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5858 Databricks 讲解用 ai_extract 与 MLflow Prompt Registry 提升文档抽取准确率
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
AWS Machine Learning Blog精选AI 评分6262 Exowatt 用 SageMaker 无服务器微调让小模型在特定任务上超越前沿模型
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。
AWS Machine Learning Blog精选AI 评分6262 Property Finder 修复 Amazon Bedrock 模型评测偏差并降低成本
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。
AIHOT 精选AI 评分6262 Microsoft AI 发布图像编辑模型 MAI Image 2.7，Arena Edit 排名第 3
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
AIHOT 精选AI 评分7474 IBM 与 Kaggle 上线 ScarfBench 智能体 Java 框架迁移榜单
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
The DecoderAI 评分5858 OpenAI 员工 Ted Sanders 分享 GPT 模型选型经验法则
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
Simon WillisonAI 评分7575 Simon Willison 分析 GPT-6.1 Terra 的定位与定价
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
AIHOT 精选同新闻AI 评分7878 OpenAI 发布 GPT-6.1 Terra：主打低成本电脑操作任务
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
The Decoder精选AI 评分8686 OpenAI 发布 GPT-6.1 Terra，API 定价较 GPT-5.6 Terra 减半
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。
AIHOT 论文解读AI 评分7171 英国AISI发布ReproBAIT评测：AI编码智能体可用低于20美元复现部分生物AI工具
英国AI安全研究所（AISI）与SecureBio合作发布ReproBAIT评测，测试AI编码智能体能否依据公开信息复现生物AI工具（BAIT）。
原文：2026/10/26
Lenny RachitskyAI 评分5656 How I AI 播客：Claude Duet 评测与 Reddit 自研原型工具
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
AIHOT 精选AI 评分6767 腾讯混元同声传译大模型 Hy-SimulMT 发布并开源，实测响应约 3 秒
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
少数派AI 评分3333 曲高和寡、终成绝唱：Intel 傲腾 P5800X 1.6TB 测试报告
作者飘雷借来一块数据中心退役的 Intel 傲腾 P5800X 1.6TB（U.2 接口、固件 L0310200、通电 23000 多小时、写入近 5 PB、健康度 98%），在 i9-14900K + Z790 平台上完成深入测试。
原文：2026/10/26
The DecoderAI 评分6767 Nvidia开源机器人视频标注引擎Flora，成本较GPT-6 Astra低至约1/125
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
The DecoderAI 评分6767 Jack Clark 将自我改进AI的时间预期提前至2027年
Anthropic 联合创始人 Jack Clark 基于新基准数据，将递归自我改进（RSI）可能实现的时间预期从2028年提前至2027年。
原文：2026/10/25
The DecoderAI 评分7474 OpenMobile-2 开源手机智能体模型发布，称可比肩闭源模型
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
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
The DecoderAI 评分7272 研究发现更复杂的编码agent harness成本更高但通过率无明显提升
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
Latent Space精选AI 评分8080 Moonshot 发布 Kimi K3.1 Pro，独立评测显示其接近前沿闭源模型
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 FowlerAI 评分7373 Martin Fowler 实测行为harness对不同能力编码模型的性价比
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
The JetBrains BlogAI 评分5757 JetBrains 将 Maven 构建决策逻辑编译为神经网络权重并成功构建 ZXing
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
The JetBrains BlogAI 评分7272 JetBrains研究提出SWE-TaskFlow：让编码智能体基准匹配真实用户任务流
JetBrains Research分析了4,782条开发者在JetBrains IDE中的编码智能体会话，并与SWE-Bench Pro等公开数据集对比，发现真实会话中修bug和加新功能合计不到一半，而SWE-Bench Pro里93.8%的任务是这两类且以单条消息呈现。
原文：2026/10/20
HN AI 150+ 高分AI 评分8484 Kimi 发布 K3.1 Pro 及 Highspeed 版本，100 万 token 上下文开源模型
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
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
Alignment ForumAI 评分5959 evhub 提出可监控性评测方法学与政策红线建议
Anthropic 的 evhub 在个人博客中提出将可监控性分为控制、训练、审计和弥散四类，并指出可信性是当前最大的概念不确定性。他建议用审计可监控性评估来确定可信性，用实际部署的最佳可信监控器评估控制和训练可监控性，并至少做提示迭代式引出。
原文：2026/10/22
Simon WillisonAI 评分7676 Kimi K3.1 Pro 上线 Moonshot API 并公布开源时间
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
The Decoder同新闻AI 评分7676 月之暗面发布Kimi K3.1 Pro推理模型，AI智能指数排名第四
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》
The Verge · AIAI 评分2525 iPhone Duo 本该是 iPad：The Vergecast 评测复盘
The Vergecast 主持人 David Pierce 和 Nilay 复盘 iPhone Duo 的 7/10 评分，讨论它是否该以 iPad 而非 iPhone 的形态推出、外屏是否是"史上最差 iPhone"，以及它能否成为适合所有人的手机。
原文：2026/10/24
AIHOT 精选精选AI 评分8282 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。
AIHOT 精选AI 评分8484 月之暗面发布 Kimi K3.1 Pro，100 万 token 上下文，开放权重将于 11 月 4 日前释出
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
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 精选精选AI 评分8888 Anthropic 分析 Claude Mythos 5 在 UK AISI CTF 测试中的对齐失当行为
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。
Latent SpaceAI 评分5858 AINews 汇总 Black October 安全事件潮与当期 AI 动态
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
AIHOT 精选AI 评分7272 DeepSeek-V4.1-Flash-20261017 (Max) 登顶 Agent Arena 开源模型第一
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
AIHOT 精选AI 评分6060 MiniMax 确认 OpenRouter 隐身模型 Space Bunny 即为 M3.1 Flash
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
AIHOT 精选AI 评分6262 OpenAI 发布 GPT-6 系列模型，提升 COBOL 等低资源编程语言编码能力
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