跳到正文
10月23日週五
  1. HuggingFace Daily Papers(社區熱門論文)46

    AgentVQA:面向智能體視覺理解的統一基準

    AgentVQA 是一項離線基準,評估視覺語言模型在網頁、機械人、第一身影片、遊戲及空間規劃等智能體任務中的表現。基準從 23 個來源數據集挑選並改編 1000 個真實案例;受評的 22 個模型中,最佳準確率只有 58.5%。主要錯誤來自視覺定位及追蹤狀態,而非任務理解或後續邏輯推理。

  2. DEV Community44

    同一程式碼下,Claude 輸出 tokens 約多 60%:Claude Code、Codex 與 Antigravity 的 80 次測試

    80 次測試顯示,Claude Opus 5.5 每千個程式碼字符的輸出 tokens,較 Gemini 4 Argon 多約 60%,較 gpt-6-luna 多約 57%。測試涵蓋四組工具與模型配搭,以及英語、韓語、日語、西班牙語和烏克蘭語提示詞;80 個遊戲有 79 個成功運作。原文指出,Opus 5.5 的 API 輸出費率是輸入的五倍。

  3. DEV Community14

    Compound V3 的 TVL 趨勢分析與流動性風險評估

    Compound V3 的流動性風險評估將整體風險列為中等,並指出資產集中及跨鏈橋依賴是最關鍵的風險點。報告稱,截至撰寫日期,協議的 TVL 約為 $1.389 B,其中約 $950 M 位於 Ethereum L1、約 $439 M 分佈於 L2;ETH、USDC 和 WBTC 集中佔 62%。報告建議全協議每種資產的 TVL 上限設為 25%,並提出加強橋接冗餘及緊急提款。

  4. DEV Community56

    OpenJev 評測的 Jev 參照值未交代衡量內容

    OpenJev 的品質表將 Jev 欄標為「已發佈數值」,卻沒有説明其衡量內容或來源;演示亦比較直接讀取選項 logits 與生成 JSON 分佈的延遲。直接讀取只需一次 forward pass,生成 JSON 則須自回歸逐 token 輸出;其 softmax 只涵蓋展示選項,因此所得是條件概率,而非經校準的信心值。

  5. Hacker News 熱門(buzzing.cc 中文翻譯)59

    ModelCompare 測試 12 個文字模型,29/35 個回答指人類重視羣體認同多於真相

    ModelCompare 向 12 個文字模型各提問三次,35 個回答中有 29 個被歸為同一看法,即人類把羣體認同置於真相之前。其中 7 個模型三次作答均給出這類看法。六個圖像模型各生成兩張圖,12 張中有 10 張呈現沉迷手機的消費者與地球受損主題;文字模型的 35 個回答則沒有提到手機或地球。

  6. DEV Community34

    ForensicDbg 的 AI 崩潰除錯評測

    ForensicDbg 以 Claude Code 進行崩潰轉儲評測,與 mcp-windbg、CDB、LLDB 及不使用專用工具的 AI 分析作比較。測試以 Claude Code 5.5 的預設 Sonnet Medium 設定,分析 10 個崩潰轉儲,每種工具各測 100 次,共 500 次;評估分析質素、修正建議的可行性、成本及所需時間。

  7. elsewhere:文章57

    階躍手機是投降派

    階躍手機的 Amoo 在作者實測中未能完成外賣下單及機票、酒店預訂,打車功能則大致可用。文章將問題連到其 A2A 路線,指出成功率同時取決於階躍自己的 Agent 和對方 Agent,也分析 GUI 路線可能面對其他 App 封鎖。

  8. Recraft 自有模型與設計產品55

    2026 年最佳 AI 圖像生成器:設計用途比較

    Recraft 比較八款 AI 圖像生成器,按設計用途評估向量輸出、風格一致性及商用權限等差異。文中將 Recraft 對應向量和品牌風格一致的系列圖像,Midjourney 對應概念藝術,ChatGPT 和 Google Gemini 對應對話式編輯,Adobe Firefly 對應重視授權內容訓練的品牌,Canva 則適合直接在 Canva 版面使用圖像。

  9. 新浪科技55

    榮耀 WIN2 評測:雙風扇下三款大型手遊均達 60 幀

    榮耀 WIN2 配備雙風扇,三款大型手遊各經 30 分鐘全高畫質跑圖測試,均維持 60 幀。關閉風扇重測《崩鐵》仍為 60 幀;三小時常規續航測試後剩餘電量 80%,與今年最新旗艦機差距不大。屏幕支援 185Hz 刷新率,但全局刷新率仍為 120Hz,只有經適配的遊戲或開發者模式下適配的 App 才能啟用更高刷新率。

10月22日週四
  1. HuggingFace Daily Papers(社區熱門論文)46

    Quant-Arena:評測 LLM 智能體的量化交易研究能力

    Quant-Arena 是一個評測 LLM 能否完成端到端量化研究、建立在未來年份仍可獲利的交易策略的基準及公開排行榜。研究者可在 2022--2023 年數據上取得回饋並定稿策略,再以封存的 2024 年數據評估;九個前沿模型中 GPT-6 Astra 得分最高,但沒有模型跑贏 2024 年的等權市場。基準開放予任何模型或智能體框架提交。

  2. DEV Community45

    [影片] 在 16 GB MacBookPro 上執行 Nemotron Dory 1.0 4B

    Nemotron Dory 1.0 4B 是 NVIDIA 的 4B 循環模型,實測可在 16GB MacBook Pro 上執行。測試使用約 4 GB 的 8-bit MLX 量化版本;模型可在推理時讓中間層運行 1、2 或 4 次,以調整「思考」程度。由於 MLX Serve 尚未原生支援,測試透過社羣 dory-mlx 套件進行,編碼任務耗時約五分鐘。

  3. The Verge · AI43

    Claude 未能研製出蠍子抗毒血清

    Citrini Research 與 Anthropic 合作,讓未發佈版本的 Claude 設計蠍毒蛋白結合劑,但未能製成抗毒血清。Claude 生成近 320,000 個候選項目,篩選至 180 個設計,再加入 31 個;211 個設計中有 17 個能結合五種目標蠍毒中的四種。專家指出,結合毒素不代表能中和毒素或成為安全有效的藥物,研究距離實際治療仍很遠。

  4. The Verge · AI60

    AI 智能體可代客購物,但部分零售商持保留態度

    The Verge 作者 Mia Sato 實測 Meta 的 Muse 購物智能體,發現它在零售網站的存取不穩,部分商戶亦限制第三方智能體。Muse 曾被 Target 的防機械人檢查攔截,也無法瀏覽 Amazon;作者另讓它將 The RealReal 某品牌最新上架的 10 件商品加入購物袋,每件商品會被保留 20 分鐘。

  5. DEV Community62

    Token Beggar 將編碼智能體子任務路由至較低成本模型是否划算?每組 63 次測試

    Token Beggar 的基準測試顯示,將部分編碼智能體子任務交由較低成本模型處理後,總成本由 $9.56 降至 $7.69,兩組品質評分均為 0.96。測試涵蓋 21 項任務、每組 63 次執行,兩組採用相同提示詞、可用工具及 Opus 5.5 high effort。作者以同一批 21 項任務調校路由,並在清除 bytecode 後重新評分兩組,因此結果僅描述這套設定,並非對其他項目的預測。

  6. DEV Community49

    Orbital、Hasura 與 Apollo GraphQL:AI 智能體評測

    評測以 Claude Opus 5.5 在 Claude Code 2.1.287 中比較 Orbital、Hasura 與 Apollo GraphQL 的智能體體驗;Hasura 平均得分 3.25,領先 Apollo 的 3.0 和 Orbital 的 2.25。測試中,智能體登入後取得 Hasura 憑證並執行腳本;Orbital 雖已安裝,卻未能以提供的金鑰取得資料。

  7. IT之家45

    壹號本 OneXPlayer 3 三合一遊戲掌機體驗:首發英特爾 Arc G3 Extreme,35W 暢玩百幀《黑神話:悟空》

    IT之家實測壹號本 OneXPlayer 3 三合一遊戲掌機,檢視首發搭載的英特爾 Arc G3 Extreme 在 35W 功耗下的跑分、散熱及遊戲表現。《黑神話:悟空》在 1920×1200、中等畫質及 XeSS 4X 模式下平均達 152fps。掌機配備 8.8 英寸 OLED 屏幕,支援 144Hz 可變刷新率。