Hacker News front pageAI 評分60
研究：讓 LLM 自評置信度不可靠，換個問法分數就變
讓 LLM 輸出置信度分數並不可信：這類數字只是逐 token 續寫出的文字，既沒有反映模型掌握多少證據，也從未針對“答對頻率”做過校準。文章指出，可靠的置信度必須隨資訊量變化，並用大量同類預測與實際結果核對，而 LLM 的分數會在重複提問時從 0.85 變成 0.7，換個措辭或前文寫下“這顯然是正確答案”也會改變數值。作者據此提醒 agent 設計者不要依賴模型自報的置信度。
搜尋
依意思最接近的 30 筆
TechCrunch AIAI 評分58
調查：超半數高管稱用 AI 後更難評估員工績效
Monday.com 委託 Nielsen 對七國 1700 名董事與高管調查顯示，超半數認為員工產出經 AI 打磨後難辨人機貢獻，近半數因此花更多時間審閱團隊產出。94% 仍對 AI 感到興奮，但 78% 已改變考核方式，更看重提示詞撰寫與任務分配能力；39% 用 AI 起草績效評估，46% 用 AI 輔助決策。57% 的組織在用的工具反而變多，僅 29% 稱 AI 基礎設施已集中最佳化；58% 預計一年內要監督的 AI agent 數量將超過人類員工。
Hugging Face blog● 精選AI 評分77
Ai2 發布 FairStress 公平性基準，含 1300 萬測試用例
Ai2 發布 FairStress 基準；除模型最終選擇外，它還測量模型在說服性論點下改變決定的難易程度是否因涉及群體而異。該基準包含 300 個雙候選人場景，覆蓋 29 個領域；組合身份呈現方式與對抗性字首後擴充套件為逾 1300 萬個測試用例，並另發布 5 萬條 FairStress-Core 子集，整合進 Olmo-eval。測試覆蓋 Olmo、Llama、Qwen、Gemma、Claude 與 GPT 系列，結果顯示同一論點會因受益群體不同而對模型決策產生不同影響。
Anthropic Research● 精選AI 評分80
Anthropic 調查：91% 員工預期 2030 年 AI 能做出諾獎級發現
Anthropic 與經濟學家聯合調查顯示，91% 的 Anthropic 員工認為 AI 到 2030 年能做出諾獎級發現，美國成年人中這一比例為 39%。員工預期 AI 屆時能完成自己 75% 的工作，美國工人平均為 28%；在使用 AI 的工作任務中，員工預期 2030 年有 65% 交由 AI 完成，美國成年人預期為 42%。
Cloudflare blog (AI)● 精選AI 評分74
Cloudflare 推出持續評估 Verified 機器人信任的系統
Cloudflare 上線一套持續評估 Verified 機器人行為的系統，依據爬蟲是否遵守 robots.txt 與 HTTP 429 等站點偏好，生成可解釋的信任分級。持續減速或暫停會提升信任，反覆無視訊號則降低；評估看長期模式而非單次違規。該系統目前在 Cloudflare 內部使用，之後計劃向所有客戶開放並由客戶自選信任閾值，評分也將在 Radar 公開。
機器之心● 精選AI 評分68
Jev 走紅，NeurIPS 2025 論文 ConfTuner 早已探索相似思路
TypeSafe AI 的 Jev 模型近期走紅，其介面可直接返回預設選項、分數或事件機率，供程式碼呼叫，但未開源、架構未公開。NeurIPS 2025 入選論文 ConfTuner 提出 Tokenized Brier Score，僅用對錯標籤即可訓練置信度機率分佈，在 LLaMA、Qwen、Ministral 上把平均 ECE 從 0.2768、0.3781、0.4393 降至 0.1082、0.2872、0.1884，4 張 A40 上約 4 分鐘完成微調。
Hacker News front pageAI 評分46
The Consensus 上線 AI 寫作痕跡檢測器，命中文章不獲推薦
軟體基礎設施部落格 The Consensus 上線自研「AI tells」檢測器，用靜態規則比對 2023 年前後的寫作差異，處於第 99 百分位的文章將失去首頁 At a Glance 板塊、社交媒體和每週 newsletter 的推薦資格。該檢測器不判斷文章是否由 AI 撰寫，只提示讀起來像 AI 寫作，作者稱它偶爾也會誤判自己的文章。讀者仍可在 feed 搜尋中用 aitells<90 過濾，作者也承認規則可被繞過，但認為這反而會促使各家寫出自己的風格。
機器之心● 精選AI 評分78
清華等推出 OSWorld-Science，12 個模型平均得分 34.3%
清華大學牽頭聯合多所高校推出 OSWorld-Science 科研智慧體評測基準，含 146 項專家任務、覆蓋 7 大科學領域與 14 種科研軟體配置，12 個視覺語言模型平均任務得分僅 34.3%。Claude Fable 5.1 以 73.7% 領先，Claude Opus 5、GPT-6 Astra、GPT-5.6 sol 分別為 57.9%、57.4% 和 50.1%，但化學類任務中僅少數模型超過 20%。
TechCrunch AIAI 評分56
Hugging Face 政策主管：嵌入式 AI 評測員難成現成方案
Hugging Face 首席政策官 Irene Solaiman 在 TechCrunch Disrupt 上表示，嵌入式第三方評測員並非解決模型安全問題的簡單答案，評測仍缺乏可復現性與統一標準。她指出評測方法更新很快、彼此之間難以橫向比較，且目前絕大多數評測針對模型本身，對 harness 和完整 agent 的評測既少又昂貴；而更強的 harness 可讓較弱模型跑贏前沿模型。她認為誰有資格評測哪些任務，需要更多標準化。
Google Developers blog● 精選AI 評分66
開源 agent-eval 工具包發布，把 AI agent 評估從憑感覺變成可重複流程
一份面向 AI agent 的評估方法與開源工具 agent-eval 發布，主張用可重複的評估流程替代憑感覺看輸出。方法以關鍵使用者旅程（CUJ）定義成功標準，每個條件都對應一個評估點，先用模擬使用者 LLM 生成正常與邊緣場景，再在單元測試、確定性指標、LLM-as-a-judge 評分與整合測試四層做檢查。
Hacker News front pageAI 評分75
新版機器人檢測基準：AI 智慧體檢出率 9%–99%
聚合五類自動化對手的測試顯示，Proof of Human 檢出 99% 的自動化會話，Cloudflare Bot Management 僅 9.1%，其餘依次為 reCAPTCHA v3 69.4%、hCaptcha 44.3%、Cloudflare Turnstile 42.1%。
Hacker News front pageAI 評分46
調查：僅 11% 企業能準確預測 AI 支出
企業一度鼓勵員工儘可能多地使用 AI，即所謂的 #tokenmaxxing，隨後賬單隨之而來。報導援引一項針對近 400 家企業的調查稱，其中只有 11% 能準確預測自己的 AI 支出。AI 使用量以 token 計量，而企業發現 token 很難統計，這讓 AI 預算幾乎無法編制。
Hugging Face blog● 精選AI 評分75
微軟與 Hugging Face 發布 ThinkingBox，按資料庫狀態給 AI agent 打分
微軟聯合 Hugging Face 推出 ThinkingBox 基準，通過 Hugging Face 提供，不看 agent 的回覆文字和工具呼叫，只檢查它留在後端資料庫裡的最終狀態與副作用，每個任務重複跑 20 次。在 507 個有狀態業務流程、12 個模型、121,680 次有效試驗中，79,853 次未通過可執行檢查，其中 67.24% 仍乾淨收尾且無工具報錯。
X @OpenAIDevs● 精選AI 評分75
@OpenAIDevs: Powered by GPT-6 Luna, it accepts text and image inputs and supports 3 kinds of outputs:
OpenAI 開發者帳號披露 GPT-6 Luna：該模型接受文字與影像輸入，支援三種輸出形式。Predicates 用於估計某條陳述為真的機率；Choices 從預設選項中做出選擇並給出置信度分數；Scores 按數值區間對輸入進行評分。帖子只描述了輸入輸出能力，未提及定價、上下文長度、可用範圍或上線時間。
機器之心● 精選AI 評分80
AA-Robotics 首份榜單發布：GPT-6 Astra 操控機械臂得分居首
Artificial Analysis 於 10 月 14 日發布 AA-Robotics v0.1，首次讓 GPT、Claude、Gemini 等前沿模型藉助程式設計 Agent 操控真實機械臂，零樣本完成倒水、寫字、搭積木等八項任務。GPT-6 Astra 以 69.4 分居首，GPT-6.1 Sol 64.6 分，Gemini 4 Argon 55.3 分，Claude Opus 5.5 與 Fable 5.1 分別為 48.8 和 46.3 分。
TechCrunch AIAI 評分28
白宮 AI 安全承諾簽署，僅 2% 消費者付費
白宮召集扎克伯格、貝索斯、馬斯克、Anthropic 的 Dario Amodei 等主要科技 CEO 簽署 AI 安全承諾，川普稱其具有道德約束力。川普同時簽署行政令，正式將 AI 重新命名為超級智慧。與此同時，Meta 和 OpenAI 正為 AI 產品換上更友好的形象，但消費者中僅 2% 願意為此付費。
Hacker News front pageAI 評分65
FT：Anthropic 6 月獲最高檔垃圾級信用評級
英國《金融時報》報導，Anthropic 在今年 6 月被授予最高一檔的垃圾級信用評級，即投機級（高收益級）中的最高檔，尚未達到投資級。該訊息於 10 月 16 日被轉發到 Hacker News 討論，帖子獲 13 點、暫無評論；現有資料未給出評級機構、具體級別與財務細節。
Hacker News front page● 精選AI 評分77
AI 研究者對 AI 導致人類滅絕的機率中位數首次升至 10%
AI Impacts 於 2024 年 12 月調查 1,580 名頂會 AI 研究者，他們對「未來 AI 導致人類滅絕或永久喪失自主」的機率中位數首次升至 10%，高於一年前的 5%。同一調查中「極度糟糕（如人類滅絕）」的中位數仍為 5%，自 2016 年以來未變，而人類水平 AI 出現的中位年份從 2016 年的 2061 年提前到 2042 年。
X @GoogleDeepMind● 精選AI 評分85
SynthID Detector 向所有人開放，可檢測多家 AI 生成內容
Google DeepMind 宣布 SynthID Detector 現已向所有人開放，可用來判斷網上內容是否由 AI 生成。該工具除 Google AI 外，還支援檢測 OpenAI、NVIDIA、Kakao 等行業夥伴工具生成的內容，Apple 即將加入。使用者可通過 synthid.com 試用。
Hacker News front page● 精選AI 評分80
微軟發布 Decision-1 決策模型，比 GPT-6 Sol 快 35 倍
微軟推出決策評分模型 Microsoft-Decision-1，已在 Microsoft Foundry 上線，並將登陸 OpenRouter。該模型基於 Qwen3.5-9B 後訓練，用於路由、分類、優先順序排序、驗證與工作流控制，支援是/否、多選、評分及對 AI 回答和 agent 動作的 rubric 打分。官方稱其在 36 項基準、近 15 萬道題中準確率最高，P50 延遲比 GPT-6 Sol 快約 35 倍、比第二名 Quyet-1.0-Large 快 4.5 倍；
Hacker News front pageAI 評分69
State of Devs 2026 調查：42% 開發者對 AI 持負面態度
State of Devs 2026 調查於 2026 年 7 月 5 日至 9 月 5 日收集 5,463 名開發者的回答。近半數受訪者經歷職業不安全感與薪資不足，四分之一曾在職業生涯中被裁員，62% 曾出現職業倦怠，與去年持平。AI 使用普遍但態度兩極：49% 正面、42% 負面，近一半認為 AI 對自身心理狀態沒有正面影響。
X @GoogleDeepMindAI 評分43
@GoogleDeepMind: When AI-generated content has become so realistic, how do we verify what's made by human, machine, …
Google DeepMind 發布一期播客，討論 AI 生成內容日益逼真後如何驗證內容來自人類、機器還是自然。節目介紹內容溯源的作用，並講解不可感知水印如何保護數字媒體與生物設計，時間軸涵蓋水印概念、SynthID、影像與影片、SynthID Bio 及未來韌性等章節。
機器之心● 精選AI 評分74
PhAI Labs 開源 DiscoveryRSI，科研 Agent 假設文獻對照率 6.3% 居首
PhAI Labs 聯合 16 家機構提出科研 Agent 遞迴自我改進框架 DiscoveryRSI，並訓練出 DiscoveryRSI-27B。在把 AI 假設與後續發表文獻對照的評測中，DiscoveryRSI 有 6.3% 的假設找到可用的研究依據，約為 GPT 組 2.5% 的 2.5 倍，Claude Opus 5 組以 2.3% 墊底。兩輪自改進後，241 個留出問題上的假設品質均分從 4.86 升至 5.39，可證偽性從 4.00 升至 6.20。
TechCrunch AIAI 評分53
簡訊 AI 助手盤點：Instinct 估值 100 億美元
越來越多 AI 助手不再需要單獨下載 App，直接用 iMessage、RCS 或簡訊就能對話並代辦任務。其中 Instinct 於 2026 年 9 月完成 10 億美元融資、估值達 100 億美元，並開始給使用者分配助手專屬信箱地址、上線代打電話功能，目前仍處私測。其餘選項裡，Folk 免費、Pro 訂閱 8.33 美元/月，Comma 開源且免費起步，Fambot 主打家庭日程並每晚推送次日摘要，Martin 訂閱 21 美元/月起。
Anthropic Research● 精選AI 評分80
Anthropic 稱內部 AI agent 數量已達員工 6 倍，併發布 AI 預期調查
Anthropic 於 10 月 16 日發布兩份報告：其內部 AI agent 工作時長在 2026 年 3 月已超過員工，到 8 月 agent 數量是員工的 6 倍，同期初級崗位與技術崗招聘佔比下降，人均程式碼、銷售與合同處理產出上升，瓶頸轉向人的注意力。第二份報告對比近 1.1 萬名美國成年人與 Anthropic 員工的調查：91% 的員工認為 AI 能在 2030 年前做出諾獎級發現，美國成年人中僅 39%；
Hacker News front pageAI 評分52
Armature 上線 agent.reviews，讓 AI agent 互評工具
Armature（YC P26）上線 agent.reviews，定位為面向 AI agent 的工具評價站，通過 skills 和 npm CLI（@armature-tech/agent-reviews）接入其 API，Claude Code、Codex、Cursor 等 agent 可在選工具前查評價、用完後提交評價。為防止洩露，評價發布前要過三層檢查：確定性規則過濾金鑰、PII 與 URL，Jev 分類器，以及一個小模型複核。
Hacker News front pageAI 評分69
Faros 研究：高 AI 採用團隊 bug 增 54%、PR 評審耗時漲約 5 倍
Faros 2026 年研究分析 22,000 名開發者、4,000 個團隊兩年遙測資料後發現，AI 採用度高的組織每位開發者 bug 增加 54%，PR 評審中位耗時約漲 5 倍，每 PR 事故數超 3 倍；其 Q3 報告稱部分效應有所緩解，但驗證與運維成本仍在累積。
Hacker News front pageAI 評分45
Deezer 稱 44% 上傳曲目由 AI 生成，人類創作出現溢價
BBC 報導稱，AI 生成內容激增正催生所謂「人類溢價」，即人們更看重由人創作的藝術。音樂平台 Deezer 表示，其上傳曲目中 44% 由 AI 生成，調查顯示 97% 的聽眾無法分辨 AI 與人類作品，但超過半數受訪者仍在意創作者是不是人。學界正推動設立類似「公平貿易」的「人類製造」統一標識，已有書籍、電影和專輯封面標註「AI-free」。
機器之心● 精選AI 評分78
CodeActionBench 發布：GPT-6 Astra 機器人操作成功率 73.3%
南洋理工大學研究者與合作者發布 CodeActionBench，用 25 個雙臂模擬任務評測通用多模態 Agent 的機器人操作能力。GPT-6 Astra 在 Codex CLI 下嘗試成功率 73.3% 居首，75 次嘗試完成 55 次、22 個任務至少成功一次；Claude Opus 5 在 Reference harness 與 Claude Code 下分別為 49.3% 和 45.3%，Gemini 3.6 Flash 為 20.0%。
量子位AI 評分63
AI 影視公司 Utopai 影片模型盲測排名第二
Artificial Analysis 最新文生影片榜單中，影視公司 Utopai Studios 的模型 Utopai X 以 1150 分位列第二，與第一名阿里 Wan 3.0 僅差 7 分，據福布斯估算其估值約 10 億美元。該榜單由評審在不知道模型名字的情況下盲投產生；Utopai X 以 MiniMax 開源的影片模型 H3 為底子做後訓練，10 項能力中有 7 項比基座更接近頂尖水平，音訊同步、運鏡控制與物理提升最明顯。