機器之心● 精選AI 評分78
Google 發布 T2J-Bench：63 個 PyTorch 轉 JAX 整倉遷移任務，TwinHarness 提分 11.4…
Google 等團隊發布 T2J-Bench，用 63 個整倉任務評測 Coding Agent 把 PyTorch 程式碼庫遷移到 JAX 的品質。任務覆蓋 18 個模型家族，含 45 個 LoRA 微調任務和 18 個 paged-attention 推理服務任務，從規範、數值、行為三層檢查。
搜尋
依意思最接近的 30 筆
機器之心● 精選AI 評分74
SLDBench v2 讓 AI 自主挑選實驗，8 個前沿模型全部掉分
SLDBench v2 把「做哪些實驗」也交給 AI，8 個前沿模型需要自主選擇實驗後，成績全部下滑，預測誤差擴大到原來的 1.5 至 4.7 倍。該基準把 30 個任務的真實訓練記錄做成一份標價目錄，AI 按當年實際消耗的算力付費購買結果，再據此預測從未見過的更大規模實驗。表現最好的 Claude Opus 5.5 只花全量成本中位數 4.01%，R² 中位數 0.570，仍超過經典冪律公式用全部資料擬合的 0.455。
TechCrunch AIAI 評分68
非文字模型 Jev 開發商融資 8.7 億美元，估值 75 億
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；
TechCrunch AI● 精選AI 評分80
Vercel：Jev 上線兩週被 35% 付費團隊採用，創最快紀錄
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。
TechCrunch AI● 精選AI 評分80
Google 開源 TorchTPU，PyTorch 應用改配置即可跑在 TPU 上
Google 宣布開源 TorchTPU，PyTorch 應用只需改配置、無需重寫程式碼，就能執行在 Google 的 TPU 與 Google Cloud 上。據稱 85% 的 AI 應用基於 PyTorch，而它的許多特性原本專為 Nvidia GPU 設計。前一天 Amazon 也發布 TorchNeuron 支援自家 Trainium，並向 PyTorch 主專案提交程式碼，把各項特性與 Nvidia 晶片解耦。
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。
Hugging Face blog● 精選AI 評分69
Ai2 用 GPU 時間預算替代優先順序排程
Ai2 把原先基於優先順序的 GPU 排程器換成了由 GPU 時間預算、層級化公平分配和時間切片契約組成的新系統。它管理數千塊 NVIDIA H100、B200、B300，叢集規模從 88 到 1024 塊 GPU，服務約 150 名內部研究者，GPU 需求長期是供給的 2 到 3 倍。舊方案導致 GPU 蹲坑佔位、優先順序通脹（最終 100% 工作負載都標為 HIGH）以及值班工程師大量時間用於協商關閉不可搶佔任務。
機器之心● 精選AI 評分80
UCLA 與 Adobe 提出 Tev：27B 模型長程任務追平 GPT-6 Astra
Adobe Research 與 UCLA 提出 Tev 訓練方案：27B 模型在 Agents' Last Exam 計算與數學子集上 Pass@5 達 0.28，追平 GPT-6 Astra 與 Claude Opus 5。做法是先建置含隱藏標準答案的潛在世界再用它渲染出任務環境，據此合成覆蓋 7 個領域、1,170 個環境的 Tev-Gym，單次 rollout 中位耗時 12.4 分鐘、Pass@1 僅 29%。
機器之心● 精選AI 評分82
智源 AREX-2：27B 模型 MLE-bench 達 81.8，反超 2.8T 模型
智源 AREX 團隊發布以 Qwen3.8-27B 為基座的開源模型 AREX-2，在 MLE-bench Lite 取得 81.8、Frontier-CS 取得 70.7，超過表中所有對比模型，包括同為 72.7 的 GPT-5.6 Sol 與 Kimi-K3。它用機器學習與演算法程式設計場景的長程反思資料訓練，並把這種能力遷移到深度研究，BrowseComp 達 84.0、HLE 達 52.6，為 40B 以下模型最高。團隊稱這為遞迴自我改進（RSI）提供了可訓練、可驗證的路徑，論文、模型權重與程式碼均已公開。
機器之心● 精選AI 評分80
混元與復旦發布 ExplorationBench，評測 AI 自主探索能力
復旦大學、騰訊混元與清華大學聯合發布 ExplorationBench，用兩套規則被改寫的「異星世界」AlienCode 和 AlienLogic，評測 AI 能否通過自主實驗發現規則。10 個前沿系統讀完範例後，在 AlienCode 上最高僅 15.7%，四輪探索後最好軌跡達 89.0%；若只讓模型多想、不給環境反饋，最高只有 11.0%。GPT-5.6 Sol 自主探索拿到 88.1%，而事先直接告知全部規則反而只有 69.5%，說明探索過程同時提升了規則的使用能力。
量子位AI 評分46
聯想天禧 TianxiCode 登頂 SWE-bench-Live，問題解決率 71%
聯想天禧 AI 自研程式碼智慧體框架 TianxiCode 配合 DeepSeek-v4.1-Flash，在 SWE-bench-Live（Lite 分榜）以 71% 的問題解決率位列全球第一，並通過官方 Verified 核驗。該評測基於真實 GitHub 專案問題與可復現執行環境，官方會審查全鏈路智慧體執行軌跡並排查答案、測試用例洩露。
量子位● 精選AI 評分82
TypeSafe AI 完成 8.7 億美元 A 輪，Jev 估值達 75 億美元
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。
TechCrunch AIAI 評分57
研究者發現一支中國 AI agent fleet，疑執行於騰訊、呼叫高德地圖
獨立研究者 10 月 5 日發布初步發現，追蹤到一批並行的 AI agent，疑似執行在騰訊的基礎設施上，目標指向阿里巴巴的高德地圖服務，查詢內容為公園、動物園、醫院等公共場所不同入口的路線。研究者拒絕使用 swarm 一詞，稱應叫 agent fleet：多個 agent 執行同類任務，彼此之間沒有通訊跡象。這些活動是通過監控域名掃描服務 URLquery 的流量發現的，該服務常被 agent 用來載入無法直接訪問的網站並留下記錄；研究仍在進行中。
Hacker News front pageAI 評分73
AI 設計的開源加速卡 openTPU 跑通十餘款模型
一個由 AI 設計的開源 AI 加速器 openTPU 已在真實 PCIe 卡上跑通十餘款模型的真實權重，輸出與 bit-exact 模擬器逐位一致。硬體是 Xilinx Kintex-7 xc7k480t 加兩路 DDR3，LFM2.5-230M int8 解碼 59.0 tok/s、4-bit 達 85.8 tok/s；解碼受 DRAM 頻寬限制，實測跑到峰值的 82%-94%。
機器之心● 精選AI 評分77
清華八卦爐 2 論文入選 SC26，萬卡 MoE 訓練吞吐提升 1.14 倍
清華大學翟季冬團隊的大模型訓練系統八卦爐 2（BaGuaLu-2）論文被 SC26 錄用，它用執行時自適應替代靜態的重計算與啟用解除安裝配置，把 MoE 訓練中的視訊記憶體尖峰壓在裝置上限以內。在 128 到 12,288 張海光 DCU 上訓練 188B 至 1.04 萬億引數模型，平均吞吐比基線高 1.14 倍，12,288 卡下總吞吐 2.012 EFLOPS、平均 MFU 32.9%（最高 35%），單次排程決策開銷低於 10 ms。
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。
量子位AI 評分55
Jev 估值 100 億美元，創始人稱日處理破萬億 token
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。
Hacker News front page● 精選AI 評分84
Google 開源 TorchTPU，為 TPU 提供 PyTorch 原生後端
Google 開源 TorchTPU，讓 PyTorch 模型可直接跑在 TPU 上，PyPI 最新版本為 0.2.0。專案提供 TPU 的 ATen 核心實現、XLA 計算編譯快取，支援資料並行與張量並行分散式訓練，並接入 torch.compile() 圖模式執行，附帶 Llama、Qwen、ResNet、DLRM、minGPT、UNet 等範例。安裝要求 Python 3.11+，Marimo 互動筆記本需在 TPU VM（如 v6e 例項）上執行。
Hacker News front pageAI 評分54
Bernstein v3.23.0 發布，用確定性排程統一管理 53 個 CLI agent
開源 AI agent 治理層 Bernstein 更新至 v3.23.0，提供 53 個 CLI agent 介面卡，採用 Apache 2.0 許可並支援本地部署。它用不參與協調的確定性 Python 排程器並行執行 agent，同一個計劃可以逐位元組重放，流程依次為任務拆解、在隔離 worktree 中生成 agent、用測試、型別檢查和 lint 驗證，最後只合並通過驗證的 diff。
Hugging Face blog● 精選AI 評分75
ALTK-Evolve 讓 GPT-4.1 登頂 τ²-bench 客服榜
IBM Research 的 ALTK-Evolve 用 GPT-4.1 加標準 ReAct 腳手架，在客服基準 τ²-bench 零售域拿到 67.5% Pass^4（即四次獨立嘗試全部通過的任務佔比），高於其 2026 年 10 月 12 日榜單快照中的所有零售條目。方法不改模型權重：由同一模型分析訓練任務的成功與失敗軌跡，蒸餾成簡短行為準則——如先驗證使用者身份、每步只做一個動作——再追加到系統提示，無需人工標註。
量子位● 精選AI 評分79
Google 開源 Harness²，讓 Agent 在執行中改進自身腳手架
Google 開源了 Harness²，這是一套雙層遞迴框架，讓 Agent 在執行時自行修改腳手架、系統提示詞、工具鏈與技能庫。它在沒有標準答案時，用 Propose–Probe–Compose 對改動做行為對比篩選，並把除錯經驗寫進經驗庫，供後續任務檢索複用。實測 GLM-5 在 OpenCode 下執行 WorkBuddy-Bench，得分從 64.2 升到 75.7（+11.5 分），反超未改腳手架的 Gemini 3.5 Flash（72.4）；
Hacker News front pageAI 評分46
Jev 發布 33 天即退燒，折射 AI 行業炒作與創新匱乏
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。
Hugging Face blog● 精選AI 評分77
TorchTPU 發布：Transformers 與 Diffusers 原生支援 TPU
Hugging Face 宣布 PyTorch 原生 TPU 後端 TorchTPU 落地，Transformers、Diffusers 與 Kernels 現在可直接在 TPU 上執行，不再需要 torch_xla 或 Optimum TPU。安裝只需一條 pip 命令；
機器之心● 精選AI 評分75
阿里資料團隊提出基準健康指數，為 158 個評測基準打分
阿里資料等團隊提出基準健康指數（BHI），從能力區分度、抗飽和度、影響力三個維度給 158 個 LLM 評測基準打分，論文已被 NeurIPS 2026 評測與資料集賽道接收為 Oral。結果顯示 Humanity's Last Exam 以 67.05 分居首，Agents' Last Exam（53.08）和 AutomationBench（52.68）緊隨其後。研究基於 117 個模型的技術報告，用留一基準法估計模型能力，並驗證隨機移除 30% 模型後排序相關係數仍高於 0.97。
機器之心● 精選AI 評分90
Google 開源 TorchTPU，TPU 成為 PyTorch 原生裝置
Google 在 PyTorch Conference 2026 上開源 TorchTPU，讓 TPU 與 GPU、CPU 並列，成為 PyTorch 的原生裝置。專案由 Google 和 Meta 聯合開發；在 Hugging Face Transformers v5 裡只需傳入 device_map="tpu" 即可部署，vLLM、SGLang、Ray、TorchTitan 等已同步接入。
Hugging Face blog● 精選AI 評分76
Ai2 發布基準：LLM 判斷研究新穎性並不可靠
Ai2 發布 Old Ideas, Novel Problems 研究與配套基準，結論是用 LLM 當新穎性評審並不可靠：只改 prompt 裡幾處措辭，模型分辨兩個想法哪個更新的準確率就變動超過 50 個百分點。測試涵蓋 GPT-5.1、GPT-5.2、GPT-5.4 與 Claude Sonnet 4.5、Opus 4.5/4.6，檢索與額外推理都不能穩定改善判斷，兩個專門建置的新穎性評估系統還不如直接用 prompt 呼叫的 Claude Opus 4.6 基線。
Latent Space● 精選AI 評分85
TypeSafe 的 Jev 上線三週估值 75 億美元，首周 ARR 破 1 億
TypeSafe 的 Jev API 上線三週即獲 75 億美元估值，首周 ARR 突破 1 億美元，成為同日湧現的「決策模型」品類的對標基準。OpenAI 同日發布 Decisions API，基於 GPT-6 Luna，支援機率、選項與打分三類請求，輸入每百萬 token 收費 0.10 美元、不計輸出費用，官方稱最快可提速 10 倍；
量子位AI 評分41
鈦動科技發布行業首個 Pro-Agent，Navos Pro 主打結果導向
10 月 23 日，鈦動科技在廣州 TGC 2026 科技增長大會發布行業首個 Pro-Agent 產品 Navos Pro，面向跨境電商、外貿與營銷等場景提供結果導向的 AI for Work 能力。產品由 Professional、Proactive、Profitable 三大體系構成：輸入品牌官網即可搭建私有品牌知識庫，7×24 小時監測資料並主動給出預算、出價與素材迭代建議，以 GMV、ROI 等指標衡量產出。
Google Developers blogAI 評分62
A2UI 推出 Express 格式：token 用量最多減至 1/3
A2UI 支援可切換推理格式，新增的 A2UI Express 會把緊湊的 Python 風格語法經 Agent SDK 編譯成標準 A2UI JSON，token 用量最多減少 3 倍，延遲同步下降。開發者還可以結合 TypeSafe 的 Jev 系統決策模型進行受控生成，在 300ms 內渲染出已知結構的介面，同時讓較小模型流式輸出文字。前端渲染器與元件目錄無需改動，Python、TypeScript、Dart 均可使用。
Hugging Face blogAI 評分64
AWS 發布 TorchNeuron 效能分析教程：在 Trainium 上定位推理耗時
AWS 部落格發布 TorchNeuron 效能分析系列第一部分，介紹如何在 Trainium 上用 torch.profiler 抓取乾淨的 trace 並定位推理耗時。