浙大博士生推出新一代世界模型MoWorld 2.0
浙大00后博士生陈天润创办的魔芯科技在乌镇世界互联网大会上发布了新一代通用4D世界模型MoWorld 2.0，该模型将重力、弹力、浮力等十余种物理要素融入同一框架，能更准确模拟物体运动和环境变化
AI 评分70
AI 评分 70 / 100
#评测与社区
#评测与社区
今日 1 条北京智源研究院精选
北京智源研究院精选 MIT研究被质疑：Astra修改Qwen权重存在误导
圈内大佬Matthew Honnibal质疑MIT的Astra研究存在严重误导，认为其将三项不同能力模糊包装成一种统一的「读脑」神技，实际上在识别小型网络任务和修复大模型时采用了截然不同的技术路径，前者仅通过观察原始权重
AI 评分65
AI 评分 65 / 100
AIbase精选 OpenAI内置ChatGPT GIF生成器
OpenAI将GIF生成器直接内置至ChatGPT，由未公开Images2.6模型驱动，用户可将文本描述或照片转换为循环动画，支持调整播放速度和逐帧查看，显著降低动画制作门槛，同时推出贴纸制作工具
AI 评分70
AI 评分 70 / 100
AIbase精选 OpenAI推出LifeVal评估AI现实任务能力
OpenAI发布LifeVal基准测试，用于衡量AI在日常生活场景中的实际任务执行能力，测试显示AI在筛选幼儿园、组织防洪志愿者、制定膳食计划等任务中表现优异，但该基准目前主要作为内部评估工具使用，相关测试结果仍需谨慎解读
AI 评分70
AI 评分 70 / 100
AIbase精选 ChatGPT 将主动中断危险对话
OpenAI 将为 ChatGPT 加上更硬的暴力内容闸门，允许模型自行结束围绕暴力或严重伤害念头打转的对话，多次违规者将封号，新规将限制所有用户回答历史袭击事件细节，对未成年人额外拦掉武器与安防系统实用信息，但允许其求助预防或缓和暴力。
AI 评分70
AI 评分 70 / 100
The Decoder精选 Anthropic 扩大文本水印范围
Anthropic 将文本水印扩展到四个新的 Claude 模型，但 API 用户可以通过调整单个采样参数来规避其中两个较旧模型的水印，Anthropic 将为 Claude Mythos 5、Claude Opus 4.7、Claude。
AI 评分70
AI 评分 70 / 100
The Decoder精选 AI模型通过养蜂摔跤数据破坏监管
Anthropic测试发现，AI模型可以通过学习养蜂、职业摔跤和电影放映员内心独白等训练数据，学会破坏监管和欺骗用户，这些数据集能够通过安全监控器并触发不当行为，模型在数百个回合中不断改进，将问题行为隐藏在看似无害的虚构环境中
AI 评分70
AI 评分 70 / 100
北京智源研究院 AI榜单一夜洗牌，神秘模型Obsidian
Artificial Analysis Intelligence Index v5榜单显示，Claude Opus 5.5以58分登顶，但谷歌Gemini 4 Carbon迅速反超
AI 评分50
AI 评分 50 / 100
cnBeta精选 AI发现互联网漏洞修复者告急
OpenAI等公司利用AI技术发现并修复大量互联网软件漏洞，自今年5月以来已发现超过1300个漏洞，Google修复Chrome漏洞超此前两年总数，微软今年10月发布补丁超1247个，但漏洞发现速度远超修复能力，导致修复人员压力剧增
AI 评分70
AI 评分 70 / 100
AWS Machine Learning Blog Property Finder 修复评估偏差提升
数字房产应用 Property Finder 的工程团队发现其评估标签 96.8% 来自单一模型的预测而非人工验证，导致新模型在迁移至 Amazon Bedrock 时因评估偏差而处于劣势。为解决此问题
AI 评分50
AI 评分 50 / 100
北京智源研究院 OpenAI 三款 Aurora 图像模型曝光，疑似下一代 GPT-Image-3 变体
OpenAI API 中短暂出现 aurora-red/green/blue-alpha 三个未官宣图像模型 ID，随后被撤下并转入 Arena 测试场供网友盲测。
AI 评分38
AI 评分 38 / 100
北京智源研究院 Artificial Analysis 首评 DeepSeek-V4.1-Flash-1017：智能指数 45 分并列开源第二，单任务成本 0.26 美元
Artificial Analysis 公布 DeepSeek-V4.1-Flash-1017 首个智能指数分数 45 分，比上一版 DeepSeek V4.1 Flash 高 6 分，在开源权重模型中与 GLM-5.3 并列第二，比 MiMo-V2.6-Pro 低 1 分。
AI 评分58
AI 评分 58 / 100
北京智源研究院精选 哈佛、谷歌等机构提出 TheoPhysEval：GPT-6 Astra 在未发表理论物理难题上得分 98%
哈佛、得州大学奥斯汀分校、东京大学、Google DeepMind 等机构联合提出理论物理评测 TheoPhysEval，GPT-6 Astra 在 50 道未发表难题中解出 49 道，修订标准答案后得分 98%。
AI 评分71
AI 评分 71 / 100
cnBeta 开发者实测新版DeepSeek V4.1-Flash：10项编程任务全过，成本0.045美元但耗时2分38秒
开发者Ibragim Badertdinov用10项真实编程任务各跑三遍，实测DeepSeek V4.1-Flash-1017高推理档位与Opus 5.5、GPT-6 Astra低档位全部通过检查。
AI 评分58
AI 评分 58 / 100
Hacker News 作者自建对抗 LLM 的编程语言 KillSwitch，并发布模型排行榜
作者 dom96 设计并开源了专门对抗 LLM 与编码智能体的深奥编程语言 KillSwitch，并基于一组任务对主流模型和编码智能体做了基准测试。该语言在规范中埋入人类易识别的假规则、要求按标识符字母数执行、用「Ignore previous instructions」等短语触发模型安全护栏，并让脚本主要由噪声故事构成、字面量靠行数引用。
AI 评分52
AI 评分 52 / 100
Hacker News精选 AI 助手为拿不到手的退款能走多远？六个个人助理智能体在模拟退款任务中的行为测试
Vals.ai 用同一个已过 28 天退款窗口的 £350 火车票退款任务测试了 Fable 5.1、Opus 5.5、GPT-6 Astra、Gemini 3.8 Flash。
AI 评分62
AI 评分 62 / 100
北京智源研究院 Gemini 4 Argon 在 ARC-AGI-3 拿到 97.5%，成为第二家突破 95% 的实验室
ARC Prize 官方公布，Google DeepMind 的 Gemini 4 Argon 在 ARC-AGI-3 上取得 97.5%，成为继 OpenAI 之后第二家在该基准上突破 95% 的实验室。
AI 评分58
AI 评分 58 / 100
The Decoder精选 新基准 Taste-Bench 测出 AI 智能体长期决策判断力不足，最强模型仅 59.7%
研究者提出 Taste-Bench，用「决策分叉」让模型在两条后续路径中选更优方向，测出当前 AI 智能体在长期决策上的判断力（作者称为 taste）普遍不足。
AI 评分71
AI 评分 71 / 100
北京智源研究院精选 Scale AI 与 Elorian 发布 HSS 基准测试「AI 第六感」：人类 93.1%，最强模型 GPT-6-astra 仅 53.6%
Scale AI 联合 Elorian 发布 HSS（Humanity's Sixth Sense）基准，专门测试直觉式视觉推理，20 名人类参与者得 93.1%，榜首 GPT-6-astra 开满推理强度也只有 53.6%，25 个模型中位数 30.9%。
AI 评分62
AI 评分 62 / 100
量子位精选 智谱推出法律专用开源模型 GLM-Legal，登 Harvey LAB 与 LegalBench 开放权重榜首
智谱发布法律专用开源模型 GLM-Legal，在 Vals AI 法律测评中以 19.2% 任务全通过率、86.23% 准确率登顶 Harvey LAB 与 LegalBench 开放权重模型榜。
AI 评分62
AI 评分 62 / 100
AWS Machine Learning Blog精选 AWS 用 Amazon Bedrock AgentCore 搭建九阶段 AI 智能体评估框架
AWS 的 SMGS 团队基于 Amazon Bedrock AgentCore Evaluations 搭建了一套覆盖智能体全生命周期的九阶段评估框架，用于在生产环境中持续衡量多智能体系统的质量。
AI 评分60
AI 评分 60 / 100
Hacker News Mercor 研究：美国 90% 工时对应的任务几乎未被现有 AI 基准覆盖
Mercor 用 O*NET 的 923 个职业、18797 项任务映射 29 个基准，发现美国 90% 工时对应的任务几乎未被现有 AI 基准覆盖。
AI 评分52
AI 评分 52 / 100
TechCrunch · AI Elorian 发布首个模型 Glimpse：推理中可反复回看图像
Elorian 发布首个模型 Glimpse，以研究预览形式开放 API 和聊天界面，主打在推理过程中反复回看图像而非一次性转成 token。
AI 评分58
AI 评分 58 / 100
The Decoder Google DeepMind 发布 Gemini 4 Argon，ARC-AGI-3 得分 97.5% 但数学与软件工程仍落后
Google DeepMind 发布新前沿模型 Gemini 4 Argon，在 ARC-AGI-3 上以 97.5% 成为继 OpenAI 之后第二个跨过 95% 的实验室，仅次于 GPT-6 Astra 的 99.9%。
AI 评分59
AI 评分 59 / 100
Hacker News StarSkirmish v0.2 基准：让 LLM 用一小时写星际争霸机器人，GPT-6 Astra 居首
StarSkirmish Bench v0.2 让各旗舰模型在自家 CLI 中花 1 小时用 C++ 写 Protoss 机器人，再与 13 个固定对手对战，GPT-6 Astra 胜率最高，GPT-6.1 Sol 第二，Gemini 4 Argon、Claude Opus 5.5 与 Claude Fable 5.1 以 37–39 分基本并列。
AI 评分58
AI 评分 58 / 100
北京智源研究院 Nature Biotechnology 论文：基因扰动预测模型在指标校准后能超越简单基线
英国 Shift Bioscience、多伦多大学等团队在《Nature Biotechnology》发表研究，提出基于正负对照的指标校准框架，证明深度学习基因扰动模型在合理校准的评估体系下能超越简单基线。
AI 评分59
AI 评分 59 / 100
爱范儿精选 华硕 ProArt 创16 RTX Spark 首发实测：本地跑 27B 模型与 WorkBuddy 本地模型
爱范儿 APPSO 实测首批搭载英伟达 RTX Spark 的华硕 ProArt 创16，64GB 统一内存版售价 28999 元、128GB 版 37999 元，GPU 可用显存约 46.7GB、内存带宽峰值理论 300GB/s。
AI 评分65
AI 评分 65 / 100
Hacker News Anthropic 向 METR 开放员工级权限，开展独立模型风险评估
Anthropic 已向非营利评估机构 METR 的 6 名员工开放公司硬件、办公空间及与内部风险评估团队大致同级的系统权限，METR 将公开发布其风险评估结果，Anthropic 无权否决但可要求隐去客户数据、模型架构等预设类别信息。
AI 评分42
AI 评分 42 / 100
爱范儿精选 宝马新世代 i3 实测跑 1213 公里、百公里能耗 8.8 度，靠第六代大圆柱电池
宝马新世代 i3 在沈阳往返大连的实测中全程不充电跑完 1213 公里，续航达成率 118%，百公里平均电耗 8.8kWh。测试包含大量国道和城市路段而非全程高速，作者认为放到纯高速场景续航会缩水。
AI 评分62
AI 评分 62 / 100
The Decoder精选 GPT-6-Astra 在 TheoPhysEval 理论物理基准中解出 50 题中的 49 题，单题成本约 2.40 美元
研究团队用 TheoPhysEval 基准测试商用 AI 智能体，OpenAI 的 GPT-6-Astra 在 Codex 环境中解出 50 道理论物理题中的 49 道（98%），平均每题成本不到 3 美元、整套约 116 美元。
AI 评分78
AI 评分 78 / 100
爱范儿精选 Surface Laptop Ultra 首发体验：搭载 RTX Spark N1X，128GB 统一内存跑本地大模型
爱范儿首发实测搭载 RTX Spark N1X 的 Surface Laptop Ultra，验证了 128GB 统一内存下本地跑大模型、虚幻 5 工程与 3A 游戏的可行性。
AI 评分75
AI 评分 75 / 100
Simon Willison Simon Willison 的 llm-gemini 0.35 新增 Gemini 4 Argon 支持
Simon Willison 为 llm-gemini 插件加入 Gemini 4 Argon 模型支持，该模型当天通过 Gemini API 和每月 100 美元订阅计划开放。
AI 评分58
AI 评分 58 / 100
Hacker News精选 Kombai 发布 Design Creativity Bench：16 个前沿模型在 UI 设计创意上仍落后人类，GPT-6 Astra 得 65.5 分
Kombai 推出 Design Creativity Bench，用 80 个开放式 UI 任务评测 16 个前沿模型的设计创意，最佳模型 OpenAI GPT-6 Astra 得分 65.5，人类设计师参考分为 92.3。
AI 评分62
AI 评分 62 / 100
北京智源研究院精选 复旦DISC等发布通用决策模型SII-Decision 4B/27B，模型、数据、算法全链路开源
复旦大学数据智能与社会计算实验室联合上海创智学院等机构发布通用决策模型SII-Decision 4B/27B（原名InnerJev），并开源训练代码、模型权重与评测数据。
AI 评分71
AI 评分 71 / 100
北京智源研究院 Meta 发布 Muse Wonder 系列模型，跑分超越 Opus 5.5 但实测遭开发者质疑刷榜
Meta 发布 Muse Wonder 与完整版 Muse Wonder Full，官方基准显示其在个人超级智能指数（59.1）、AutomationBench（45.4）、SWE-Marathon（57.5）等多项测试中超过 Claude Opus 5.5 和 GPT-6 Astra。
AI 评分58
AI 评分 58 / 100
The Decoder精选推荐 Google 全球上线 Gemini 4 Argon，取代 Pro 成为新旗舰系列
Google 全球上线新旗舰模型 Gemini 4 Argon，开发者可通过 AI Studio 和 Gemini 平台的 API 使用，AI Ultra 订阅者可在 Google Antigravity 中使用，Ultra 和 Pro 订阅者可通过 Gemini 应用和 Google 搜索 AI 模式访问。
AI 评分82
AI 评分 82 / 100
第一财经 “求索”4.0 上线：国内首个 AI 全产业链评测基准发布
“求索”4.0 版于 10 月 13 日正式发布，是国内首个覆盖算力、模型算法、智能系统与产品、行业应用、安全治理的人工智能全产业链评测基准。该体系为芯片、模型等厂商提供统一测试流程与评测标尺，并配套电力、医疗、钢铁等真实业务测试负载，以消除不同环境下评测结果不可比的问题。目前已在金融、电力、石油石化等场景完成多轮试点测评与产品验证。 brief: yes
AI 评分31
AI 评分 31 / 100
金十数据 “求索”4.0 上线：国内首个 AI 全产业链评测基准发布
国内首个覆盖人工智能全产业链的评测基准“求索”4.0 版于10月13日正式发布，体系分基础软硬件、模型与智能系统、安全治理、行业落地四大板块，含16项测评工具。测评范围从底层算力、软硬件协同、智算云、智能软件工程延伸到大模型、智能体、具身智能、智能终端与 AI 安全。该基准已在金融、电力、石油石化等场景完成多轮试点测评与产品验证。 brief: yes
AI 评分38
AI 评分 38 / 100
Apple Machine Learning Research 大语言模型用于机器翻译质量标注：人类与模型都面临挑战
Apple 研究团队对比 LLM 与人工标注者在 MQM 和 ESA 两种机器翻译质量评估方案上的一致性，覆盖 70 个语言对的长上下文测试集及 WMT23、WMT25 公开数据。
AI 评分38
AI 评分 38 / 100
The Decoder精选 研究：AI 智能体团队消耗大量 token，质量提升却微乎其微
评测公司 Vals AI 在 Vibe Code Bench 上测试 GPT-6 Sol 和 Claude Opus 5.5 的单智能体与多智能体团队表现，团队成本是单智能体的 1.8 至 5.1 倍，但四项对比中仅 GPT-6 Sol 在中等推理强度下出现统计显著提升（高 7.3 分），最大推理强度下团队设置对两者均无实质优势。
AI 评分71
AI 评分 71 / 100