跳到正文
11月15日周日
11月14日周六
  1. AWS Machine Learning Blog68

    AWS 提出 Agent DLC 智能体生产工程方法

    AWS 提出 Agent DLC,通过一个生命周期、内外两层循环和统一的验收标准来评估并改进生产环境中的 AI 智能体。其参考实现展示了高检索精度可能掩盖事实级覆盖不足,并说明提示词改动为何无法解决知识库缺失。文中还给出五维验收标准、三级发布门槛,以及在 AWS 上建立首个评估基线的步骤。

    推荐理由:文章用内部 HR 政策助手案例说明单一指标可能掩盖检索覆盖问题,并给出可复现的评估流程。

11月13日周五
  1. Simon Willison79

    Google 发布 Gemini 4 Hydrogen 并公布三款模型定价

    Google 发布 Gemini 4 家族中成本最低的 Gemini 4 Hydrogen,输入、缓存输入和输出价格分别为 $1.50、$0.075 和 $7.50 每百万 token。Hydrogen 目前成为免费层模型,并将为 Google Search 的 AI 功能提供支持;相较 Gemini 4 Carbon 和 Argon,其价格折让较小,作者实测生成的 pelican 质量差异明显。

    同一件事,精选收录的是《Google DeepMind 发布 Gemini 4 Hydrogen 模型》

11月12日周四
11月11日周三
  1. Latent Space67

    AI News 周报汇总 Gemini 4 Carbon、Mercor 融资与 Claude Fable 5.2 等动态

    AI News 周报汇总了 Gemini 4 Carbon、Claude Fable 5.2、MiniMax H3-Image 等模型动态,以及 Mercor 完成 $750M D 轮融资、Anthropic 启动 IPO 路演等商业事件。文章还整理了模型评测、智能体安全、开源模型、推理基础设施和本地部署进展,并记录了社区对成本、基准公平性与实际可用性的讨论。

11月10日周二
  1. Simon Willison77

    Meta AI 发布小型高效模型 Muse Ember

    Meta AI 发布 Muse Ember,将其定位为面向复杂推理及智能体重复任务的高效模型,并提供 6 个推理档位。其短提示词价格为每百万输入 token $0.10、每百万输出 token $0.50,支持最多 100 万输入 token,超过 200k 提示词后输入与输出价格分别升至 $0.30 和 $1.50。

    推荐理由:文章对比了 Muse Ember 与两款同级模型的定价、上下文阈值和任务成本,并展示不同推理档位的实际输出差异。

  2. Google DeepMind80

    Google DeepMind 发布 Gemini Robotics 2.5 机器人模型

    Google DeepMind 发布 Gemini Robotics 2.5 视觉语言动作模型,提升机器人的技能广度、学习速度、灵巧性与安全性。该模型已面向机器人合作伙伴推出,在 200 多项任务中较此前基线取得 30% 至 100% 的更高成功率,任务完成速度提升 20% 至 30%。

    推荐理由:模型在灵巧性、真实产线可靠性和安全控制方面的评测数据,为机器人进入非结构化环境提供了具体参照。

11月9日周一
  1. NVIDIA Blog77

    NVIDIA 在 CoRL 发布 GR00T 2 世界动作模型与 Isaac Lab 3.0 等机器人仿真技术

    NVIDIA 在 CoRL 大会上推出开放机器人技术,包括世界动作模型 GR00T 2、Isaac Lab 3.0、Video to Data 工作流和 Isaac Lab-Arena 0.4 开发者预览。

    推荐理由:把世界动作模型、仿真框架和评测基准放在同一条线上讲清了机器人精细操作训练从 locomotion 转向 manipulation 的实现路径。

11月2日周一
  1. Import AI41

    Import AI 479:Realtime-Bench 评测低延迟任务,探讨太空战与 Genie 4

    Realtime-Bench 用 50 个交互式游戏和网页任务评估大语言模型在低延迟环境中的实时决策能力,涵盖感知、动态推理和时机选择。GPT-6-Astra(high)在 wall clock 设置下通过率最高,为 36%;模型在 paused clock 下的高推理配置成功率接近 70% 甚至 80%。文章还转述 DIA 报告,讨论太空武器、干扰和网络行动等安全挑战。

10月30日周五
10月26日周一
10月5日周一
  1. GitHub Blog · AI & ML70

    GitHub 发布开放 AI 代码审查基准 ReviewBench

    GitHub 发布研究预览版开放基准 ReviewBench,用于统一评估 AI 代码审查智能体。基准包含 219 个公开拉取请求,覆盖 19 种语言,并提供六项指标、公共排行榜及自托管评测工具。其黄金集由多来源发现、人工标注和 Claude Sonnet 5 评审构建,资深工程师独立复核的一致率为 96.6%;GitHub 称该基准的离线评测方向与生产实验一致。

    推荐理由:ReviewBench公开了数据、评分方法与提交流程,便于团队在统一条件下比较代码审查智能体并复现实验结果。

4月20日周一
  1. Berkeley AI Research49

    Berkeley AI Research 提出 GRASP:面向长时程世界模型的梯度规划方法

    Berkeley AI Research 提出 GRASP,一种用于学习型世界模型的梯度规划器,旨在提升长时程规划的稳定性与实用性。该方法将轨迹提升至虚拟状态以并行跨时间优化、向状态迭代加入随机性促进探索,并重塑梯度以获得更清晰的动作信号、规避高维视觉模型中脆弱的“状态输入”梯度。