Cactus Whistle 实测：16.9 MB 语音模型能否胜过 Whisper base？
教程在 Apple M4 上实测 Cactus Compute 的 16.9 MB CPU 语音模型 Whistle，在 seeded test-clean/test-other 样本上与 Whisper tiny、base 对比。
#评测/基准
教程MarkTechPostAI 评分4242
模型The DecoderAI 评分7171 Inception 发布扩散语言模型 Mercury 3，称速度达 GPT-6 Luna 与 Claude Haiku 5.5 的四到八倍
Inception 发布扩散语言模型 Mercury 3，称其在 12 项基准中赢下 8 项，运行速度为 GPT-6 Luna 和 Claude Haiku 5.5 的 4 到 8 倍。
模型MarkTechPostAI 评分7171 Mistral AI 发布 Voxtral 3 语音模型家族与语音智能体 SDK
Mistral AI 发布 Voxtral 3，包含 3 个转写模型、1 个 TTS 模型和 1 个基于 LiveKit 的语音智能体 SDK，4 个模型均在 Mistral API 公测。
产品OpenAI NewsAI 评分3232 Terminal X 借助 GPT-6.1 以 88.6% 匹配资深投资人判断
Terminal X 的 Eval Agent 使用 GPT-6.1 Sol，按 54 项标准评分，与资深投资人判断的匹配度达 88.6%。相比基线，它能多捕捉 25% 偏离基金投资授权的输出。
模型The DecoderAI 评分6262 ElevenLabs 发布两款实时语音到语音模型 Eleven Realtime
ElevenLabs 发布两款名为 Eleven Realtime 的语音到语音模型。其中 Max 版本在 Big Bench Audio 基准上得分 98.8%，响应时间为 0.57 秒，ElevenLabs 称 Artificial Analysis 榜单上没有模型同时更快且更准确。
模型The Decoder精选AI 评分7878 OpenAI 称 GPT-6 在 COBOL、Fortran 等遗留编程语言上表现大幅提升
OpenAI 表示已针对 COBOL、Fortran、Visual Basic 等训练代码稀缺的“低资源”语言改进最新模型，并构建了 MultiLangBench 和 COBOL 迁移两项评测来衡量进展。
推荐理由：OpenAI 公布 GPT-6 系列在 COBOL、Fortran 等低资源语言上的评测结果，可对照旧版本看提升幅度。
产品Databricks Blog精选AI 评分6262 Databricks 推出 MemCurrent 持久记忆架构，已用于 Agent Bricks Memory 与 Genie
Databricks 发布面向生产智能体的持久记忆架构 MemCurrent，已支撑新的 Agent Bricks Memory 和 Genie。它结合记录原始会话轨迹的 episodic memory 与存放提炼知识的 derived memory，通过插件、智能体工具和离线 dreaming 管道三种方式读写与整理记忆。
推荐理由：原文给出内部基准上的通过率、token 与延迟对比，并拆解记忆类型和抽取策略的消融结果，可据此判断持久记忆在生产智能体中的取舍。
论文Hugging Face Blog精选AI 评分6060 Ai2 发布 FairStress 基准，评测 LLM 决策公平性
Ai2 在 Hugging Face 发布 FairStress 基准，用于衡量 LLM 在招聘、医疗、借贷等决策中的群体公平性，不止看最终选择，还看模型面对对抗性前缀时是否更容易改判。
推荐理由：FairStress 把公平性评测从最终选择扩展到模型被说服后是否改判，并给出可复用的开源基准与数据审计线索。
模型The DecoderAI 评分7272 MiniMax 发布 M3.1 Flash 推理模型，单任务成本约 0.22 美元
MiniMax 发布推理模型 M3.1 Flash，在 Artificial Analysis Intelligence Index 上得 42 分，比前代 M3 高 13 分，单任务成本不到其一半。
产品OpenAI NewsAI 评分3838 OpenAI 如何提升 ChatGPT 在低资源编程语言上的编码能力
OpenAI 正在改进 ChatGPT 在低资源编程语言上的表现，并新增了针对软件工程、SQLite 和 COBOL 迁移的评测。原文未披露具体模型版本、分数或可用性细节。
模型MarkTechPostAI 评分5858 Nace AI 发布多模态决策模型 Drex Max，Decision Index 0.3.2 得分 67.59
Nace AI 发布 Drex Max，这是其首款可读取文本与图像的多模态决策模型，在公开 Decision Index 0.3.2 上得分 67.59，比 TypeSafe 的 Jev 1.14 高 6.9 分。
产品MarkTechPostAI 评分4949 Exa 3.0 搜索 API 发布：自称在 8 项基准上领先 Perplexity、Brave 和 Parallel
Exa 发布面向 AI 智能体的搜索 API Exa 3.0，称其 Auto 模式在 8 项由 Exa 自行运行的基准上均排名第一，领先 Perplexity、Brave 和 Parallel。
观点TechCrunch · AIAI 评分3838 Hugging Face 政策负责人：嵌入式 AI 评估器并非易行的解决方案
Hugging Face 首席政策官 Irene Solaiman 在 TechCrunch Disrupt 上表示，模型评估仍是"不断演进的科学"，不同评测之间难以有效比较，且失效速度较快。她认为嵌入式评估器生态需要更多标准化，才能确定谁能在哪些任务上胜任评估者。评估对象正从模型本身扩展到包含 harness 和智能体的整个系统，而智能体评估既困难又昂贵。
论文Hugging Face Blog精选AI 评分6060 ALTK-Evolve 用学习到的记忆让 GPT-4.1 客服智能体登顶 τ²-bench 零售榜
IBM Research 在 Hugging Face 博客介绍 ALTK-Evolve：用 GPT-4.1 从智能体自身训练任务轨迹中提炼行为准则，追加到系统提示词后，在 τ²-bench 零售域取得 67.5% Pass^4，超过所有前沿模型条目和微调模型 RAFT-30B-A3B 的 61.4%。
推荐理由：原文给出同一套提示词级记忆在零售与航空两个客服域上的完整对照数据，可据此判断不更新权重也能提升智能体可靠性。
综合新闻Latent SpaceAI 评分7070 DeepSeek V4.1 Flash 1017、MiniMax M3.1 Flash 与 Mercury 3 等模型发布汇总
DeepSeek V4.1 Flash 1017 发布，Artificial Analysis 列为 552B 总参数、16B 激活的 MoE 模型，支持 1M token 上下文窗口，采用 MIT 许可，定价维持每百万输入/输出 token 0.30/1.20 美元。
模型The DecoderAI 评分6060 Claude 在 30 分钟内破解 NSA 25 年密码学谜题
Anthropic 的 Claude 解决了困扰 25 年的密码学谜题：NIST 数字签名标准曲线背后的神秘种子由 NSA 提供且未作解释，长期引发内置后门的怀疑。Claude 在不到 30 分钟内发现这些种子来自简单的 C 随机数生成器 lrand48，使刻意植入后门的可能性大幅降低。
模型The DecoderAI 评分6262 四个 Gemini 4 Argon 智能体无人工干预通关 Minecraft
四个运行在 Google Gemini 4 Argon 上的 AI 智能体在无人工干预下首次通关 Minecraft，击杀末影龙。它们没有预设角色或策略，自主协调，共编写 2,783 个程序、交换 229 条聊天消息、死亡 605 次，本次会话成本为 1,620 美元。
模型MarkTechPost精选AI 评分7878 DeepSeek 发布 V4.1-Flash-1017，DeepSWE 得分 77.0 并开放 Search API
DeepSeek 发布 DeepSeek-V4.1-Flash-1017，已在官网、App 和 API 上线，以 deepseek-flash 模型名提供服务，DeepSWE v1.1 得分 77.0，高于上一版 V4.1-Flash 的 74.2。
推荐理由：材料列出 11 项基准的逐项对比与 Search、Fetch API 定价，可据此判断该检查点在编码智能体场景中的位置。
产品MarkTechPostAI 评分3838 TinyFish 让搜索免费：AI 智能体读取网页的真实成本
TinyFish 将 Search 与 Fetch 的检索费用降为零，限额为搜索 30 次/分钟、500 次/小时，抓取 150 个 URL/分钟、1,000 个/天。
模型MarkTechPostAI 评分6262 Mistral AI 发布 Timestral 时序基础模型系列，209M 版本称在多项基准上超过 TimesFM-3
Mistral AI 发布首个时序基础模型系列 Timestral，包含 5M、28M、123M、209M 四个零样本预测模型，权重以 Modified MIT 许可开放。
论文The DecoderAI 评分4747 Taste-Bench 基准测试：AI 智能体长期决策品味不佳，GPT-5.6 Sol 正确率不足 60%
新基准 Taste-Bench 测试 AI 智能体在长任务中做战略选择的能力，表现最好的 GPT-5.6 Sol 在简单二选一问题上正确率仅略低于 60%。延长思考时间并不能提升表现。
综合新闻MarkTechPostAI 评分5858 TypeSafe Jev 发布约四周后出现 20 个决策模型替代方案
TypeSafe 于 2026 年 9 月 15 日发布决策模型 Jev，约四周内 Cloudflare、OpenAI、Perplexity、Liquid AI、AWS Strands Labs 及独立开发者推出至少 20 个替代方案。
综合新闻Latent SpaceAI 评分6060 Latent Space 推出新节目 High Taste Testers，并汇总 10 月 15 至 16 日 AI 动态
Latent Space 正在试播新节目 High Taste Testers，把旧金山午餐闲聊中的话题搬上节目，首期从 Dev Day 谈到最新模型与助手，并征集反馈。
安全实践AWS Machine Learning BlogAI 评分5858 AWS 用 Amazon Bedrock AgentCore 搭建九阶段 AI 智能体评测框架
AWS SMGS 团队基于 Amazon Bedrock AgentCore Evaluations 搭建了覆盖从首次提交到生产运行的九阶段智能体评测框架，用于其面向全球销售团队的多智能体系统。
模型TechCrunch · AIAI 评分4242 Elorian 首个 AI 模型 Glimpse：用图像本身进行推理
Elorian 发布首个 AI 模型 Glimpse，主打直接以图像为对象进行推理，而非仅围绕图像展开推理。按其自评估结果，Glimpse 在科学图表推理和短视频描述任务上超过 GPT-6 Astra，在其他视觉推理任务上表现相当。
模型TechCrunch · AIAI 评分3333 Jev 成为 Vercel 史上采用速度最快的 AI 模型
Vercel 称 Jev 是其史上采用速度最快的 AI 模型，数据来自 Vercel 的 AI gateway——一个类似 OpenRouter 的统一 API 服务。
模型The Decoder精选AI 评分7878 GPT-6-Astra 在 TheoPhysEval 上解出 50 道物理研究题中的 49 道，单题成本 2.40 美元
在 TheoPhysEval 基准上，GPT-6-Astra 以与顶尖专家相当的准确度解出 50 道未发表理论物理计算题中的 49 道，单题成本 2.40 美元。部分看似失败的题目中，专家自己的参考解答被发现有误。研究者认为物理领域尚未出现数学领域那样的突破，因为智能体缺乏“品味”，但他们仍认为自主的顶级 AI 研究可能很快到来，并已看到这对年轻物理学家培养和领域机会平等的影响。
推荐理由：读者可了解 TheoPhysEval 上智能体解物理题的表现，以及研究者对自主科研进度的判断。
模型The DecoderAI 评分6262 Google 想让 Gemini 4 Argon 成为机器人唯一需要的 AI 模型
Google 的 Gemini 4 Argon 可控制机器人、根据照片或草图生成仿真，并评估训练视频，在 Google 自有的 ERQA 基准上得分 87%。公开的示例提示词显示，这些演示仍需要大量人工引导。
模型MarkTechPostAI 评分6060 Liquid AI 发布多模态决策模型 d1-ultra，AA Decision Index 得分 65
Liquid AI 发布决策模型 d1-ultra，可读取文本、图像或两者，对每个问题返回各选项概率，一次前向完成且不生成输出 token。该模型已在 Liquid API 上线，定价为每百万输入 token 0.042 美元，图像按每 32×32 像素块 1.5 token 计费。
模型Latent SpaceAI 评分7070 Meta 发布 Muse Spark Open：816B 总参数、42B 激活的开源权重模型
Meta 发布 Muse Spark Open，这是一个 816B 总参数、42B 激活的 MoE 模型，支持 1M token 上下文窗口和文本、图像、视频、音频输入，面向编码、长程智能体与多步推理。
综合新闻The Verge · AIAI 评分5050 一周体验 RTX Spark：Nvidia 新笔记本的实测收获
Nvidia 的 RTX Spark N1X 处理器已正式登场，这是一款面向笔记本和小型台式机的高性能 Arm SoC，对标 Apple、Intel、AMD 和 Qualcomm 的同类产品。团队用了一周时间测试多款搭载该芯片的笔记本，该芯片核心数量众多。
模型MarkTechPost同新闻AI 评分7676 Meta 发布 Muse Wonder 与 Muse Wonder Full 两款智能体模型
Meta 发布 Muse Wonder 和 Muse Wonder Full 两款面向长时智能体任务的模型，覆盖编码、法律、金融和电脑操作场景，支持 1M token 上下文，输入含文本、图像、视频和音频。
模型MarkTechPostAI 评分6969 SpaceXAI 发布 Grok Voice 3.0，以 86.9 分登顶 Artificial Analysis 语音榜
SpaceXAI 发布实时语音模型 Grok Voice 3.0，在 Artificial Analysis Speech-to-Speech Index 上以 86.9 分排名第一，高于 GPT-Live-1（Astra, medium）的 83.2 分和 Gemini 3.8 Live Extended Thinking 的 82.6 分。
安全实践Databricks BlogAI 评分3030 Databricks 用 400 万条语料实测 Lakebase Search：从 1M 到 4M 行的规模经验
Databricks 以内部应用 Slide Hub（约 700 份演示文稿、2.3 万条幻灯片）为基准，实测 Lakebase Postgres 内置搜索在 1M 到 4M 行公开语料下的表现。
产品Databricks BlogAI 评分4747 Databricks 推出 Predictive AI Functions：SQL 原生预测、归因与异常检测
Databricks 的 Predictive AI Functions 进入 Beta，让分析师和业务用户通过 SQL 原生函数直接完成预测、驱动因素分析和异常检测，无需自建模型或管理基础设施。
教程LangChain BlogAI 评分3838 LangChain 解答 Agent Evals 最常见问题：如何从零搭建智能体评测体系
LangChain 在 LangSmith 平台博客中解答了 Agent Evals 的常见问题，建议从阅读 trace 入手，先选一个关注的行为、用 10 到 20 个样例建数据集并跑出基线实验。
论文MarkTechPostAI 评分3838 Datalab 发布 OmniParseBench：16,288 项通过/失败测试的开源 OCR 基准
Datalab 发布开源文档解析基准 OmniParseBench，用 16,288 项是/否测试覆盖 2,937 页、2,343 份文档和 92 种语言，数据集与代码公开。
模型The DecoderAI 评分6262 Artemis Security 推出安全专用模型 Orion-1，称在自建基准上超过 Claude Opus 5.5 与 GPT-6 Sol
美国初创公司 Artemis Security 发布 Orion-1，一款可自主调查和响应企业网络攻击的模型，在公司自建基准上超过 Claude Opus 5.5 和 GPT-6 Sol。
模型Latent Space精选AI 评分7878 AINews：Gemini 4 Argon 正式发布，Vals AI 谈基准测试
Google 的 Gemini 4 Argon 正式 GA，覆盖 Gemini API、Gemini 应用、Search AI Mode 和 Antigravity，入门 API 价格为每百万输入/输出 token 2 美元/10 美元，缓存输入折扣 95%，Artificial Analysis 称 11 月 30 日后价格将翻倍至 4 美元/20 美元。
推荐理由：汇总了 Gemini 4 Argon 的定价、独立评测与可靠性争议，便于对照官方说法与第三方结果。
产品Simon WillisonAI 评分6767 Meta AI 发布 Muse Wonder 与 Muse Wonder Full 模型
Meta AI 发布新模型 Muse Wonder 和 Muse Wonder Full，称其为目前能力最强的模型。