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。
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。
REDMI Buds 8S 主打半入耳設計下兼顧降噪、音質與佩戴舒適度,單耳重 4.2 克,適合不習慣入耳式耳機的用戶。官方稱其綜合降噪量較上代提升 70%,單次播放時間為 7.5 小時,搭配充電盒總續航達 40 小時。耳機支援 LHDC5.0、雙設備連接及 AI 通話降噪。
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。
DeepSeek V4 Pro 在 CyberGym 資安測試的 840 項對抗性任務中沒有拒答,每項成功任務的成本約為得分最高的 Kimi K3 的一半。在 697 項共同有效任務中,DeepSeek V4 Pro 的成功率為 53.7%,每項成功任務成本為 $2.502;Kimi K3 分別為 68.4% 和 $4.914。
DeepSeek V4 Pro 0813 在 Fireworks 的四組編碼基準中,於 SWE-Bench Verified 和 LiveCodeBench v6 兩項表現最佳。
社區開發者 Super Medo 發布的《血源詛咒》非官方 PC 移植版,在 RTX 4070 上以 1080p 啟用 DLSS 3 影格生成後穩定達 220 幀,約為 PS4 原版約 30 幀的 7 倍。該版本亦支援 DLAA 及 DLSS 質素/效能模式;早期路徑追蹤實驗仍屬概念驗證,未開放下載。
Kimi K3.1 已開始以代號 Kibitz 在 Arena 測試,多名用戶測試其鵜鶘生成及 3D 動畫能力後,認為表現可媲美 GPT-6 Astra。報道指該模型預計月底前發布;其可用性及性價比仍有待改善,前代 K3 曾受算力資源影響而速度偏慢、套餐額度不高。
《血源詛咒》非官方 PC 移植版在 RTX 4070 上以 1080p 運行,開啟 DLSS 3 幀生成後幀率達約 220 FPS,約為 PS4 原版的 7 倍以上。原生 4K 並啟用 DLAA 時平均約 40 FPS;開啟 DLSS 3 後,質量模式超過 100 FPS,性能模式約 130 FPS。路徑追蹤仍處於早期概念驗證階段,尚無短期公開版本計劃。
SGLang 與 vLLM 的快取優勢取決於工作負載:SGLang 在長共享前綴的多輪 Agent 流量中佔優,沒有共用前綴或高並發負載則可能打和或由 vLLM 勝出。
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。
作者以 29 組候選政策與邊界政策配對測試 OpenShell 的 openshell-prover CLI,發現雲端 metadata 位址即使在空白網絡邊界下,仍會被判定為 within_boundary。
作者跨 Gemini、Claude 和 GPT-OSS 實測 Commitment Machine 工作流程,涵蓋 926+ 步的 5 個生產票務、960 步中途換模測試及 791 步開放權重模型測試。
Arena.ai 的 Code Arena 出現匿名模型 Kibitz 和 Kalmia,社區分別猜測它們可能是月之暗面的 Kimi K3.1 和阿里的 Qwen 4。Kibitz 的特殊 token 表現及 Kimi 官方域名下的配置接口線索,令其與 Kimi 的關聯更受關注;但匿名測試無法確認 Kalmia 的身份或 Qwen 4 的具體架構。
VIDRAFT 分析 Open Discovery Challenge 四季 23,886 份評分,發現排名提交中無人取得 ADMET 滿分。上位50名的 ADMET 得分率為25%至44%,最高分為11.92/15;部分賽季的結合與選擇性得分率則達91%至100%。
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。
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。
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。
這篇指南梳理意大利 AI 會議助理市場,並按工具是否適合當地營運環境,評選出 2026 年意大利團隊適用的 5 款工具。評選標準包括意大利語表現及錄音方式,亦考慮 GDPR、員工監察規定和歐盟 AI 法案等合規要求。
Envoyra 向 ChatGPT、Claude、Gemini 和 Perplexity 提出 18 條問題,共收集 72 個答案;開放式提問中,四款 AI 助手在 36 個答案裏均未推薦 Envoyra。
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。
作者測試用 ChatGPT、Muse 和 Dots 自動處理生日祝福及社交聯絡,但 Muse 和 Dots 會發送不相關內容,並擅自提供未經要求的更新。為了讓訊息切合需要而花費的審核和修改時間,反而可能多於親自處理;智能體也可能超出用戶授權的特定任務範圍。
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。
VLM 智能體在 SpatialScout 基準的實地測試中,經 12 分鐘自主探索取得 71% 完整地圖分數,較靜態觀察基線高 18 個百分點。測試使用 3 B 參數的 LLaVA-Explore,位置 RMSE 為 0.18 m。SpatialScout 評估智能體的主動路點選擇、多模態融合及自我監督位姿修正能力。
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。
METR 表示,OpenAI 監控系統的試點測試發現多個漏洞,其中一項漏洞可能讓 AI Agent 隱藏數百項近期操作。原文未提供更多測試細節。
作者共進行 44 次測試;使用同一 Claude Opus 5.5 執行編碼任務時,Antigravity CLI 較 Claude Code 少用 68% 至 88% 輸入 token,並快 27%。
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。
Sergei Luzhnov 以 Xonta 協調器測試 AI 智能體間的策略轉移,結果顯示策略未改善新樣本表現,協調器沒有批准。
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。
Dell XPS 14 在一次實測中由上午 8:32 至晚上 7:30 全程不插電,經歷 4K 影片剪輯、視像通話及 40GB 檔案傳輸後,仍剩餘 45% 電量。Dell 標示其在 2K 顯示屏、250 nits 亮度下串流影片續航力最高可達 31 小時,這是實驗室數據。
作者以 10 道題測試 Hexum,送入 Gemini 的 token 中位數減少 77.7%,但答對 7 題,低於使用完整檔案時的 9 題。Hexum 的三次錯答均涉及檔案只顯示檔名、沒有資料夾路徑;作者也指出測試框架未提供檔案清單,且限制了部分工具呼叫。
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。
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。
CNET 作者 James Bricknell 用 Gemini 4 Argon 建立護甲建模網頁 KeriForge,並在不足 18 小時內完成前臂護甲的 3D 列印。
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。
RitzaCo 使用 Claude Opus 5.5 和 Claude Code 2.1.285 對 SpacetimeDB 進行 AX 審核,發現智能體能自行建置即時更新頁面並隱藏客戶電郵,但選擇網頁應用後端時仍偏向 Convex 或 Supabase。
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。
《血源詛咒》非官方PC移植版透過shadPS4模擬器支援DLSS幀生成,在1080p下達到220幀,數值上超過PS4原版30幀的7倍。RTX 4070在原生4K及DLAA模式下平均約40幀;開啟DLSS 3.0幀生成後,質素模式超過100幀,效能模式則穩定在130幀。開發者亦已着手為遊戲加入路徑追蹤支援。
作者以兩項基準測試開放權重模型作編碼智能體,Muse Spark Open 在 Forge 2.0 得分為 0.091 和 0.0877,Gauntlet 7.2 則因服務逾時未有結果。
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。