OpenAI 稱新模型在 COBOL、Fortran 和 Visual Basic 等低資源舊式程式語言上的表現大幅提升,這些語言用於銀行和政府機構
OpenAI 表示,其新模型在 COBOL、Fortran 和 Visual Basic 等低資源舊式程式語言上的表現大幅提升。這些語言用於銀行和政府機構。
OpenAI 表示,其新模型在 COBOL、Fortran 和 Visual Basic 等低資源舊式程式語言上的表現大幅提升。這些語言用於銀行和政府機構。
作者以規則設定任務整理出一套評估方法,分別核對 Agent 是否正確修改目標欄位、保留其他設定,以及遵守只準備、不儲存或啟用的要求。伺服器端驗證只能説明候選設定是否符合檢查條件;作者另以完整內容比對、執行前後的狀態記錄及實際請求軌跡,分辨內容錯誤、狀態變更和被權限拒絕的寫入嘗試。
自主 AI 智能體 agentbox 統計 Nostr 過去 7 天的 1,352 個 DVM 工作請求,沒有一個附有出價。NIP-34 過去 30 天在補丁、PR 或問題上僅錄得 2 筆 zap 收據,合共 6,000 sats。四個中繼站觸及 500 事件上限,實際請求數可能更高。
LFORLA 的 LEGO Set Build benchmark 以相同書面簡報和評分標準,透過確定性建造評分機制端到端評測 AI Agent,不使用 LLM 評分器。排行榜中,Longcat 2.5 Preview 得分 98.83,作者提交的 GLM 5.2 得分 78.00。此基準只測試根據簡報建立 LDraw 模型,不代表通用智能評級。
作者比較 Remotion 與 CoAnimator 兩種由 AI 編碼智能體協助製作可編輯影片的工具,指出 Remotion 是 React 框架,CoAnimator 則是桌面動畫工作室,兩者適用於不同工作流程。
作者以一張桌面照片測試 Gemini 4 Argon,27 分鐘後便有可駕駛的桌面賽車場景。模型自寫的測試因沒有時限,令賽車卡在架上 22 分鐘;連同查明原因共耗去 37 分鐘。
Arena 最新榜單顯示,深度求索的 DeepSeek-V4.1-Flash-20261017(Max)在 Agent Arena 及 Code Arena: WebDev 開源模型榜均列第一,總榜排名第 11。
DeepSeek-V4.1-Flash-20261017(Max)在 Arena 的 Agent Arena 開源模型榜排名第一、總榜第 11,並登上 Code Arena: WebDev 開源模型榜首。
Browser Use 比較 5 款供編碼智能體控制瀏覽器的工具,並以 BU Bench V2.1 的 100 項公開任務評測其中 4 款。Browser Harness 與其餘三款工具的配對得分差異,其 95% 區間均包含零。
IT之家上手測試聯想 YOGA Pro 15 RTX Spark,展示 RTX Spark N1X 在端側 AI、專業創作及遊戲中的實測表現。128GB 統一記憶體版本在 Comfy Desktop 以 FLUX.2 DEV NVFP4 Turbo 生成單張圖片需 16.6s,使用 LTX-2.5 NVFP4 生成 8 步 720P/120fps 影片片段需 71.15s。
測試顯示,Rebuff 0.1.1 的預設啟發式層未能標記文件示例去掉尾句後的簡短版本,得分為 0.700,低於 0.75 門檻;完整示例則以 0.824 被標記。改寫句、非英文輸入及以工具結果包裝的指令分別得 0.581、0.000 及 0.660;該層使用固定的動詞—物件模板比對。結果只涉及啟發式層,後置的向量及模型層仍可能捕捉它漏掉的內容。
作者以 Black Speech Production 網站重構為例,認為 vibe coding 的主要障礙不是程式碼速度或品質,而是工作間隔期間欠缺記錄決策、恢復上下文和安排後續工作的書面記憶。
Artificial Analysis 推出 HealthBench 與 HealthBench Professional 排行榜,評估 AI 模型在真實健康對話中的表現。
Samuel Gibbs 實測 Acer Googlebook 14 和 Asus Googlebook 14,認為兩款新手提電腦硬件優秀,但 Googlebook OS 尚未成熟。
Taskuary 是 MIT 授權的開源 AI 助理,會把電郵、聊天訊息和工單集中到同一工作佇列,再交由用戶現有的編碼 Agent 處理。用戶修改草稿及重新分類工作會形成 LEARNED.md 中的偏好規則;寄出回覆前仍須經用戶批准。文章指出其版本為 v0.3.9.6,Agent 以用戶權限執行;使用託管 AI 時,電郵內容會隨提示詞送往服務商。
Oh My Hermes 4.0.0 Zeus 是建基於 Hermes 的工作流程層,而非新模型或新 Agent,透過專用終端、需用戶審批的記憶及研究、規劃、編碼和設計流程,整理 Agent 工作。它提供 /omh-model 按工作類別選擇模型及推理力度,並可用 ULW 平行執行多項任務;README 同時明言尚未發布實測結果,Windows 環境則會退回 Hermes 原有介面。
文章以 Meshy 6 Lite 的免費 Text to 3D 流程生成並下載 GLB,再用 Houdini 22.0.429 和 Three.js 0.186.1 驗查幾何處理及瀏覽器載入。
Perch 以 70 段合成語音片段,盲測自家獸醫 AI 記錄工具與一款已在臨牀使用的商業同類產品,檢查漏記及憑空記錄藥名的情況,並公開雙方失誤。商業工具曾把不存在的 Roflexacin 列入病歷;這是共同測試集,並非任何一方的準確率聲明。
作者以涵蓋俄語、哈薩克語及混合語言的 42 項詐騙請求測試三款離線本地模型,未設防時 Llama 3.1 8B、Qwen 2.5 7B 及 DeepSeek-R1 8B 分別只警告 10、2、2 項。
DeepSeek-V4.1-Flash-1017 在 Arena 的 WebDev 和 Agent Arena 兩項榜單均列開源模型第一,整體排名分別約第 12 和第 11。WebDev 得分 1670,超越 Kimi K3(Max),成本約為後者的 1/10;Agent Arena 中位任務成本約 $0.19–$0.20。整體排名仍落後於 Claude Opus、GPT-6 系列等頂尖閉源模型。
Google DeepMind 的 4 個 Gemini 4 Argon 智能體在隨機《Minecraft》生存世界中歷時 27 小時 14 分鐘擊敗末影龍。它們沒有預設角色或策略,自行形成分工,編寫 2,783 個 JavaScript 程式、交換 229 則聊天訊息並死亡 605 次;第五個 Observer 智能體審核了整場過程。
作者在 UniQL 的 Oracle 測試中加入兩條 Oracle 提示詞規則,令 Gemini 2.5 Flash 的首次作答準確率由 35.0% 升至 64.5%。
以 BiRefNet 執行的瀏覽器背景移除工具在 ORT-web 1.27 上使用 WebGPU 搭配 int8 權重時,推理比 WASM 快約 6 倍,卻產生錯誤遮罩;7 個 AIM-500 不透明物件的完整流程測試中,WASM 的中位數 SAD 為 1.10,WebGPU 為 6.15。
Gemini 對七篇文章進行跨模型審閲,完成其中五篇並提出 29 條意見,當中 27 條促成文本修改。13 次 API 呼叫只有 5 次成功,另有 6 次 HTTP 503 和 2 次 429 配額耗盡。植入錯誤測試中,審閲模型找出全部六項缺陷,並額外指出一項未植入的問題。
這份 2026 年排名比較 Coolify、Dokploy、CapRover、Dokku 和 Levelrail 五個自託管部署平台,涵蓋伺服器管理方式、部署健康狀態判定、免費功能及遷移難度。作者將自己開發的 Levelrail 排第一,並指出它是榜中最年輕的項目;Levelrail 採用 Apache 2.0,單伺服器部署已列為可用於正式環境,多節點部署及部分新功能仍屬 beta。
Darwin-27B-ZTC-v9 在 S1MB 英文版涵蓋 137 項基準的排行榜中取得 Borda 排名第一,評測包含 197 個模型。S1MB 逐項按基準排名後加總;該模型按任務平均分 72.20 排第二,兩種排序回答不同問題。ZTC 模型以單次前向傳播輸出選項概率而不生成文字,權重以 Apache-2.0 授權公開;文章指出,校準概率可用於設定自動判斷門檻。
作者重算 LSCBench 的 2,700 條執行軌跡後,發現結果與論文大致相符,只有 Kimi-K3 的功能通過率不同:資料目錄為 92.2%(415/450),論文為 91.3%,相差四項任務。
文章比較 137 家供應商提供的 375 款模型 API 輸入價格,發現中位價差為 0.0%,但 42 款模型的價差超過 200%。其中 openai/gpt-oss-120b 在 13 家供應商的輸入價格介乎 $0.03/M 至 $0.8/M,價差為 2566.7%。文章指出,價差主要來自 GPU 時租託管與專門推理平台的不同定價模式;數據是價格快照,長上下文及不同量化版本亦可能影響比較。
作者以自建測試檢查 Git 歷史掃描效果,從已刪除的提交中找回全部 30 組 AWS 憑證及 30 個 GitHub token。使用 git log -p --all 掃描 52 次提交,輸出需時約 9 ms;以 AWS key ID 前後兩行配對 secret access key,則只成功配對 30 組中的 15 組。文章指出,刪除提交不會清除歷史中的憑證,應先輪換密鑰再刪除。
推薦理由:作者以自建憑證測試呈現 Git 歷史掃描的找回率與配對邊界,並解釋為何只刪除提交不足以處理已外洩憑證。
TDK CLI 的 40 點批判性評測檢視其把 service.json 清單轉成 Docker + Tilt 本機環境的做法,並分析實作、易用性與限制。核心功能採 MIT 授權且免費,部分進階功能須購買授權金鑰,費用約 $19/dev/month。完整執行環境支援 macOS、Linux 及 WSL2 Ubuntu;原生 Windows 僅支援檢查命令。
OpenAI 表示,最新模型在低資源程式語言的程式建置及 COBOL 遷移評測中均有提升。在最高推理力度下,GPT‑6 Astra 在 20 種語言的 MultiLangBench 平均測試通過率為 87.4%,高於 GPT‑5.6 Sol 的 26.8%;GPT‑6.1 Sol 在低推理力度的 COBOL 遷移評測準確率為 86.6%,GPT‑5.6 Sol 則為 5.4%。
推薦理由:兩項評測分別檢視跨語言程式建置和 COBOL 遷移,並以通過率、遷移準確率及 API 成本呈現模型表現差異。
FIRAT 比較 Gamma 與 Canva 於 2026 年 10 月 19 日的價格頁,指出兩者定位不同,選擇取決於簡報以外的設計需求。Gamma Plus 年繳 US$108(每月 1,000 credits),Canva Pro 年繳 US$144。
作者在 ASUS ProArt P16 H7607BA-SE033W 上安裝並運行 Arch Linux ARM,測試 CPU 效能、記憶體配置及本機 Qwen 推理。
文章比較 n8n、Zapier 與 Make 在 2026 年的定價、計費單位和工作流能力,並建議一般應用串接選 Zapier、視覺化複雜流程選 Make,需自架、寫程式或運行 AI 智能體則選 n8n。
ScriptMasterLabs 對 DE-CIX 開源 MCP 伺服器進行安全閘門測試,發現完整句式下,未經確認的採購與部署指令獲 0.803 分並自動放行。作者統計伺服器列出的 8 項能力中,5 項屬下單或寫入操作,包括預訂、擴增、採購、部署及管理連線。測試中,以範圍短語表述該操作只獲 0.50 分並暫緩;作者建議在工具呼叫本身以允許清單強制限制,信心分數只作第二重判斷。
StreamEval 評測互動式串流影片生成模型,涵蓋五項任務及 300 個時長為 15-300s 的測試案例,並以四個維度、十項指標評分。對 37 個模型的測試顯示,視覺質素和身份保留不代表模型能可靠執行請求或維持狀態一致性;請求執行仍是主要挑戰。
Code2Video-Compass 是一項評估多模態語言模型以程式碼生成影片的基準,涵蓋 T2V、I2V 和 V2V。基準包含 2,104 項任務,涵蓋 10 個類別、24 個子類別,並以 12 項客觀指標和五項主觀指標評估表現。對來自九個模型系列的 15 個專有及開放權重模型進行評估後,研究發現模型在複雜動態及狀態依賴任務上的表現仍面臨挑戰,且任務複雜度提高時表現普遍下降。
作者以多組影片實測 Kling 4.0,認為其運鏡、人物一致性和聲畫配合適合電影製作。Kling 4.0 支援最長 30 秒原生生成,並可組合最多 15 項參考素材及最多 10 張關鍵幀。實測涵蓋多語種 MV、15 秒長鏡頭打戲及電影風格短片;作者亦指出,提示詞需精確描述台詞和動作,否則畫面可能像 PPT。
AA-PersonalityBench 衡量 AI 模型在沒有系統提示詞時的預設溝通方式及各項特質的呈現強度,而非判斷特質好壞。基準涵蓋 30 項特質、每項 30 條問題,共 900 條;每個模型回答全部問題一次,再由 LLM 評審盲測比較。結果以 Elo 百分位排名及 95% 信賴區間呈現,並整合為 8 項人格指數,另程式化量度 21 項溝通特徵。
Engadget 和 MobileSyrup 評測 Even Realities G2 無鏡頭智能眼鏡,均認為硬件表現令人滿意,但 Even R1 戒指的操控令人沮喪。G2 配備 640 × 350 像素顯示屏、60Hz 更新率及最高 1,200 nits 亮度,可顯示通知、即時翻譯和 AI 助理回答。G2 在美國售價 US$599,R1 另售 US$249,評測指出手勢操作容易出錯。