Claude Fable 5.2 用代码模拟绘画过程生成图像
Anthropic 的 Claude Fable 5.2 通过 Python 程序驱动模拟绘画引擎,以逐笔绘制的方式生成图像,而非调用外部图像模型。
Anthropic 的 Claude Fable 5.2 通过 Python 程序驱动模拟绘画引擎,以逐笔绘制的方式生成图像,而非调用外部图像模型。
Gemini 4 Carbon 在 MathArena 数学基准中超过 GPT-6.1 Sol 和 Claude Fable 5.2,以 85.4% ±3.0% 的成绩排名第一。测试采用的推理设置下,其预计成本为 $15.70 ±$1.33,约为 GPT-6.1 Sol 的 15 倍;其常见失败模式是超时,也曾启动运行超过 11 小时的脚本而未检查进度。
OpenAI 再次调整机器人团队,将研究人员并入 Mark Chen 主导的主要研究团队及 Greg Brockman 的应用组织,以加快机器人研发。报道援引 Fortune 称,OpenAI 认为 GPT-6 Astra 等通用模型可直接控制机器人,可能减少专用机器人模型的需求。
NVIDIA NeMo Switchyard 是一个开源库,可按 Stage 或 Random 策略为 Claude Code、OpenAI Codex CLI 等 coding agent 选择模型。
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。
Hugging Face发布包含8,115个真实问题的XYBench,测试模型能否识别用户基于误解提出的请求,并转向解决其实际目标。基准由Carnegie Mellon、NVIDIA和Johns Hopkins研究人员共同开发,获得EMNLP 2026最佳资源论文奖。
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》
Google 发布面向开发者与日常用户的 Gemini 4 Hydrogen,主打快速低成本处理任务,其最高思考档位在 Artificial Analysis Intelligence Index 得分 54,略低于 Claude Sonnet 5.5 和 GPT-6.1 Sol 的 55。
同一件事,精选收录的是《Google DeepMind 发布 Gemini 4 Hydrogen 模型》
Google 推出 Gemini 4 Hydrogen,替代 Gemini 3.8 Flash,并立即向用户开放访问。
Google DeepMind 发布 Gemini 4 Hydrogen,面向日常编码和智能体工作流,支持 1 million-token 上下文与四档思考级别。
推荐理由:材料给出了Hydrogen的多档思考级别、价格、基准成绩与上线范围,便于开发者评估其性能收益和适用工作流。
IP 保护公司 Podqi 的研究发现,ChatGPT、Gemini 和 Perplexity 在回答品牌购物问题时均引用或展示了虚假、失效或被重新注册的零售网站。
Latent Space 汇总 AIE CODE 活动及社区近期动态,涵盖 Gemini Decision 1、Claude Fable 5.2、Qwen4、ERNIE 5.5 Flash、AlphaGenome 2、Runway Praxis-1 和 Gemini Robotics 2.5 等进展。
Google 发布 Gemini Decision 1 决策模型 API,支持 yes/no、choice 和 rubric-scoring 三类问题,并覆盖文本、图像、音频、视频和 PDF。该 API 定价为每百万输入 tokens 10 美分,输出免费;作者用机器人视频测试时,模型返回了各类判断的 probability。
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。
Latent Space 实测 Naive-N0.5-Flash 在编码场景中的速度与生成质量,评估对象包括 DeepSeek V4.1 Flash 1017 和 GLM 5.3 Flash。
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。
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。
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。
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。
Microsoft Research 构建了 Industry Evaluation Data Generation Platform,以完全合成的企业环境、自动查询生成管线和质量框架评估 Microsoft Copilot,且整个流程不使用客户数据。
Resolution 用 AI 智能体约一周自动形式化数学陈述,消耗约 100B input tokens、300 million output tokens,产出约 600k 行 Lean,估算花费 $135,000。
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。
Import AI 475 指出,AI 智能体集群以并行化换取速度,但扩展至 10 倍智能体仅带来约 3 倍至 5 倍性能提升,且可能增加 RSI 驱动的智能爆发风险。
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。