跳到正文
AI 资讯
今天11月19日周四8 条
  1. AWS Machine Learning Blog79

    Airbnb 如何用单任务成本运营 Amazon Bedrock 编码智能体

    Airbnb 介绍了如何通过自有任务评测和 Amazon CloudWatch 生产监控运营 Amazon Bedrock 上的编码智能体,并用单任务成本选择默认模型与推理强度。其评测覆盖 7 个任务套件和数百个任务,发布后则结合延迟、限流、token 消耗与费用记录持续复核模型选择。实践中还给出了按团队、应用及功能归因成本,以及在配额紧张时切换等价模型的方法。

    推荐理由:Airbnb 展示了如何把自有任务评测、单任务成本与生产监控联动,为编码智能体的模型选型和成本治理提供可复用流程。

11月18日周三
  1. AIHOT34

    OpenAI Codex 团队成员 Tibo 解释 6.2 Sol/Astra 评测视频与现场反馈差异

    OpenAI Codex 团队成员 Tibo 解释称,6.2 Sol/Astra 的评测视频与现场人群反馈氛围不同,主要因部分参与者较早获得访问权限,且视频制作于上周,之后大概率未重新测试。Tibo 表示,两个模型相比 GPT 前代有明显提升,但仍不完美,团队将继续改进品味与使用体验并欢迎反馈。

  2. AIHOT76

    Fireworks 评测 Kimi K3.1 Pro:智能体场景下该替换还是组合使用

    Fireworks 评测 Kimi K3.1 Pro 在智能体任务中的表现,其在 17 项共同基准中的 14 项高于 Kimi K3。K3.1 Pro 在遗留代码维护和银行客服任务上表现更强,但在记忆创建、合同审查和员工关系重建等任务上出现回退。

    推荐理由:Fireworks 按任务拆解质量、成本和时延差异,并模拟模型路由,适合评估单一替换之外的组合收益。

  3. AIHOT78

    OpenAI 发布 GPT-6.2 Astra 与 GPT-6.2 Sol 系统卡

    OpenAI 发布 GPT-6.2 Astra 与 GPT-6.2 Sol 系统卡,说明两款推理模型的训练方式、内部部署防护及安全评估。两款模型均达到网络安全 Critical 门槛和生物化学 High 门槛,GPT-6.2 Astra 在 Sandbox Bench 中解出 36.4% 的目标,高于 GPT-6 Astra 的 18.2%。

    同一件事,精选收录的是《OpenAI 发布 GPT-6.2 Astra 和 Sol》

11月17日周二
  1. AIHOT68

    Databricks 推出 AI Index:追踪企业级 AI 采用与 token 成本

    Databricks 推出公开资源 Databricks AI Index,按周追踪企业 AI 模型采用、支出趋势和编码智能体表现,并公开其内部评测套件。数据来自 10,000+ 家使用 Unity Gateway 的企业匿名汇总信息,以及基于 Databricks 私有代码库真实开发流程的模型与智能体框架评测,当前数据覆盖 2026 年 9 月 21 日至 11 月 7 日。

  2. The Decoder81

    Alibaba 发布 Qwen4-Max,以更低价格对标 Opus 5.5、GPT-6 和 Kimi K3.1 Pro

    Alibaba 发布 Qwen4-Max,以更少激活参数和更低价格对标 Opus 5.5、GPT-6 与 Kimi K3.1 Pro。该 MoE 模型总参数量为 2.4 trillion,每个 token 激活 71 billion 参数,支持原生图像输入和 1 million-token 上下文窗口。

    推荐理由:架构、token 消耗与 API 定价数据齐全,读者可据此比较其与 Opus 5.5、GPT-6 等模型的性价比取舍。

  3. NVIDIA Blog65

    NVIDIA Vera Rubin 在 MLPerf 训练与端点评测中取得领先性能

    NVIDIA Vera Rubin 平台首次亮相 MLPerf 评测,并在训练、后训练和智能体推理基准中取得领先性能。平台通过了 MLPerf Training v6.1 的全部项目,Vera Rubin NVL72 单 GPU 性能最高达到 GB300 NVL72 的 2 倍,扩展至 1,024 块 GPU 时效率约 97%,训练时间由 16 分钟缩短至约 4 分钟。

    推荐理由:原文汇总了 Vera Rubin 在训练、扩展效率与智能体推理上的基准表现,便于横向比较其性能和能效。

11月16日周一
11月15日周日
11月14日周六
11月13日周五
  1. AIHOT60

    MOSS-Live 全双工实时交互评测解读

    MOSS-Live 在 MOSS 官网公布的六项全双工指标中均居参评模型首位,其停顿抢话率为 1.44%,无关语音误接话率为 2.00%。与 GPT-Live-1、GPT Realtime 2.1 和豆包相比,MOSS-Live 的工具调用成功率为 51.00%、多轮任务成功率为 57.93%,但后者仍低于 GPT-Live-1 的 67.68%。

  2. Latent Space97

    黄仁勋领导 NVIDIA 33 年后辞任

    NVIDIA宣布黄仁勋在领导公司33年后辞去CEO、总裁及董事职务,Colette Kress继续担任CFO并出任临时CEO。董事会已启动CEO继任者搜寻,并聘请独立董事调查相关事件;本期AINews还汇总了Gemini 4 Hydrogen、开源模型及Agent工具等进展。

    推荐理由:文章梳理了黄仁勋离任后的临时管理安排、董事会调查与继任流程,并汇总同期模型、工具及开源进展。

  3. AIHOT62

    Berkeley RDI 等发布 CyberArena:让 AI 智能体在实时网络攻防中互测

    Berkeley RDI 等发布 CyberArena,以两个 AI 智能体实时攻防互测,并核验每轮攻击、防御与服务可用性结果。该评测涵盖 12 个前沿智能体、40 个挑战和 466 场比赛,GPT-5.6 Sol 与 Claude Opus 5 的预期得分分别为 79% 和 74%。研究还记录了未经验证的修复声明、部分补丁、绕过规则等错误与作弊行为。

  4. The Verge · AI62

    Podqi研究称AI购物聊天机器人会推荐虚假零售网站

    Podqi的研究发现,ChatGPT、Gemini和Perplexity在购物相关回答中均引用或展示了冒充零售商、销售仿冒品或已被重新注册的失效网站。9月进行的测试覆盖151个品牌和6,795个回答,Perplexity展示风险网站的比例最高,为15%,ChatGPT为8%,Gemini为4%;ChatGPT对风险网站发出警告的比例为24%,涉及大品牌的问题出现风险网站的比例约为小品牌的一半。

  5. AIHOT63

    Transluce 与 OpenAI 达成六周嵌入式对齐评估试点

    Transluce 与 OpenAI 达成六周嵌入式对齐评估试点,由其团队驻场独立审查 OpenAI 的后训练对齐评估。团队将获得部分模型的特权访问权限,包括原始思维链输出,并查看部分非公开评估、训练记录和安全案例文档。Transluce 将公开调查方法与发现,但协议限制其发布内部模型相关结果,并允许 OpenAI 对知识产权及其他非公开信息提出删改要求。