依意思最接近的 30 筆
清華大學、NVIDIA、CMU、UC Berkeley 等機構聯合發布 StreamEval，稱其為全球首個流式互動影片生成評測基準，覆蓋數字人對話、虛擬人表演、世界生成、指令編輯與參考編輯五類任務、300 個測試用例、38 個模型。結果暴露出共同短板：模型能否穩定生成畫面，與能否可靠執行連續指令是兩回事；最好的數字人模型 Vidu S2-Avatar 綜合分 93.98，但指令跟隨僅 36.90；世界生成最高分 MemFlow 僅 33.36。
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。
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。
Steam Next Fest 開幕首日就被大量 AI 生成的低質遊戲淹沒，玩家在 Reddit 上要求 Valve 提供排除 AI 內容的篩選功能。Steam 本就要求開發者披露 AI 生成內容，但 Valve 今年 5 月削減了使用者自訂標籤，要實現過濾得先把 AI 設為標籤。
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。
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。
STEPX（階躍終端）推出旗下首款 AI 終端原生開發工具 Step Studio，創客只需使用自然語言即可生成 AI App、遊戲、智慧體和 Skill，並可通過 MCP、A2A 等協議連線外部服務與專業智慧體。
新評測 InnovationEval 顯示，前沿模型無法獨立復現人類研究者近期做出的機器學習演算法創新：在端到端任務中，它們耗費數千美元 GPU 算力，仍未達到人類論文（on-policy self-distillation，SDPO）的水平。測試要求 AI 自主提出一種新的後訓練方法，在短答題與程式碼任務上後訓練 Qwen3-8B，並超過 GRPO 基線。主要結果來自 Claude Fable 5 與 GPT-5.6 Sol；
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。
OpenAI 今夏邀請 METR 與 Redwood Research 對其內部監控系統開展為期三週的嵌入式評估試點，並向兩家機構開放了基礎設施的深度存取權限。OpenAI 表示，評估發現幫助其在擴充套件該系統時強化了防護措施，也將影響未來與 METR 及其他第三方評估者的研究合作。
Vercel 資料顯示，TypeSafe AI 的輕量決策模型 Jev 上線兩週內被 35% 付費團隊使用，覆蓋面接近第二名 Sonnet 5.5 的兩倍，是 Vercel 平台上普及最快的模型。Jev 於 9 月 15 日限量發布，通過限定候選輸出降低推理成本、提升速度，適合大批次資料分類，Vercel 已用它替換 GPT-6 Luna 做有害命令分類。
OpenAI 產品負責人 Tibo Sottiaux 發帖預告未來模型會更擅長刪除和簡化程式碼，並在評論中確認 Astra 6.1「coming soon」。負責 coding post-training 的研究員 Rajan Agarwal 轉發該帖，並公開徵集使用者遇到的 sloppy code 與程式碼品質問題。《華爾街日報》此前報導，Astra 6.1 原計劃 10 月發布，因內部安全測試中在權限邊界上表現不穩而被臨時叫停。
TypeSafe AI 以 75 億美元估值完成 8.7 億美元融資，由 Andreessen Horowitz 領投，紅杉與現有投資方 DCVC 參投。其模型 Jev 於 9 月 15 日發布，基於 transformer 架構但不是大語言模型，不輸出文字而是生成機率，公司稱之為「校準決策」，定位是自動化任務而非寫文字或程式碼。公司稱 Jev 速度明顯更快、消耗 token 遠少於 LLM，並稱已有三分之一財富 500 強企業在使用；
Meta 工程師在 LinkedIn 發帖稱，用 AI 寫程式碼後難以逐行審查，交付的系統成了自己不完全理解的黑盒。帖文說 AI 輔助交付節奏太快，逐行檢查會耗費大量時間，結果可能只懂高層結構、不懂每個細節，這違背軟體工程習慣。該帖被轉到 Hacker News 的 Ask HN 後獲得 179 分、292 條評論，討論工程師該理解到什麼程度、又該如何應對才敢繼續交付。
可直接發簡訊使用的 AI 助手正批次出現，其中 Instinct 在 9 月完成 10 億美元融資、估值達 100 億美元，併為助手提供專屬信箱。這些 agent 能記住上下文、連線日曆和信箱並代為執行任務；Ask Proxy 個人版 1 美元/天、企業版 15–23 美元/人/月，Caddy 走 iMessage/RCS，Comma 開源免費，Fambot 測試期免費、計劃收約 Netflix 訂閱費，Folk Pro 8.33 美元/月。
Mistral AI 官方表示，Mistral Large 4 在 Ulam 的私有基準 STEMBench 的工程與天文方向得分良好。訊息由 Mistral 官方 X 帳號發布，推文中以 le Chonk 稱呼該模型，並附上 Ulam 的 STEMBench 頁面連結。官方目前只提到這兩個方向的表現，未給出具體分數或模型細節。
Anthropic 宣布已向 METR_Evals 的一支團隊授予員工級存取權限，用於獨立評估其安全實踐。公司稱目前正與多家機構洽談，併發布文章說明如何與第三方評估者協作。這是其此前承諾讓外部評估者審查安全做法的具體落實。
有人做了一款工具，追蹤 AI 行業領袖在影片中的公開表態，並展示他們觀點隨時間的變化。目前收錄了 Dario Amodei（累計 54 條）、Alex Karp（51 條）、Marc Andreessen（49 條）、Sam Altman（45 條）、Palmer Luckey（40 條）、Satya Nadella（23 條）、Elon Musk（21 條）、Yann LeCun（6 條）等人，頁面同時標註本週新增條數，例如 Alexandr Wang 本週有 5 條。
TypeSafe AI 聯合創始人兼 CEO Diogo Almeida 在 Latent Space 訪談中透露，其 System-One 模型 Jev 估值達 100 億美元，日處理量已突破一萬億 token，且夜間流量持續走高，說明大量呼叫來自機器自動化。Jev 1.13.0 在第三方 JevBench v1.2.1 綜合榜以 75.3 分排名第一，發布影片 6 天瀏覽量超 3870 萬。
Jev 母公司 TypeSafe AI 完成 8.7 億美元 A 輪融資，投後估值 75 億美元，距 9 月 15 日種子輪的 2 億美元僅 24 天。Jev 砍掉生成能力、只做分類打分與選擇，輸出 token 永久免費，輸入每百萬 token 0.042 美元；上線 3 天日吞吐量達 1 萬億 token，接入 Vercel AI Gateway 後 24 小時內被近 13% 付費團隊採用，約三分之一《財富》500 強已在用。
商湯聯合大曉機器人、Ropedia、南洋理工大學與東京大學發布報告《Has GPT-6-Astra Achieved Embodied Intelligence?》，對 GPT-6-Astra 做了 12 項模擬評測與 8 個真實機器人平台的系統測試。在允許上下文學習並把動作步數放寬到最多 10 倍後，它在 LIBERO-Long++ 上達 100%、LIBERO-Pro 99.3%、SIMPLE 98.8%；
HackerRank 的 AI 面試 agent Chakra 結束約六個月 beta，週一起正式向企業客戶開放，測試期間已完成逾 50 萬場面試，Snowflake、Snorkel、Capgemini 等公司參與試用。候選人要在帶 AI 助手的畫布上處理真實程式碼倉庫任務，Chakra 會依據其操作追問思路，評估批判性思維、判斷力與「AI fluency」，即如何向 AI 描述問題、判斷其輸出並引匯出解法。
TypeSafe AI 宣布完成 8.7 億美元 A 輪融資，估值達 75 億美元，由 Andreessen Horowitz 領投，Sequoia Capital、現有投資方 DCVC 及多位天使投資人參與，a16z 的 Martin Casado 加入董事會。公司表示將把 Jev 的能力擴充套件到更多 machine-native 模型，並補齊企業客戶要求的功能。目前財富 500 強中已有三分之一在使用 Jev，公司稱已在生產環境為客戶節省數百萬美元。
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。
AWS 發布開發工具 TorchNeuron，用 PyTorch 寫的 AI 應用只需改一行配置即可跑在自研晶片 Trainium 上，無需重寫程式碼。AWS 稱約 85% 的 AI 應用基於 PyTorch，熟悉 PyTorch 的開發者可直接上手。亞馬遜還會把解耦 PyTorch 與特定晶片的程式碼回饋上游，推動框架硬體無關；Trainium 兼顧訓練與推理，AWS 強調價效比，語音 AI 公司 Deepgram 遷移後每美元處理音訊量提升 70%。
獨立工作室 Alliance Arts 推遲了《Drunken Goddess Reflux》在 Steam Next Fest 的公開試玩，原因是擔心 demo 的畫面與玩法被 AI 或其他工具快速模仿複製，仿製品甚至可能在本作正式發售前搶先上線。團隊表示，除了直播限制的管理問題外，AI 程式設計工具讓克隆變得高效，是這次決定延期的關鍵。這也讓更多開發者對過早、大範圍展示早期作品變得謹慎。
Jev 發布 33 天后熱度迅速消退，這篇評論借它批評 AI 行業靠營銷話術製造期待。文章指出 Jev 本質是通用分類器，宣稱不會幻覺、更快更便宜，但輸出仍會出錯，且已有開放權重模型在部分任務上價效比更高，並可在本地執行。作者還稱其非自迴歸決策模型思路早於 Jev 一年半出現，並由此質疑行業四年來的創新增量。
星塵智慧完成 10 億元規模新一輪融資，由深投控旗下投控東海領投，公司估值達 150 億元。這是其近半年內第 4 輪融資，估值在 3 個月內從 100 億元升至 150 億元，資金將用於模型迭代、人才擴充、商業化落地與產能建設。公司稱已是全球首個實現繩驅 AI 機器人量產的企業，7 月發布的 Lumo-2 基座模型面向家庭場景，T1 已開始發貨並把高精細操作機器人帶入 9 萬元價格區間。
Cloudflare 推出新一類 System One 抽取模型，首個模型 Clairic 已在 Workers AI 上線預覽（@cf/cloudflare/clairic），並計劃近期釋出開放權重。它單次前向、不生成 token，只對輸入計費，通常一秒內返回。可從非結構化文字（最多附 4 張圖片）中抽取名稱、日期、金額、列表等帶置信度的型別化數值，也能估算與預測未來序列並給出 80% 區間；找不到答案時返回 null。
NVIDIA 發布 AIOps 平台 Minerva，為 AI 工廠提供端到端可觀測性。它把 GPU、網路、儲存、排程器與工作負載的遙測匯入動態知識圖譜，每小時分析數十億資料點，用於發現異常、預測故障並把告警風暴聚合為帶根因的事件；平台還內建 AI 助手，可連線外部 agentic 工具，目標是提升 GPU 正常執行時間與 AI 工廠產出。