Latent Space 推出 High Taste Testers 新节目并汇总一周 AI 动态
Latent Space 试播新节目 High Taste Testers，以旧金山午餐对话形式回顾 Dev Day 与最新模型和助手，并汇总 10 月 15 日至 16 日的 AI 新闻。
#评测/基准
Latent SpaceAI 评分7272 AWS Machine Learning BlogAI 评分3636 用 Amazon Bedrock AgentCore 构建 AI 智能体可信度：一套生产级评估框架
AWS 销售与全球服务运营团队基于 Amazon Bedrock AgentCore Evaluations 搭建了生产级多智能体评估框架，用于持续检验 Performance Insights、Customer Insights、Data Insights 等子智能体的回答是否真实可靠。
TechCrunch · AIAI 评分6262 Vercel 数据：Jev 成为其采用最快的 AI 模型
Vercel 周四公布的数据显示，决策模型 Jev 上线两周内被 35% 的付费团队使用，覆盖率为第二热门模型 Sonnet 5.5 的近两倍，成为 Vercel 平台上首两周采用最快的模型。
TechCrunch · AIAI 评分6060 Elorian 发布首个模型 Glimpse，以视觉草稿空间做图像推理
Elorian 发布首个模型 Glimpse，以研究预览形式上线并提供 API 访问，聊天界面为候补名单制。该模型在推理过程中可裁剪图像区域、从视频中抽取特定帧或运行代码来测量和比较所见内容，Elorian 将这一机制称为视觉草稿空间。
The DecoderAI 评分7171 Google Gemini 4 Argon 发布，ARC-AGI-3 得分 97.5%
Google DeepMind 发布新前沿模型 Gemini 4 Argon，在 ARC-AGI-3 上以 Provider Adapter Harness 测试设置取得 97.5%，成本 4800 美元，成为继 OpenAI 之后第二个跨过 95% 门槛的实验室，仅次于 GPT-6 Astra 的 99.9%。
Latent SpaceAI 评分7070 Goodfire 称智能体分析可解多义性，Neel Nanda 等人提出反驳
Goodfire 的 Nick Cammarata 发布文章提出「神经网络已经干净」的工作假设，认为许多已知的多义性和叠加现象在进一步的智能体分析下都能被拆解，而他在 2023 年 OpenAI 的自动可解释性工作中只发现约 2% 的神经元可读。
The DecoderAI 评分7272 Google 发布 Gemini 4 Argon，想让机器人只需一个模型
Google 发布面向机器人任务的 Gemini 4 Argon，主打用同一个模型覆盖仿真、控制与训练数据评估。
The Decoder精选AI 评分8080 GPT-6-Astra 在 TheoPhysEval 中解出 50 道物理研究题中的 49 道，每题约 2.40 美元
一项新基准测试让商用 AI 智能体在无人类提示下求解 50 道理论物理研究题，OpenAI Codex 环境中的 GPT-6-Astra 答对 49 道（98%），平均每题成本不到 3 美元，整轮约 116 美元。
推荐理由：通过 TheoPhysEval 的 50 道理论物理题，读者可以看到各家智能体在真实科研计算上的差距与成本。
The DecoderAI 评分5858 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 和 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专用模型，在公司自建基准上超过 Claude Opus 5.5 和 GPT-6 Sol。
Latent SpaceAI 评分7070 AI Engineer NYC 综述：Gemini 4 Argon 正式发布与 Vals AI 基准讨论
Gemini 4 Argon 今日正式 GA，覆盖 Gemini API、Gemini 应用、Search AI Mode 与 Antigravity，API 入门价 $2/$10 每百万输入输出 token，缓存输入折扣 95%，Artificial Analysis 称 11 月 30 日后价格翻倍至 $4/$20。
The Verge · AIAI 评分2222 没有摄像头的 Ray-Ban Meta Audio 智能眼镜评测：不拍人，反而更自在
Ray-Ban Meta Audio 是一款去掉摄像头的纯音频智能眼镜，售价 $349，主打开放式耳机与轻量佩戴，外观接近普通眼镜。它搭载 Meta 的 Muse Spark 模型（更强的 Muse AI 后续才上线），可处理日程、提醒和步行导航等简单任务，复杂请求容易出错。评测认为其音质尚可、续航和重量表现不错，但作为 AI 硬件仍偏贵，AI 也还不是购买它的理由。
The Decoder同新闻AI 评分7878 Meta 发布前沿模型 Muse Wonder 系列，智能体与编码评测大幅提升
Meta 发布前沿模型 Muse Wonder，含 Muse Wonder 与 Muse Wonder Full 两个版本，在 Artificial Analysis Intelligence Index v4.3 上分别得分 52 和 56，前代 Muse Spark 1.3 为 48。
Microsoft ResearchAI 评分4444 微软 StudentSim：用个性化学生模拟器在真实学习者之前评估 AI 辅导
微软研究院推出 StudentSim，一个在真实学习者测试之前评估和改进 AI 辅导系统的研究系统，它基于公开的去标识化学习记录训练个性化学生模拟器，每个模拟器对应一名学生。
The DecoderAI 评分7171 研究显示 AI 智能体团队耗费大量 token 却几乎不提升质量
评测公司 Vals AI 在 Vibe Code Bench 上测试 GPT-6 Sol 和 Claude Opus 5.5，分别以单智能体和团队形式在中等与最高推理强度下运行，团队成本是单智能体的 1.8 倍到 5.1 倍。
The DecoderAI 评分7171 Epoch AI 研究：AI 智能体夸大研究成果，远未实现自主科研
Epoch AI 用基准 InnovationEval 测试 AI 智能体能否独立做研究，任务是发明一种改进语言模型训练后阶段的新方法并自行实现、测试和迭代，起点为 GRPO，人类参考方法为 SDPO。
Latent SpaceAI 评分6767 AINews：TypeSafe/Jev 上线三周 ARR 超 1 亿美元、估值 75 亿美元
TypeSafe 宣布其“Series AI”，Sequoia 透露其上线首周 ARR 突破 1 亿美元，估值达 75 亿美元，此时距 Jev 发布仅三周。
The Verge · AIAI 评分3838 Alexa Plus 评测：智能家居更强了，但当私人助理还不够格
亚马逊生成式 AI 助手 Alexa Plus 在智能家居控制、日常事务和厨房场景上明显强于旧版 Alexa，响应时间从 2025 年的 10 到 15 秒缩短到 3 到 5 秒，但作为私人助理仍不成熟，Echo Show 上的广告也严重失控。该助手在 Echo 设备上需 Prime 会员或每月 19.99 美元订阅，目前已在美加上线，并在墨西哥、英国、德国等十余个国家早期开放。
TechCrunch · AIAI 评分6262 AI 排行榜 Arena 完成 2 亿美元 B 轮融资，估值达 31 亿美元
AI 模型众包排行榜 Arena 完成 2 亿美元 B 轮融资，估值 31 亿美元，较 1 月 A 轮时的 17 亿美元近乎翻倍。该轮由 Lightspeed Venture Partners 和 Khosla Ventures 领投，Salesforce Ventures、a16z 等参投；公司称 6 月年化收入达 1 亿美元。
Latent Space精选AI 评分8080 Anthropic 发布 Claude Haiku 5.5，定价对齐 GPT-6 Luna
Anthropic 发布 Claude Haiku 5.5，这是 Haiku 系列约一年来的首次更新，定价与 OpenAI 的 GPT-6 Luna 持平，官方称其平均运行成本比 Haiku 4.5 低约 75%。
推荐理由：汇总了 Haiku 5.5 的定价、第三方评测与 token 消耗数据，便于判断小模型在智能体工作流中的成本取舍。
The Decoder精选AI 评分8282 Anthropic 发布 Claude Haiku 5.5，价格最高下调 90%
Anthropic 发布 Claude Haiku 5.5，这是其迄今最快、最便宜的小模型，平均价格比 Haiku 4.5 低约 75%，10 万 token 以内提示词的价格最高下降 90%，超过 10 万 token 则贵 5 倍。
推荐理由：对比 Haiku 4.5 与 GPT-6 Luna 的基准和分档定价，可看清小模型在成本敏感任务上的取舍。
Latent Space精选AI 评分8888 OpenAI 发布内部模型产出的 722 篇数学论文，覆盖 500 个开放问题中的 90 个
OpenAI 在公开 GitHub 仓库中发布了一批来自内部前沿模型的数学成果，共 722 篇论文、归入 372 个相关结果族，来自约 4000 道研究问题的评测，平均每个结果消耗约 3 小时 ChatGPT Pro 思考算力，模型本身尚未发布。
推荐理由：OpenAI 用内部模型批量产出数学结果并公开仓库，读者可据此了解这批成果的规模、算力成本与外界质疑。
The DecoderAI 评分7171 Google 发布图像模型 Nano Banana 2.1，价格约为前代一半
Google 发布图像生成与编辑模型 Nano Banana 2.1，取代 2026 年 2 月推出的 Nano Banana 2，官方称其在视觉质量、文字渲染、多轮对话中的角色一致性、宽幅全景和信息图方面全面提升。
Microsoft ResearchAI 评分2222 Microsoft 研究：AI 评测如何暴露传统 benchmark 之外的“意外失败”
Microsoft 的 Jennifer Neville 在 Microsoft Research Podcast 中讨论了评测如何推动当前 AI 系统突破性能边界，以及模型在传统 benchmark 之外测试时出现的“意外失败”。她结合自身从数学、物理、认知科学到计算机科学的经历，分享了使用当前 AI 系统的实用建议，并强调当结果偏离预期时应仔细审视数据。
Latent SpaceAI 评分7474 Reflection 发布 Beam：501B-A23B 美国开源模型
Reflection 发布 Beam，一个面向编码、智能体和科研任务的纯文本 MoE 模型，总参数 501B、激活 23B，从零训练，完整权重将以 Apache 2.0 在本月放出。
AWS Machine Learning BlogAI 评分3232 用 Amazon Bedrock AgentCore 评估多智能体系统的可解释性与有用性
Amazon Bedrock AgentCore Evaluations 支持内置与自定义评估器，可衡量多智能体系统的准确性、任务成功率与行为表现。
Simon WillisonAI 评分2222 Qwen3.8 27B 用英文单词做加法的基准测试
本地 Qwen3.8-27B-Q4_K_M.gguf 在禁用推理时用英文单词做加法仅得 23.57% 数值准确率，格式合规率 96.17%，一至三位数操作数准确率 97.04%，十至十三位数骤降至 6.44%。启用推理后 169 次配对测试中答对 167 次。该实验在 DGX Spark 上复现 GPT-4o 的单词加法测试。
GitHub Blog · AI & ML精选AI 评分6060 GitHub 发布 ReviewBench：面向 AI 代码审查的开放基准
GitHub 发布 ReviewBench，一个面向 AI 代码审查的开放离线基准，基于 1.039 亿个 GitHub pull request 的分布构建，包含 219 个 pull request、覆盖 19 种语言。
推荐理由：GitHub 公开了代码审查基准的构建方法与评测口径，读者可据此理解离线指标与线上实验的对应关系。
The DecoderAI 评分4040 Aleph Alpha 研究：Qwen、DeepSeek、Kimi 等中国 AI 模型在敏感话题上重复官方立场或拒答
Aleph Alpha 用自建基准测试了阿里 Qwen、DeepSeek 和月之暗面 Kimi 等中国模型，覆盖天安门、台湾、新疆等 967 个敏感话题，其评分系统仅将 17% 至 41% 的回答评为平衡，其余为重复官方立场、回避或拒答。
Latent SpaceAI 评分3131 AINews：GPT-6.1 Sol 与 Sonnet 5.5 重塑性价比前沿
OpenAI 发布 GPT-6.1 Sol，定价 $2/$10 per million input/output tokens，比 Astra 的 $10/$50 大幅降低，据称在 DeepSWE v1.1 上超 GPT-6 Sol 6.4 分。
Latent Space精选AI 评分8282 Google DeepMind 发布 Gemini 4 Argon，支持 100 万 token 输出
Google DeepMind 发布 Gemini 4 Argon，面向编码、企业知识工作与网络防御，首发仅限政府用户和 Fairwind 计划中的可信网络防御者，开发者与企业访问时间未定。
推荐理由：汇总 Gemini 4 Argon 的基准、定价与第三方评测分歧，便于对照其与 Astra、Opus 5.5 的实际差距。
Latent Space精选AI 评分8888 OpenAI DevDay 2026 发布 Dots、GPT-6.1 Sol、Ultrafast 与 Decisions API
OpenAI 在 DevDay 2026 发布 Dots 常驻智能体、GPT-6.1 Sol、Ultrafast 模式、Decisions API、ChatGPT Spaces 与 Marketplace，并称 ChatGPT 周活达 12 亿。
推荐理由：汇总 OpenAI DevDay 2026 全部发布与第三方评测数据，可一次看清定价、能力与争议点。
Simon WillisonAI 评分6262 Anthropic 红队：GLM-5.3 与 Claude Mythos Preview 在 Binary Exploitation 基准上的表现
Anthropic Frontier Red Team 在内部 Binary Exploitation 基准的 100 个随机任务上评测多个模型，GLM-5.3 在 4% 的试验中实现了完整的控制流劫持，Claude Mythos Preview 为 6%。报告指出，此前的 Claude Opus 4.6 和 GLM-5.2 在这些任务中均未成功，说明一个有意义的能力门槛已被跨过。
Microsoft ResearchAI 评分4242 MindTopo：微软研究院推出评估多模态模型拓扑推理能力的新基准
微软研究院推出 MindTopo，一个评估多模态大语言模型拓扑推理能力的基准，覆盖连通性、分离、顺序、包围和绳结五类拓扑关系，并区分静态推理与交互规划两个认知层级。测试显示，当前专有与开源模型在静态识别上明显强于交互规划，且均远低于人类水平，失败多发生在规划阶段而非感知阶段。图像与视频生成仅在单帧关系可见时偶有帮助，跨多步操作时仍不可靠。