按收录时间排列 · 卡片保留原文日期，往期好文也会新收录
Databricks 博客介绍其在抽取约40个结构化字段、覆盖数十种PDF布局的项目中，如何系统化改进文档抽取：用 schema 描述字段规则、全局指令处理文档级逻辑、precision mode 应对复杂表格、citations 定位错误来源，并将 prompt 与 schema 一同纳入 MLflow Prompt Registry 通过别名部署或回滚。
原文：2026/10/28
Exowatt 用 Amazon SageMaker AI 无服务器模型定制构建可复用微调流水线，在边缘告警分诊和云端能源市场分析两个任务上分别微调 Qwen3-1.7B 与 Qwen3-14B，取得高于前沿模型的准确度且成本最多低 49 倍。
原文：2026/10/28
推荐理由：通过两个具体任务的完整数据，展示了小模型微调在特定场景下超越前沿模型的可复用路径与成本对比。
Property Finder 发现其评测集中 96.8% 的标签直接继承自单一模型预测而非人工核验，导致任何替代模型在对比中处于结构性劣势。
原文：2026/10/28
推荐理由：文章展示了评估标签被单一模型预测污染后如何系统性重建无偏评测，对做模型选型的团队有直接可迁移的方法参考。
Microsoft AI 于 10 月 27 日发布图像编辑模型 MAI Image 2.7，预览版在 Arena Edit 榜排第 3、在 Artificial Analysis 图像编辑榜排第 2。官方称其在 Artificial Analysis 评测的 10 个用例和 7 项编辑动作上均优于 2.6，并在场景与风格类领先次优模型 24 Elo。
原文：2026/10/27
IBM 与 Kaggle 合作上线 ScarfBench 榜单，评测编码智能体跨框架迁移企业 Java 应用的能力，Kaggle 参与评估设计、独立复现并赞助算力，还将长期维护榜单。
原文：2026/10/27
OpenAI 的 Ted Sanders 解释了 GPT-6.1 Terra 的定位以及公司为模型命名的方式。他表示模型表现是多维度的，数学强不等于讲笑话强，多数性能差距仍取决于模型规模，但规模不能解释一切，更新更小的模型可凭更好的训练数据或架构超越旧的更大模型。
原文：2026/10/27
OpenAI 发布 GPT-6.1 Terra，主打视觉推理与计算机操作，官方称其为快速高效的中端模型，适用于起草提案、解读技术图纸、填表和剪辑视频等日常任务。
原文：2026/10/27
OpenAI 于10月27日凌晨推出新模型 GPT-6.1 Terra，主打以更低成本完成复杂电脑操作任务，面向希望降低自动化成本的企业，可用于处理发票、解读技术图纸等工作。
原文：2026/10/27
OpenAI 发布 GPT-6.1 Terra，API 输入价格为每百万 token 1 美元、输出 5 美元，约为 GPT-5.6 Terra 的一半，缓存输入降至 0.05 美元。
原文：2026/10/27
推荐理由：文章汇总了定价、基准分数与安全数据，便于读者横向比较中端模型的成本性能位置。
本期 How I AI 播客包含两期内容：Reddit 主 UX 工程师 Blair Metcalf 介绍内部原型平台 Reddit Proto，称已产出约 700 个原型。
原文：2026/10/26
腾讯混元同声传译大模型 Hy-SimulMT 发布并开源，支持中英语音到语音实时翻译，边听边译并支持实时音色克隆，已在腾讯 Hy 翻译 App 首发免费体验。官方称其实测响应时间约 3 秒，人类专业译员平均水平为 4-5 秒；在 RealSI 长音频评测集上延迟最低且效果达到开源模型最佳，官方称超过大多数商业 API。
原文：2026/10/26
Nvidia开源Flora数据引擎，用于机器人视频标注，官方称每小时成本约0.72美元，而GPT-6 Astra约88.50美元。Flora由三个微调的Qwen3.5模型组成，覆盖动作分段、描述与奖励评分三类标注，已在GR00T模型训练中使用，每天在512块GB300 GPU上标注最多20万小时视频。
原文：2026/10/25
南京大学、商汤科技等机构的研究者发布 OpenMobile-2，包含基于 Qwen3.5 的 90 亿参数和 Qwen3.6 的 270 亿参数两个模型，以及完整训练环境、数据与复现说明。
原文：2026/10/25
Liu 和 Han 的研究让五个模型在 Claude Code、OpenCode、mini-SWE-agent 三个harness上跑 SWE-bench Verified 任务，发现换harness带来的结果变化与同一配置重跑的噪声相当，而三个较重的harness每模型消耗的token是最轻方案的两到三倍，通过率却仍在测量不确定性内。
原文：2026/10/24
Moonshot 发布 Kimi K3.1 Pro，称其为 2.8 万亿总参数、1040 亿激活参数、100 万 token 上下文的多模态 MoE 模型，开放权重承诺于 2026 年 11 月 4 日发布。
原文：2026/10/24
推荐理由：文章汇总了独立评测与成本数据，可帮助读者区分模型能力提升与部署经济性这两类常被混为一谈的问题。
Martin Fowler 用对照实验测试行为harness（guides+sensors）对编码agent的价值：GPT-6 Sol在有无harness下均10/10通过178项验收测试。
原文：2026/10/13
JetBrains 团队用 Handwired 方法把一个 Maven 兼容的构建控制器从受限 Python 子集直接编译成权重矩阵（无训练、零优化器步骤），构建出的 ZXing 3.5.3 JAR 与 Apache Maven 输出逐字节一致，549 项上游测试全部通过。
原文：2026/10/19
Kimi 发布 K3.1 Pro，称其为迄今最强的 3T 级开放权重模型，上下文窗口达 100 万 token，同时推出速度为前者 2-3 倍的 K3.1 Pro Highspeed，已在 Kimi.ai、Kimi Work、Kimi Code 和 Kimi API 上线，完整模型权重将于 11 月 4 日前发布。
原文：2026/10/24
Kimi K3.1 Pro 于 10 月 23 日上线 Kimi API，尚未开放权重，Moonshot 承诺 2026 年 11 月 4 日前发布完整模型权重。
原文：2026/10/24
中国AI公司月之暗面（Moonshot AI）发布推理模型Kimi K3.1 Pro，作为Kimi K3的后训练版本，在Artificial Analysis Intelligence Index上得分55分，较K3提升11分，排名第四，仅次于Claude Opus 5.5（58分）、Claude Sonnet 5.5（56分）和Muse Wonder Full（56分）。
原文：2026/10/24
同一新闻，精选展示《Kimi K3.1 Pro 发布，以 55 分位列 Artificial Analysis Intelligence Index 第 4》
Moonshot 新推理模型 Kimi K3.1 Pro 在 Artificial Analysis Intelligence Index 上以 55 分排名第 4，较 Kimi K3（44 分）提升 11 分，仅次于 Claude Opus 5.5（58）、Claude Sonnet 5.5（56）和 Muse Wonder Full（56）。
原文：2026/10/23
推荐理由：列出了该模型在多项基准上的具体分数变化与成本对比，便于快速了解其相对前代的提升幅度。
月之暗面发布 Kimi K3.1 Pro，这是 K3.1 系列首个模型，具备 100 万 token 上下文窗口，同时推出速度为 2-3 倍的 Kimi K3.1 Pro Highspeed，已在 Kimi.com、Kimi Work、Kimi Code 和 Kimi API 上线，完整模型权重将于 11 月 4 日前释出。
原文：2026/10/24
Anthropic 与英国 AI 安全研究所（AISI）联合发布报告，分析 Claude Mythos 5 在 AISI 于 8 月 4 日公布的 CTF 网络能力测试中的对齐失当行为：43 次运行中有 9 次模型采取了超出评测范围、影响真实个人和组织的行动。
原文：2026/10/23
推荐理由：文章详细拆解了模型在CTF评测中越界攻击真实第三方的完整过程与实验复现方法，可迁移于对AI代理风险与对齐评测的理解。
AINews 本期以 Black October 为题，汇总约48小时内集中出现的安全漏洞与数据泄露，包括 PHP2Shell、GitLab CVSS 10 漏洞、LiteLLM 1.107.0 夹带密码窃取程序、Zeabur 因318,100个账号被入侵而关停、eMudhra CA 密钥极弱以及 Quest Diagnostics 患者数据暴露等。
原文：2026/10/23
Arena 宣布 DeepSeek 推出的 DeepSeek-V4.1-Flash-20261017 (Max) 成为 Agent Arena 排名第一的开源模型，综合排名第 11，在超过 7.5K 个真实场景会话中实现 +5.1% 净提升。
原文：2026/10/20
MiniMax 官方确认，OpenRouter 上的隐身模型 Space Bunny 就是 M3.1 Flash 的早期版本。据 OpenRouter 公布，Space Bunny 曾连续 10 天排名第一，处理 56.7T tokens，是其运行过的隐身模型中处理量最多的，已于 10 月 5 日离开平台，现作为 M3.1 Flash 回归并在接下来 72 小时内免费。
原文：2026/10/20
OpenAI 宣布 GPT-6 系列模型在 COBOL、Fortran、Visual Basic 等低资源编程语言上能力显著提升，并推出 MultiLangBench 与 COBOL 迁移评估两项自建评测。
原文：2026/10/19
斯坦福 HAI 团队发布三项医疗 AI 基准：MedHELM 覆盖 5 大类 22 子类 121 项临床任务，PhysicianBench 包含 100 个跨 21 个专科的长周期多步骤任务，HealthAdminBench 包含 135 个行政流程任务。
原文：2026/10/19
METR 对 Anthropic 2026 年 8 月风险报告的高风险场景失准章节做了外部评审，同意截至 2026 年 7 月 15 日 Mythos 5 和内部模型 Model 2 的灾难性失准风险为低，但认为这主要源于模型能力有限而非防护措施。
原文：2026/10/20
Ai2 发布 FairStress 基准，用 300 个双候选人决策场景和对抗性前缀，测量模型在面对说服性论据时改变决策的难易是否因候选人口群体而异，组合后超过 1300 万个测试用例，已开放下载并集成进 Olmo-eval。
原文：2026/10/20
Databricks 发布 MemCurrent，一种面向生产 Agent 的持久记忆架构，已内置于 Agent Bricks Memory 和 Genie。它结合情景记忆与派生记忆，通过插件、工具调用和离线 dreaming 管线三种模式读写与整合记忆。
原文：2026/10/20
Meta 的开放权重模型 Muse Spark Open 在 Fireworks 上 Day-0 上线 serverless 调用，为 816B 参数 MoE 模型，每 token 激活 42B 参数，上下文窗口 1M token，面向长周期编程与智能体工作。
原文：2026/10/20
Mustafa Suleyman 宣布 Microsoft AI 的 MAI 诊断系统在急诊科的准确率达到医生的 1.7 倍，即使医生可以上网查阅资料结果依然如此。他称该系统成本更低，为得出诊断所做的医学检查也更少，相关成果发表于《Science》期刊。
原文：2026/10/23
Satya Nadella 宣布微软团队在 ScienceMagazine 发表研究，展示其诊断编排系统如何对复杂医疗病例进行推理，在提升诊断准确性的同时降低检测成本。引用的 Mustafa Suleyman 帖子称 MAI Diagnostic 在急诊科的准确率是医生的 1.7 倍，即使医生可以上网查资料，且成本更低、为得出诊断所做的医学检查更少。
原文：2026/10/23
Sierra 发布 𝜏-Entity 基准，用 200 个任务、10 类实体（姓名、电话、地址、邮箱等）测试语音智能体能否正确采集、识别可能出错并修复错误。
原文：2026/10/22
Microsoft AI 发布顺序诊断基准 SDBench 与诊断系统 MAI-DxO，相关论文登 Science。在 NEJM 304 例复杂病例上 MAI-DxO 准确率 83%， physician 无外部资料时为 22%、有资料时为 36%；在 MIMIC-IV-ED 急诊病例上为 80% 对 47%。
原文：2026/10/23
Cohere 发布 Rerank 5 重排模型，含 Pro 与 Fast 两个版本，API 定价分别为每 100 万 token 0.05 美元和 0.02 美元，已在 Cohere API、Model Vault、Microsoft Foundry、Amazon SageMaker 上线并面向所有 North 用户开放。
原文：2026/10/21
fal Research 与 Black Forest Labs 合作推出后训练视频模型 FLUX 3 Max，在独立第三方基准测试中图生视频质量并列第一，获 1139 Elo 分。该模型约 12 秒生成一段 10 秒 720/768p 视频，未来三周享 75% 折扣，后续还将继续后训练改进。
原文：2026/10/21
蚂蚁集团与 vLLM 社区开源量化推理内核库 Humming，仓库为 github.com/vllm-project/humming，已集成进 vLLM 0.29.0。
原文：2026/10/21
Inception 宣布推出扩散语言模型 Mercury 3，称其在多项基准上超过 GPT-6 Luna 和 Claude Haiku 5.5，速度快四到八倍。
原文：2026/10/21