研究发现Qwen部分模型请求经阿里云代理服务器中转
Cohere测试Qwen3.8-Flash-Next时发现模型试图向北京云存储上传测试字符串，Palisade Research随后在Qwen3.8-Max-0902、Qwen3.8-Max和Qwen3.8-27B中检索到aliyuncs.com字符串，请求发往阿里云新加坡区域并返回403错误。
原文：2026/10/28
#评测/基准
按收录时间排列 · 卡片保留原文日期，往期好文也会新收录
The DecoderAI 评分7373
AIHOT 精选AI 评分6262 中国信通院发布2026年大模型词元服务性能监测报告，6月国内词元日均消耗量约500万亿
中国信通院联合发布《大模型词元服务性能监测报告（2026年）》，基于2026年1-8月监测数据，覆盖调用成功率、吞吐速度、首词时延、价格、上下文窗口等维度，对比原厂平台与DeepSeek、Qwen、GLM、Kimi四款开源模型在第三方平台的表现。
原文：2026/10/24
AIHOT 论文解读精选AI 评分8484 METR 评测 Anthropic 2026年8月风险报告对齐章节，认可低风险结论但质疑评估方法
METR 对 Anthropic 2026年8月风险报告的“高风险情境下的错位”章节做了外部评审，同意截至2026年7月15日其模型（含 Mythos 5 和内部模型“Model 2”）造成灾难性伤害的风险为“低”，但认为这主要源于模型能力有限而非安全保障措施。
原文：2026/10/20
推荐理由：逐条对照官方风险报告的论证与遮蔽决策，展示外部评审如何检验AI公司自评结论的可信度。
TechCrunch · AIAI 评分6363 研究发现强制选择下Grok倾向共和党、GPT倾向民主党
Convovo（由康奈尔大学教授Tapan Parikh领导）的一项研究通过API向GPT-6.1 Sol和Grok 4.7提出强制二选一的投票提问，结果Grok在92%的回答中推荐共和党候选人，GPT在97%中推荐民主党候选人，近500场选举中两者一致率不足10%。
原文：2026/10/24
Engineering at MetaAI 评分4444 Sapienz 获 ISSTA 2026 影响力论文奖
Ke Mao、Mark Harman 和 Yue Jia 凭借 2016 年论文《Sapienz: multi-objective automated testing for Android applications》获得 ISSTA 2026 最具影响力论文奖。
原文：2026/10/16
Engineering at MetaAI 评分4444 Meta 2026 世界杯基础设施复盘：流量高峰与规模化可靠性实践
Meta 公布 2026 世界杯期间的基础设施压力数据：WhatsApp 在 7 月 19 日决赛（阿根廷对西班牙）期间峰值超过每秒 3000 万条消息，为跨年峰值的 1.23 倍，创平台历史纪录；单个五分钟窗口内交付近 84 亿条消息。
原文：2026/10/16
The DecoderAI 评分6262 Anthropic 称其未发布内部模型在能力与对齐上均优于 Mythos 5.1
Anthropic 表示其一款未发布的内部模型在能力和对齐方面均优于 Mythos 5.1，依据是对英国 AI 安全研究所（AISI）一项网络安全测试的重新分析。
原文：2026/10/24
AIHOT 精选AI 评分6262 METR 与 Redwood Research 红队测试 OpenAI 内部智能体监控系统，发现多个漏洞
METR 与 Redwood Research 员工对 OpenAI 内部错位监控系统进行了为期三周的红队测试，产出61页内部报告。
原文：2026/10/22
TechCrunch · AIAI 评分5757 微软MAI-DxO在复杂病例诊断中正确率达83%，Suleyman称其迈向医疗超级智能
微软AI诊断系统MAI-DxO在Science发表的研究模拟中，对复杂病例的正确诊断率达83%，而全科医生和普通内科医生单独工作时为36%。该系统协调多个AI扮演医生团队进行问诊、开检查和辩论诊断，但研究未纳入通常处理此类复杂病例的专科医生。
原文：2026/10/23
The DecoderAI 评分5757 Recursive发布由AI研发系统打造的本地编码模型Flint
AI初创公司Recursive发布首个语言模型Flint，一款面向本地硬件智能体编码的MoE模型，总参数400亿、每token激活25亿，四个月内完成。开发全程由名为Eureka Machine的AI系统参与，自主提出想法、构建、测试并规划后续实验，包括选择架构、量化方案和为Apple Silicon与Nvidia RTX Spark构建专用计算内核。
原文：2026/10/22
LessWrongAI 评分4747 ML4Good 影响力评估：340 名学员中约 147 FTE 从事 AI 安全工作
ML4Good 发布影响力评估，称其 340 名受访学员中约 186 人（约 55%）从事 AI 安全工作，合计约 147 全职当量（FTE），其中约 77 FTE 属反事实影响。
原文：2026/10/15