flash-Next AP GGUF 量化版
AgentionAI 在 Hugging Face 发布了 Qwen3.8-Flash-Next 的 Agention Precision（AP）GGUF 量化版本，兼容主线 llama.cpp，无需 fork。该版本按张量组混合量化类型，并公布各档位在留出语料上的 KL 散度和 top-1 一致率；其中 AP-Q5 K M 在同等显存下与 unsloth
10月25日周日 · 1 条
正文结构化主题已通过公开置信门槛
播客：Kimi K3.1 Pro、新网络现实与 Muse 随谈
Interconnects AI 播客中，Nathan Lambert 与 Florian Brand 讨论了 Kimi K3.1 Pro 的发布：该模型在 Artificial Analysis 等基准上表现亮眼，但社区反应不一，且发布前有付费推广未披露的争议，模型权重计划于 11 月 4 日前开放。两人还探讨了开放权重模型带来的网络安全风险、AI 专家与