X @Alibaba_QwenAI 評分5
阿里 Qwen 發布基準測試套件
阿里 Qwen 團隊發布了一套基準測試套件，用於評估模型能力。官方帳號僅公布套件名稱，未披露包含的測試專案、覆蓋模型範圍與具體分數，也未說明發布時間與獲取方式。
搜尋
找到 16 筆
Hacker News front pageAI 評分50
開源基準 Parsimony 按語法單元統計 AI 新增程式碼量
Parsimony 是一個開源基準，用來衡量 AI 模型在改程式碼時到底新增了多少程式碼。它複用 DeepSWE、SWE-bench Verified 與 SWE-bench Live 已公開的補丁，統計語句、呼叫、命名、字面量等「編碼單元」而非程式碼行數，並減去被刪除的程式碼，只算淨增量。GPT-6 與 Claude 5.5 尚無公開補丁，作者在自己的訂閱上跑了 3–10 個任務，結果以淺色圓圈顯示、不參與排名。作者也歡迎提交新模型的公開補丁匯出。
X @MistralAIAI 評分40
Mistral Large 4 在 Harvey 法律智慧體基準居開源第一
Mistral AI 官方帳號宣布，Mistral Large 4 在 Harvey 的 Legal Agent Benchmark（LAB）中位列開源模型第一。該推文以「金球獎·法律組」的說法公布這一排名，LAB 是面向法律場景智慧體能力的評測基準。原文未給出具體分數、參評模型數量與評測細節。
TechCrunch AIAI 評分23
TechCrunch Disrupt 2026 次日聚焦 AI，人形機器人登臺演示
TechCrunch Disrupt 2026 第二天在舊金山 Moscone West 舉行，議程集中在 AI：Nvidia、Waabi、Flock Safety、Ricursive Intelligence 以及 Benchmark 合夥人登臺，話題覆蓋機器人、AI 硬體、公共安全與風險投資。
X @karpathyAI 評分38
Karpathy 發布瀏覽器可玩的指環王小遊戲
Karpathy 在 X 上回應 Simon Willison 的「騎腳踏車的鵜鶘」測試，並公開了一個可在瀏覽器中直接遊玩、可 fork 的指環王主題小遊戲，原始碼已上傳至 karpathy.ai/lotr-movie。他同時調侃稱「GTA Hobbiton」會比 GTA VI 更早發布。
機器之心● 精選AI 評分76
Google 等提出 RRSI，給 Agent 自進化加正則化
Google 等提出 RRSI，用正則化約束 Agent Harness 的遞迴自我改進（RSI）：不鎖死自我修改能力，而是限制每輪同時修改的機制數量、保留進化歷史，並在篩選階段剔除 benchmark-specific 改動和落在噪聲範圍內的漲分。
TechCrunch AIAI 評分19
TechCrunch Disrupt 2026 議程公布：Cerebras CEO 談 AI 能否繼續擴充套件，Benchm…
TechCrunch Disrupt 2026 將於 10 月 13 至 15 日在舊金山 Moscone West 舉行，官方公布 Disrupt Stage 全部議程：Cerebras CEO Andrew Feldman 將討論 AI 能否繼續擴充套件，Amazon 的 Panos Panay 談智慧手機之後並帶新硬體登場，Benchmark 五位合夥人罕見同臺，Replit CEO Amjad Masad 談 AI 讓軟體開發平民化。
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。
Hacker News front pageAI 評分67
寶可夢雙打環境測試多智慧體協作：自由對話勝率 64%
研究者把 Pokémon Showdown 雙打格式封裝成多智慧體環境，讓兩個 Qwen3.8-27B 智慧體組隊：能自由對話時對最大傷害指令碼機器人勝率 64%，完全不能交流僅 42%。由單個模型同時操控兩隻寶可夢勝率 54%，每回合各發一條訊息為 52%。自由對話每場消耗約 97.8 萬 prompt token，是無對話 25.9 萬的 3.8 倍；同一隊伍對 2B、9B 模型隊伍勝率分別為 96% 和 74%。
機器之心● 精選AI 評分71
SpanUQ 提出按語義片段估計 LLM 不確定性
NeurIPS 2026 論文 SpanUQ 提出 Span-Level Uncertainty Estimation 任務，把 LLM 不確定性估計從 token 或整段回答改為按語義片段定位並打分。SpanUQ 是約 25M 引數的輕量 Probe，凍結基礎模型，利用隱狀態單次前向同時完成片段檢測與不確定性估計，避免多采樣推理。其 Span Detector 達 0.910 F1，較最強啟發式方法相對提升 39.4%；UCIR 精修額外開銷低於 15%。
機器之心● 精選AI 評分66
浙大等發布 WorldMemBench，評測影片世界模型記憶
浙江大學、復旦大學、螞蟻集團與南京大學團隊推出 WorldMemBench，用可控的“離開—回訪”鏡頭評測影片世界模型的記憶。基準含 260 個案例、23 個內容類別，分靜態記憶、動態記憶及影片品質、相機跟隨四個維度，測試了 HY-WorldPlay、LingBot-World 等九個模型。結果顯示靜態與動態記憶的強項分化：HY-WorldPlay 七項靜態指標全部領先，LingBot-World 動態記憶總分最高；
機器之心● 精選AI 評分78
輝達 Physis-Lang 登頂 Physics-IQ Verified，用物理語言描述提升影片生成
輝達聯合 MIT 與牛津大學提出的 Physis-Lang，把物理原因、規律和結果寫進影片文字描述，並貫穿資料篩選、模型訓練與影片生成。其 Cosmos3-Super 與 Cosmos3-Nano 在 Physics-IQ Verified 榜單以 48.2 和 43.3 分列前二，Super 較此前最高分高出 5.5 個百分點。基於 Cosmos3-Nano 的版本在論文四項物理 benchmark 上取得開源最佳，三項總分超過 Veo 3.1。
Qwen blog● 精選AI 評分77
E-Commerce Bench: Long-Horizon Operations, Multi-Dimensional Evaluation
研究團隊與淘寶天貓合作推出 E-Commerce Bench，讓模型以商家身份在模擬市場中經營網店一整年。智慧體初始資金 10 萬元，可同時開多家店，在每天 600 分鐘的時間預算內完成選品、與供應商砍價、定價上架、管理庫存與現金流等決策。環境基於 6,886 個商品、60 個類目、576 家供應商和 12 種店鋪型別，需求與供應商報價由確定性核心計算，避免隨機噪聲和越獄砍價。評測從利潤、現金流、談判、防欺詐、效率、執行力和長期學習七個維度打分。
機器之心● 精選AI 評分79
蘋果與 CMU 提出 SSR：Agent 推理改為做選擇題，每輪延遲降超 90%
蘋果與卡內基梅隆大學提出 SSR 框架，讓多模態搜尋 Agent 不再逐 token 生成自由形式推理，而是從 6 條預定義推理選項中做選擇題。在 7 個多模態搜尋 benchmark 上，每輪推理延遲降低超過 90%，每題總推理延遲降低 28–54%，p95 推理延遲僅 0.07 秒；4B 模型平均成功率 61.37%，與同規模 SOTA 持平，2B 達 51.26%。推理選擇由模型自身打分完成，不需要額外分類頭，也可跳過 SFT warm start 直接接 RL 訓練。
量子位● 精選AI 評分75
陶哲軒轉向 AI 減速派，呼籲模型公司放慢數學研究
數學家陶哲軒在 SAIR 演講中公開呼籲模型公司放慢數學研究節奏，稱 AI 無休止加速卻對後果一無所知，並稱之為 Proof Indigestion（證明消化不良）：AI 只在生成解答與 Lean 驗證上狂飆，理解、評審、寫入教科書幾乎停滯。此前他與 25 位菲爾茲獎得主聯名發表公開信，批評把數學當 benchmark 刷分。OpenAI 隨後回應，宣布在普林斯頓高等研究院設立數學與人工智慧顧問小組，但宣告寫明該小組不就數學上的內部進展提供建議。
機器之心AI 評分48
南芥智慧發布技術報告：Mio 1.0 Lite 九項基準平均分第一、每請求成本最低
南大系初創公司南芥智慧（SinapisAI）發布首份技術報告，其 Mio 1.0 Lite 在九個公開 benchmark 上平均分 77.15/100 排名第一，平均每請求成本 0.06 元為全場最低，比分數最高的對手 GPT 6.1 Sol 高 6.35 分、成本低 94.0%。系統先為模型建立可量化的能力畫像，再結合任務需求與資源預算做模型選擇與協作，底層模型倉庫已收錄 484 個模型，產品平台於 10 月 8 日開啟公測。