Claude Duet 與 Aeon 比較:一個先請求批准,一個按排程運行
Claude Duet 與 Aeon 分別採用重要操作先請求批准,以及透過 GitHub Actions 定時執行技能的智能體設計。內容根據 Anthropic 公開資料與 Aeon 文件,對照運行位置、審批、安全措施、憑證處理及成本,並非實測評測。Claude Duet 當時是限美國 Pro 和 Max 訂閲者、需候補的研究預覽;Aeon 則以 MIT 授權提供,面向可定時無人值守的工作。
Claude Duet 與 Aeon 分別採用重要操作先請求批准,以及透過 GitHub Actions 定時執行技能的智能體設計。內容根據 Anthropic 公開資料與 Aeon 文件,對照運行位置、審批、安全措施、憑證處理及成本,並非實測評測。Claude Duet 當時是限美國 Pro 和 Max 訂閲者、需候補的研究預覽;Aeon 則以 MIT 授權提供,面向可定時無人值守的工作。
ChatGPT、Gemini 和 Claude 在收據、財務報表及兩頁美國製造業普查表的掃描轉 Excel 測試中,儲存格準確度得分介乎 9.33/10 至 10/10。各文件類型的最高分不同,評分只衡量預先選定儲存格的抽取準確度;測試仍發現漏值、小數錯誤及代碼替換。文章建議對照原件、核對欄列並重算總數,按資料的重要程度驗證活頁簿。
Sheen 比較 9 款用於產品示範與教學影片的 AI 編輯器,分析介面更新時重剪、整片重生成或只修改單一場景等做法及方案用量。比較以 30 秒影片更換一張截圖的更新為例,按各廠商截至 2026 年 10 月 28 日公佈的方案限制估算用量。作者另提出一小時測試,檢查畫面文字、已核准場景、影片輸出及專案能否重開,協助按更新頻率和編輯方式篩選工具。
Artificial Analysis 推出 Intelligence Index v5,加入以私人數據集建立的編碼與科學基準測試。Claude Opus 5.5 (max) 在該指數中以 58 分領先。
iQOO Neo12 內置「冰穹風冷」主動散熱系統,配備第五代驍龍8至尊版、Q3 電競芯片及 9000mAh 電池。安兔兔評測V12常温與低温跑分差值僅2.8%;《崩壞:星穹鐵道》以2K+90幀設定連續運行1小時16分鐘,平均幀率89.3。手機支援100W有線快充,實測55分鐘充滿。
Marcus Hale 以一段 98 詞的 ChatGPT 文本測試 4 款檢測器及 3 款改寫工具;Phrasly 強力改寫後,GPTZero、Scribbr 和 QuillBot 均判為 0% AI,但 ZeroGPT 仍判為 62.8% AI。
LFORLA 的 Drone Build benchmark 以固定任務、統一評分規則和確定性飛行物理 oracle,端到端評測 AI Agent 的無人機建造能力。
Uvilno 公開一套測試 AI 應用程式建構工具的評估流程,涵蓋資料庫隔離、身份驗證、編輯驗收、成本及異地重建。流程以兩個用戶身份檢查私有任務的讀取、修改和刪除權限,並驗證實際頁面、用量帳目、訂閲成本及匯出後在其他主機的重建情況。Uvilno 表明這不是獨立排行榜,亦尚未完成配對式跨產品研究,並以相同簡報、素材、種子數據、硬件、評估日期和預算作為可重現比較的條件。
印度 2026 年截至 10 月 28 日掛牌的 294 宗 IPO 數據顯示,灰色市場溢價(GMP)與掛牌升幅的相關係數為 0.88,平均偏差為 8.6 個百分點。
文章比較 Canva、HyCanvas、Adobe Express、Snappa 和 Polotno Studio,評估五款設計工具的檔案自由度、私隱、速度及定價。HyCanvas 開源並支援自行架設,設計可儲存為開放格式 .hyc 檔;AI 功能則由用戶直接支付模型供應商的 API 費用。
Hugging Face 官方基準測試地圖顯示,目前收錄 52 項官方基準測試、45 個排行榜及 1,131 個排行榜項目,涵蓋 438 個模型和 104 個機構。新增的檢索領域排行榜採用 BRIGHT 基準,目前有 2 個項目。排行榜分數由發布者自行提交,地圖不會重新執行評測。
指南比較 FLUX 3 Max、Seedance 2.5 和 H3 Max,按六類圖像轉影片工作情境整理模型選擇。指南採用的發佈期 Artificial Analysis Elo 評分中,FLUX 3 Max 與 Seedance 2.5 同為 1,139;fal 的 10 秒影片基準延遲分別為 12.45 秒及 277.8 秒,H3 Max 為 3.49 秒。
阿里雲瓴羊 Quick BI 在 2026 年 8 月完成 AI-native 架構升級並推出 AIPro 版,將智能小Q的問數、解讀、搭建和報告能力整合至數據分析鏈路。AIPro 版設有 7 道可信防線,並透過 MCP 連接器聯動 OA 審批和工作流。平台支援 SaaS、混合雲及私有化部署,智能小Q按席位或 Token 計費。
NVIDIA 推出 Nemotron 3.5 Bolt E4B,這款模型共有 8 billion 參數、其中 4 billion 為有效參數,支援 64K 上下文窗口及約 35 種語言。測試者在 16GB MacBook Pro 上試用 4-bit 版本,模型能回答一般問題,亦能完成以 shell script 編寫的檔案字數統計工具。
谷歌在 10 月 26 日更新 Android Bench,新增多款模型的測試結果及推理等級標註;Gemini 4 Argon 首次上榜排第五,表現落後於 Claude 與 GPT 系列。
VibeVideoBench 評測以程式碼生成影片的多模態智能體;在 239 項任務、九個前沿智能體系統及 2,151 次評分執行中,GPT-6 Astra 和 Claude Opus 5.5 分列第一、第二。最強系統在 76.3% 的任務中滿足所有核心要求,但交付影片仍是主要挑戰,四分之三未交付的影片因最終渲染開始太遲、速度太慢或未能開始。
作者在 RTX 5070 Ti 16 GB 顯示卡上測試 LoRA 微調,發現指定設定下 7B 是可在實體顯存內運行的上限;14B 雖未報錯,卻已溢出至系統記憶體。
高省、直返和氧惠三款返利平台各有佣金優勢和適用場景,沒有絕對最高的一款。純自用網購且不做任務、不付費或邀請好友,氧惠可提供頂格佣金;抖音直播購物以高省較突出,本地生活消費則以升級後的直返較有優勢。本文亦比較三者的訂單穩定性、優惠券及提現規則。
兩項預先註冊實驗在同一組 4,000 個凍結樣本上比較 GLiNER2-PII 與由多語言 NER 模型及模式識別器組成的開源組合,顯示兩者各有漏檢類別。GLiNER2-PII 的姓氏召回率為 0.291、電話號碼為 0.995;組合的姓氏召回率為 0.970,電話號碼則降至 0.400。結果反映選擇取決於不同漏檢對流程的代價,實驗未測量延遲或成本。
OpenAI 於 2026 年 10 月 26 日宣佈 GPT-6.1 Terra,並以 gpt-6.1-terra 名稱透過 API 提供;標準價格為每百萬輸入 token $1、快取輸入 token $0.05、輸出 token $5。
推薦理由:文章並列每百萬 token 的分項價格與具體基準測試條件,讓開發者可對照成本和任務表現評估是否適用。
作者以 $0.259/hour 租用一張 RTX 3090,使用 vLLM 0.27.1 服務 Qwen2.5-7B-Instruct;測試顯示,並發請求由 1 增至 64 時,輸出速度由 40 tokens/s 升至 878 tokens/s,每 1M 輸出 tokens 成本則由 $1.81 降至 $0.08。
作者根據截至 2026 年 10 月的已公開規格表和價格表,比較 Veo 3.1 Fast、Kling 3.0、Seedance 2.5 和 Wan 3.0 的生成限制與成本。
Carnegie Mellon University 與 Browser Use 合作推出 Odysseys2,這項長時程網頁智能體基準測試包含 100 項真實網頁任務,每項以 8 至 12 項通過/失敗檢查評分。
作者在無 GPU 的 8-vCPU Xeon VM 上,以 16 GB RAM 運行 NVIDIA Nemotron 3.5 Bolt E4B,並搭建離線語音工具調用助理。
RanThis 以 40 行銷售表比較 GPT-6.1 Terra、GPT-6 Astra 和 Claude Fable 5.1;Terra high 三次均得 10/10,與 Astra 同分,單次成本為 $0.0062,Astra 則為 $0.061。
香港大學經管學院人工智能評測實驗室測試十多款主流生成式人工智能模型,Seedance 2.0 Pro 的整體生成影片表現最佳,在6個範疇均排名榜首。其安全防護及攔截能力排名第六;Hailuo-2.3 的風險測試表現最佳,安全防護及攔截能力排名榜首,但生成影片能力排名第九。研究團隊建議加強聲畫同步、複雜指令理解、長時序生成及安全防護等能力。
agentic-arena 比較七種 AI 智能體框架在批次工具呼叫出錯時,如何傳遞成功結果及回報錯誤。測試涵蓋未知工具名稱、格式錯誤的參數及缺少必填參數,並發現錯誤可能被靜默忽略、連同成功結果一併丟棄,或直接觸發例外。測試在模擬模式下進行,衡量的是框架處理錯誤的行為,並非答案質素排名。
Cian 將坦克 bot cian-1 放上 battle.training(https://battle.training/)排行榜;對場內 bot 的基準勝率達 93%,首場對上 juno 的真實對戰卻以 0-2 落敗。
作者用四條 MySQL 8.0 慢 SQL 測試 AI 根因判斷,結果是兩條判對、一條偏差、一條錯誤。補上執行計劃、鎖等待等現場資料後,AI 將一宗加索引的判斷修正為長事務造成的行鎖等待。文章並提供提示詞模板及驗證清單,建議把 AI 給出的根因視為假設,逐項上機核實。
作者於 2026-10-28 在 Claude Code 實測比較 comfyui-mcp@0.52.206、comfy-mcp==0.10.0 和 comfyui-mcp-secure==2.3.0,發現三者預設採用 stdio 時均不會開啟連接埠。
OpenAI 公示的安全評估顯示,GPT-6.1 Terra 在 48,690 個匹配任務中出現 22 個嚴重程度達 3 級或以上的安全標記,約佔 0.045%,較 GPT-6 Sol 少 42%、較 GPT-5.6 Sol 少 64%。
谷歌更新 Android Bench 排行榜,Claude Sonnet 5.5 以 40% 通過率和 80.9% 完成率排名第一。GPT-6.1 Sol 的推理成本最低,為 99.5 美元;Gemini 4 Argon 首次測試排名第五,通過率為 21.3%,完成率為 81.8%,成本為 267.7 美元。排行榜新增推理等級標註,並納入多款前沿模型。
谷歌更新 Android Bench 榜單,Gemini 4 Argon 排名第五,表現明顯落後於最新 Claude 與 GPT 系列模型。Claude Sonnet 5.5 排名第一,通過率 40%、完成率 80.9%;GPT-6.1 Sol 通過率 29.3%、完成率 82.8%,平均調用成本為 99.50 美元。
作者列出 9 個自己在 2026 年保留的 Claude Code 插件,並説明各自用途與實際使用取捨。
Google 更新 Android Bench 榜單,新增多款模型的測試結果及推理等級標註,並將平均調用成本納入基準指標。Claude Sonnet 5.5 以 40% 通過率排名第一;GPT-6.1 Sol 通過率為 29.3%,平均調用成本為 99.50 美元。Gemini 4 Argon 排名第五,通過率為 21.3%,平均調用成本為 267.70 美元。
桃朵、追券和乖淘各有擅長渠道與佣金門檻,沒有絕對第一,選擇應按消費場景和使用習慣比較。桃朵主打註冊即享頂格佣金及多種生活消費返利,1 元即可提現;追券較擅長抖音直播商品解析,2 元起提;乖淘覆蓋多種網購和生活消費渠道,1 元起提。實際佣金會隨商家活動和商品類別變動,返利並非固定收益。
Synthadoc 團隊比較 BM25、向量重排及融合搜尋後,在 v1.5.0 將新 wiki 的 vector 設為 "auto",安裝向量附加元件時預設啟用語義搜尋。
goose 使用相同的 gpt-6.1-sol 和 Terminal-Bench 4.0 任務比較五種 harness,結果顯示各者通過率相近,但成本有明顯差異。
模型評分排行榜的可靠性不能單靠增加題目數量突破上限;評審數量可提高可靠性,而提高上限需改變評審羣體、評測協定或選題方式。配對評測的可靠性上限可達 0.986,但這不代表判斷準確;同一系統僅因排在第一位,勝率便高出 8.6 個百分點。
兩項後續審計發現,OpenBookQA 的答案長度與選項位置捷徑都不能泛化至其他基準。選最長選項在 OpenBookQA 得分 43%,高於 25% 基準;不讀題而固定選 A,得分則為 27.6%。MMLU 的位置偏差朝向最後一項,固定選最後一項得分 26.7%,顯示捷徑須逐個基準檢驗。