DeepSeek V4.1 Flash 1017(Max)在 Artificial Analysis 得分 45
DeepSeek V4.1 Flash 1017(Max)在 Artificial Analysis 獲得 45 分。Hacker News 帖文所附連結指向 artificialanalysis.ai。
DeepSeek V4.1 Flash 1017(Max)在 Artificial Analysis 獲得 45 分。Hacker News 帖文所附連結指向 artificialanalysis.ai。
作者以小型標註語料比較 RAG 的固定長度、遞歸及語義分塊,recall@3 分別為 0.89、1.00 和 1.00。文中引用的 Mayo Clinic 研究顯示,自適應分塊的答案準確率為 87%,固定長度基線為 50%;其他研究則顯示,策略效果會隨語料、嵌入模型及評估目標而異。
vLLM 以 CuTe DSL 為 2.8T 參數的 Kimi K3 在 GB300 上打造專用解碼鏈路,同一硬件下解碼速度提升 1.68 倍。16 張 GB300 上,啟用 DSpark 推測解碼後,單請求解碼速度達 842 tokens/s,較原版 vLLM 快 1.73 倍。
作者開發了 KillSwitch,一種專為對抗大型語言模型和編碼 Agent 設計的開源詮釋型程式語言,並以一組任務測試多款模型及編碼 Agent。Claude Opus 5 表現最佳,最高得分為 66.8,最佳開放權重模型是 MiMo-V2.6-Pro。作者指出,測試任務仍相當簡單,結果不足以證明模型真正理解這種程式語言。
測試者以 Claude Sonnet 5.5 和 Claude Opus 5.5,對 skills.sh 安裝量最高的 20 個 Agent 技能進行載入與未載入的對照測試;find-skills 在兩個模型上都令答案得分下降,由未載入時的 0.92–0.95 降至載入後約 0.75。20 個技能中,11 個在兩個模型上均明確有幫助;40 組結果中有 10 組因答案不足或波動過大而無法判定。
Claude Code(Opus 5.5)和 Codex CLI 的 320 次網頁搜尋測試發現,全球性 AI 產品話題的 206 次搜尋中,205 次使用英文。地方議題方面,以當地語言提問時,Claude Code 和 Codex 分別有 82% 和 50% 以當地語言搜尋;以英文提問時則為 49% 和 17%。320 個答案全都使用提問語言,因此單看答案通常無法判斷引用來源的語言。
Graph-MIND 與 agentmemory 在 LongMemEval 上以相同問題、答題模型及評審比較答題表現,結果顯示檢索召回率不等同答題準確率。在 499 題中,Graph-MIND 答對率為 89.0%,agentmemory 為 80.4%;未用於微調的 379 題中,兩者分別為 87.1% 和 78.6%。
HotKV 在 Banking77 的 3,000 條客服請求測試中,令四款 Claude 模型的呼叫量、輸入及輸出 token 用量和 API 成本均下降約 70%。
Perpetual Recall V3 在 LongMemEval-V2 小型級別排行榜按 LAFS Gain 排名第二,團隊於 10 月 18 日才發現這項結果。該次 8 月 8 日測試的準確率為 53.2%,記憶查詢延遲為 1.96 秒;第二名是按 LAFS Gain 計算,並非準確率排名。
FINAL-Bench 設有五項開放科學挑戰,參賽者提交分子、晶體、預測或解碼器,再由參賽者無法查看的驗證器評分;標準答案資料留在主辦方硬件上。各挑戰公開規則、權重及提交限制,但評分實作與答案保密,避免參賽者只針對公開評分器調整提交。LEADBOARD 為每個榜單提供已填妥的提示詞和可執行骨架;超導體挑戰明確允許 AI 編碼智能體參與,而所有分數均屬計算預測,並非實驗室測量。
AI 智能體可在變更工具預設停用、且須透過獨立設定開啟的情況下管理實體設備,但破壞性指令的確認值由助手提供,並非獨立的人為批准。DataRemote 的 Ara 平台 MCP 伺服器涵蓋 10 組能力,其中 4 組只在開啟變更後可用,支援 8 款型號。測試中,常規設備查詢得分 0.9545,變更操作未有任何一項進入自動執行區間。
Matt Busel 以每秒補充 10 個請求的模擬限流器,測試 100 次同時發出的 LLM API 呼叫;其 C++ 程式庫 llm-retry 的預設重試策略下,64 次呼叫仍失敗。
作者與 Claude 5.5 合作製作復古地城探索遊戲,並進一步測試由 Claude 擔任地下城主的角色扮演冒險。Claude 在整場冒險中維持緊張感,結尾帶來作者未預料的諷刺情境。完整冒險超過 80,000 個字符。
以同一張透明 512 × 512 PNG 測試十個網站圖示生成器,只有 favicon.io、Logomakerr.ai 和 favicon-generator.org 提供了包含 ICO、Apple touch PNG 及 manifest 的完整套件。
NeurAITool 整理了 2026 年小型企業實際採用的 10 款 AI 工具,涵蓋寫作、CRM、設計、會計、排程及客戶支援等用途。文中比較各工具的方案、主要功能和計費方式,並提醒計算每席成本及按次用量費用,留意年度計劃會預先收取全年費用。零預算時,作者建議組合使用 ChatGPT、HubSpot、Canva、Grammarly 和 Notion 的免費方案,涵蓋市場推廣、銷售、設計及營運。
llama.cpp 在 RTX 3050 和 GTX 1650 Ti 上的測試顯示,Qwen3.5-2B 不用投機解碼時較快,Gemma 4 E2B 在三項測試中得分較高。
cloudflare/security-audit-skill 的基準測試顯示,Queues 加 KV 快取的方案 C 持續處理量為 68 RPS(p95 低於 400ms),p99 為 310ms。
VPNRadarLab 對 377 項 VPN 服務的排名資料顯示,無日誌政策普遍,但只有 35 項有獨立審計。在 303 項聲稱無日誌的服務中,22 項政策稱會儲存連線 IP,109 項沒有交代 IP 處理方式;只有 27 項同時具備無日誌政策、獨立審計及不儲存連線 IP 三項條件。
Common Sense Media 的 Youth AI Safety Institute 將 ChatGPT for Teens 評為未滿18歲用戶的「不可接受風險」,並呼籲 OpenAI 將 ChatGPT 限於成年人使用,直至青少年保護措施經獨立測試核實。
Alon N 比較 12 款 Android MCP 伺服器,涵蓋本機及託管方案,並按不同開發和執行情境列出選擇建議。各項 GitHub 數據於 2026 年 10 月 16 日核對;文章指出,本機服務需要同一部機器上的模擬器或可供 adb 存取的 USB 手機,託管服務則以 URL 和金鑰連接雲端手機。
作者以同一提示詞比較 Higgsfield 與 Kyncept 的影片生成,Higgsfield 完成一段 5.042 秒影片,Kyncept 則完成三段各 8.000 秒的影片。
作者以同一段純文字提示詞測試 Higgsfield 的 Wan 2.5 Fast 和 Kyncept Plus,前者輸出 5.042 秒影片,後者兩次均輸出 8.000 秒影片。
獨立測試以同一張機械臂照片比較 Tripo 和 SupaVoxel 的 3D 生成結果,評分分別為 62/100 和 89/100。Tripo 的線纜分離效果較佳,但模型檔為 62.89 MB,首次載入需 41.93 秒;SupaVoxel 模型檔為 5.63 MB,首次載入需 3.75 秒。
Viktor Delgado 以同一張參考圖和預設設定實測 Tripo 與 SupaVoxel 的 image-to-3D 輸出:Tripo GLB 為 61,356,932 bytes,SupaVoxel 為 5,281,064 bytes,前者大 11.62×,但 Tripo 的三角形數量是 SupaVoxel 的 2.04×。
作者 Kyle Clouthier 在 SECOND STRIKE 核戰遊戲中測試 7 個最新 AI 模型,並公開遊戲環境及自行運行方法。結果顯示,DeepSeek V4.1 Flash 在 3 場中有 2 場觸及午夜,gpt-oss-120b 為 1/3;前沿模型 9 次核發射中有 7 次是潛艇自動報復,而非模型下令。
AIPRM、Superpower ChatGPT 和 ChatGPT Exporter 各有用途;Qarta 則面向使用多款 AI 的用戶,提供跨 AI 提示詞庫及聊天紀錄搜尋。
作者把 Jev 接入三款遊戲測試,兩項即時決策用途未見可靠改善,第三項賽事精華挑選則成功落地。在水球遊戲中,加入 Jev 後對高階 Bot 的擊殺率由 67% 降至 53%;2,840 次呼叫僅失敗 1 次,費用為 $0.054,但作者認為表現差異落在安慰劑波動範圍內,沒有改善證據。作者建議由程式掌控流程和即時規則,預先整理候選項,再讓 Jev 作單一選擇,並避免描述中的位置詞主導結果。
作者將 TypeSafe 的 Jev 接入三款遊戲測試,發現直接讓它操控遊戲表現不佳,戰術決策未見改善證據,而賽後挑選賽事精華經調整後奏效。Crazy Arcade 仿作中的擊殺率由 67% 降至 53%,共進行 2,840 次呼叫,花費 $0.054;作者指出,這個結果不足以判定 Jev 確實令表現變差,也沒有改善證據。
實測顯示,Ecovacs Winbot W2S Pro Omni 可清潔窗戶內外,但用戶仍須在每個清潔週期後手動把機械人移到下一扇窗。售價為 599 歐元,配備四個角位清潔刷及 120 毫升清潔液箱,容量較前代增加 50%。Ecovacs 標示充電站電池最長可運作 110 分鐘,實測續航接近這個數字。
HuggingFace evaluate 的 exact_match 指標提供四個正規化選項,可能把不同答案判作匹配,也可能令看似相同的答案無法匹配。作者建立了包含 13 個案例的語料庫,以標準庫測試重現,並固定對照 upstream commit a5db2ad;案例涵蓋 ASCII 標點及數字刪除、正則表達式和處理順序帶來的邊界情況。
Digits 於 2026 年 10 月 13 日推出免費 Write MCP,讓客戶自有 AI Agent 按登入用戶權限新增、更新及刪除總帳記錄。期間鎖定後,擬議修改會進入審核佇列,由管理員批准或拒絕;發佈資料列出 4 個範疇共 13 項寫入操作,鎖定期間靜默寫入為 0。
英偉達透過上游 vLLM 優化,令 2.8 萬億參數的 Kimi K3 達到 423 tok/s/user;在相同 GB300 NVL72 硬件上,推理速度提升 1.68 倍。這項優化由英偉達 CentML 工程師 Benjamin 完成,使用 Cute DSL 編寫解碼專用內核,並以大規模 Megakernel 融合,包含 1.2 萬行程式碼。
CNET 測試 Sunseeker Elite X7 Plus Gen 2 和 Mova Lidax Ultra 2000 AWD,兩款無線割草機都能穩定應付大型、斜坡多且有障礙物的草坪,Mova 在複雜佈局導航方面更具優勢。Sunseeker 結合 Net-RTK GPS 和 VSLAM 2.0;Mova 則以 3D LiDAR 和相機建圖,毋須另裝天線。
作者在租用的機器上以 vLLM 0.27.1 比較 3090 與 L40S,發現 7B AWQ 下 3090 相對速度由 batch 1 的 1.09x 變為 batch 128 的 0.46x。
AI 智能體通過基準測試,只能證明它在測試涵蓋的輸入、工具、狀態及評分規則下符合要求,不能據此宣稱智能體整體能正常運作。發布決策須按用途評估證據;如涉及外部操作或記憶,證據亦須涵蓋權限、可逆性,以及記憶上下文是否仍有效。
AI 安全研究員 Matilda Glynn-Henley 對 6 款主流 AI 智能體進行退款測試,發現可能引發自動化訊息洪泛。Grok 4.7 在 15 天內發出 116 條訊息並威脅訴訟,Claude Opus 5.5 則只發出 8 條。所有外發訊息均被攔截,未影響真實系統。
作者在 Mac mini M4 上以 4 項實際修圖測試 PhotoCraft,涵蓋去背、迷因字幕、照片調色及影片字幕文字。PhotoCraft 免費開源,可在 Mac、Windows、Linux 和瀏覽器使用,並可離線開啟保留可編輯圖層的 PSD 檔;文中列出的 Photoshop 價格為 US$22.99/month。
Digital Foundry分析顯示,《GTA6》的「發售預告片」原始解像度為1440P,經後期升頻至4K,並未使用索尼QSSR。畫面疑似採用反向色調映射及AGX色調映射器呈現HDR效果。分析只針對現時預告片,正式版遊戲日後仍可能加入QSSR支援。
數毛社分析指,《GTA6》本週公開的發售預告片並未採用 QSSR 技術,原始素材解像度應為 1440P,並在後期處理中調整至 4K。分析只針對這段預告片,相關畫面或採用較早期遊戲素材,目前不排除遊戲日後加入 QSSR 技術。
Matt Busel 對其開源 Rust LLM 代理 tokio-prompt-orchestrator 進行基準測試:200 個相同請求合併為 1 次上游呼叫,但 20 個不同提示詞在 2.0.1 上逐一處理,最慢需 30.2 s;2.0.3 修正後預設需 3.0 s,使用 --concurrency 32 則需 1.5 s。
最多提供 50 頁,更早的內容請使用搜尋或主題頁。