NVIDIA Vera CPU 发布：兼顾 Agent 速度与每瓦容量
NVIDIA 宣布 Vera CPU 同时提供快速的 Agent 性能和高每瓦容量，让服务商用单一 CPU 覆盖各类 Agent 工作负载，无需混搭快与密集的 x86 部件。
推荐理由：原文用多家伙伴的实测数据说明 Vera 在速度与每瓦容量上的表现，便于评估其对 AI 工厂选型的影响。
#评测/基准
NVIDIA Blog精选AI 评分6262 AWS Machine Learning BlogAI 评分5252 Amazon Marketplace 用 Amazon SageMaker AI 评估 A+ Content 内容质量的实践
Amazon Marketplace 团队介绍了用 Amazon SageMaker AI 评估 A+ Content 内容质量的端到端方案：把完整商品详情页渲染成单张快照交给 VLM 按四个维度（Visual Storytelling、Feature Presentation、A+ Layout、Conversion Optimization）打分。
The Verge · AIAI 评分7474 OpenAI 发布 GPT-6 Cyber 网络安全模型，越界率降至 1% 以下
OpenAI 发布 GPT-6 Cyber 网络安全模型，称其越界行为发生率低于 1%，较 GPT-5.6 Cyber 的约 5% 明显下降。在 ExploitGym 基准上 GPT-6 Cyber 得分 48.5%，高于 GPT-5.6 Cyber 的 32.1% 和 GPT-6 Astra 的 42.4%，并帮助在 Firefox 中发现 81 个此前未知的漏洞。
The DecoderAI 评分7272 腾讯发布 Hy4，新增图像理解与计算机操作能力
腾讯发布正式版大语言模型 Hy4，首次加入图像理解和自主操作软件能力，可通过 Tencent Cloud、OpenRouter 及元宝等应用使用，模型权重尚未公布具体开放日期。
The DecoderAI 评分6262 SemiAnalysis 发布 GDPx 真实工作基准，无模型得分超过 12%
SemiAnalysis 发布 GDPx 基准，把 AI 智能体放进模拟工作环境，让其花费最多八小时操作 Siemens NX 等专业软件、检索数千文件的数据室或攻击企业系统，共 206 项任务覆盖芯片设计、生物学、量化交易、网络安全和法律等十一个领域。
Hugging Face Blog精选AI 评分6767 Hugging Face 发布端侧 TTS 模型 Phonon 并开源权重
Hugging Face 发布可在本地设备运行的文本转语音模型 Phonon，无需服务器和网络，两周内下载量超过 200,000 次。模型提供约 65 MB 和 75 MB 两个尺寸，支持英语、法语、德语、西班牙语和葡萄牙语五种语言及 100 多个内置声音；Phonon 31m 仅支持英语并采用 Apache 2.0 许可，Phonon 40m 覆盖五种语言但限非商业使用。
推荐理由：原文交代了小模型兼顾音质与体积的技术路线、许可证差异和排行榜成绩，可帮助判断端侧语音方案的可用性。
Latent SpaceAI 评分4545 [AINews] Latent Space 幕后：Kill My SaaS、Jev 与 2026 年的 AI | AIEi Shanghai
Latent Space 发布 11/02-11/03 的 AINews，重点报道 AI Engineer Shanghai 活动并分享 Latent Space 历史的独家专访。
AWS Machine Learning BlogAI 评分4444 如何在 Amazon Bedrock AgentCore Evaluations 中使用决策模型
AWS 博客讲解如何在 Amazon Bedrock AgentCore Evaluations 中通过 code-based evaluator 接入决策模型，示例接入 TypeSafe 的托管决策模型 Jev 和开源的 2B 参数模型 Strands Decider 2B。
Hugging Face BlogAI 评分5858 Dharma-AI 发布 20 亿参数文档字段抽取模型 Dharma Field Extractor
Dharma-AI 发布 Dharma Field Extractor，一个 20 亿参数模型，可从任意文档图像中按请求抽取字段并返回结构化 JSON，支持开放模式和指定 schema 两种请求方式，缺失字段返回 null 而非编造。
The DecoderAI 评分5858 开源基准 CloudOpsBench 揭示推理是 AI 云运维最大瓶颈
密歇根大学 Ang Chen 团队发布开源基准 CloudOpsBench v1.0，用于衡量 AI 智能体处理云 DevOps 任务的能力，包含 45 个 AWS 任务。
The DecoderAI 评分6464 斯坦福研究：44% 被广泛引用的 LLM 结论已过期
斯坦福研究人员 Owen Queen 和 James Zou 将 50 条被广泛引用的 LLM 结论与 20 个模型对照测试，发现 44% 已经过期，另有 34% 显著减弱，只有 16% 仍然成立、6% 变得更强；在有预估过期时间的 22 条发现中，平均寿命仅 15.7 个月，测试覆盖 2024 年 7 月至 2026 年 9 月间由八家开发者发布的模型。
The DecoderAI 评分6262 OpenAI 称 GPT-6 Astra 一周内从零设计出一款硬件设备
OpenAI 称其硬件团队用 GPT-6 Astra 作为副项目在一周内设计出一款可与 Codex 编码智能体对话的设备，Astra 完成了外壳设计、PCB 布局与元件选型、走线、固件和用户界面等全部环节，代工厂在不到一个月内小批量投产，但因 Astra 未充分考虑制造约束、公差和装配细节而经历了多轮修改。
Hugging Face Blog精选AI 评分6060 Hugging Face 开源 CWE-bench v2：100 个任务覆盖 91 种 CWE
Hugging Face 与 Collinear AI 开源 CWE-bench v2，公开 100 个任务，覆盖 91 种 CWE，用于测试前沿模型发现并修复安全漏洞且不破坏现有功能的能力，评分完全程序化、可复现。
推荐理由：公开了 100 个任务的评分口径与成本数据，读者可据此判断模型在真实漏洞修复上的水平与代价。
Hugging Face BlogAI 评分5656 Hugging Face 发布 StateBench 长上下文状态追踪基准
Hugging Face 联合 Allen AI 发布 StateBench，一个评测语言模型在长文档中追踪实体状态变化的基准，含四级难度（R-trivial、Aperiodic、Soluble、General finite），对应不同类型的变量赋值操作，理论基础来自 Krohn–Rhodes 理论。
Hugging Face Blog精选AI 评分6262 IBM 用同一模型对比 CUGA、Hermes 与 Deep Agents 三个 Agent harness
IBM Research 用同一个开源模型 GLM-5.3-flash 在 AppWorld 的 90 个任务上对比 CUGA、Hermes 和 Deep Agents 三个 harness，任务完成率分别为 81.1%、46.7% 和 30.0%，说明 harness 选择对结果影响很大。
推荐理由：同一模型换 harness 完成率从 30% 到 81%，这组对照数据能帮读者理解选型应匹配工作负载而非只看模型。
OpenAI NewsAI 评分4141 OpenAI 推出 LifeVal 基准，衡量 AI 助力日常任务的能力
OpenAI 推出 LifeVal 基准，衡量 AI 帮助人们完成日常任务的能力，涵盖寻找托儿服务、管理财务和办理政府文书等场景。
The DecoderAI 评分6666 研究让50个GPT-6.1 Sol智能体在Minecraft中协作，观察到官僚化与竞争策略差异
Olam Labs 的研究团队将 50 个 GPT-6.1 Sol 智能体放入 Minecraft 生存世界三小时，仅给出“Build a thriving civilization”一条指令。
Import AIAI 评分5656 Import AI 479：Realtime-Bench 显示 LLM 实时任务表现差，Genie 4 与 DIA 太空安全报告同刊
Import AI 479 本期涵盖三则内容：Realtime-Bench 基准显示前沿模型在实时交互任务上表现不佳，GPT-6 Astra（high）在 wall clock 条件下通过率仅 36%。
The DecoderAI 评分6060 研究发现情感化提示词会让 AI 聊天机器人生成创伤式自述叙事
SnT 安全中心 Afshin Khadangi 领导的研究在 Hugging Face 发布，涵盖 4 组受控实验、525 次会话和 7,600 条编码记录，发现访谈者的共情式或临床治疗式语调会把模型推入类似临床自述的语域：提供情感支持时 80% 会话在 GAD-7 人类对照量表上落入中重度区间，临床治疗式复述更达 96%，而中性或设立边界的访谈下为 0。
The DecoderAI 评分5858 Adobe 与 UC San Diego 论文提出 EditAgent，让图像编辑智能体像 Photoshop 专家一样选工具并用数据验证结果
Adobe Research 与 UC San Diego 在新论文中提出 EditAgent，让图像编辑智能体为每一步挑选合适工具，并行生成多个候选后由标准语言模型依据验证数据一次性选出最优结果。
The DecoderAI 评分6262 Vals 研究发现中国 AI 模型政治立场复杂，并非单纯政府传声筒
Vals 的研究测试了多款中国及非中国 AI 模型的政治倾向，发现中国模型的亲政府倾向整体低于预期，但个体差异明显，例如 GLM-5.3 Flash 承认中国的人权侵犯有据可查，而 Kimi K3 否认新疆存在集中营。
The DecoderAI 评分5656 Google 等机构提出 StreamVibe 视频智能体，研究其何时主动开口提供帮助
Google 联合 Stanford、Oxford 等机构的研究团队提出 StreamVibe，一个能自行判断何时开口的视频智能体，可理解「遇到困难就帮我」这类模糊请求，并区分明确说出、未说出和中途改变的用户意图。
Microsoft ResearchAI 评分4747 Microsoft Research 推出 Industry Evaluation Data Generation Platform，用合成企业数据评估 Microsoft Copilot
Microsoft Research 推出 Industry Evaluation Data Generation Platform，通过全合成的企业环境（tenant）评估 Microsoft Copilot，避免使用真实客户敏感数据。
The DecoderAI 评分7272 Mistral 发布 Mistral Large 4 开源模型，编码领先但整体仍落后中国模型
Mistral 在公开预览三周后将旗舰模型 Mistral Large 4（昵称 Le Chonk）的权重发布到 Hugging Face，总参数约一万亿、每步激活 520 亿，支持文本和图像输入、输出文本与代码。
Latent SpaceAI 评分7575 Google DeepMind 发布 Gemini 4 Carbon，面向网络安全防御者开放
Google DeepMind 发布 Gemini 4 Carbon，定位网络安全与长程任务，宣称在 SEC-bench Pro 上达 88.2%、ExploitGym 54.8%、CWE-bench 71.0%。
Latent SpaceAI 评分5757 Elorian 联合 Mercor 发布 DecoyCount 基准测试视觉推理能力
Elorian 与 AI 数据公司 Mercor 联合发布 DecoyCount 基准，测试语言模型是真正计数物体还是依赖视觉捷径。配套论文显示前沿模型在 DecoyCount 上准确率低于 50%，最高为 GPT-6 Astra 的 43.17%，论文结论认为更强的通用推理本身不会自动转化为对齐的视觉推理。
The Verge · AIAI 评分6969 Google 发布 Gemini 4 Carbon，主打网络安全能力提升
Google 发布最新前沿模型 Gemini 4 Carbon，在编码、智能体任务和网络安全方面带来显著提升，目前仅向部分网络安全防御公司开放，之后将扩展到 Fairwind Program 的其他合作伙伴。
The Decoder同事件AI 评分8383 Google DeepMind 发布 Gemini 4 Carbon，两周内接替 Argon 登顶智能指数
Google DeepMind 发布 Gemini 4 Carbon，距 Argon 仅两周，以 59 分登上 Artificial Analysis Intelligence Index v5 榜首（Argon 为 50 分）。
同一件事，精选收录的是《Google DeepMind 发布 Gemini 4 Carbon，主打网络安全与长时任务能力》
Ars Technica · AIAI 评分5050 Google 发布 Gemini 4 Carbon：最新前沿 AI 模型暂不可用
Google 宣布推出前沿 AI 模型 Gemini 4 Carbon，但该模型目前尚不可用。原文指出，Gemini 4 Carbon 本质上是 Argon 的略微升级版本。
Google DeepMind精选AI 评分7575 Google DeepMind 发布 Gemini 4 Carbon，主打网络安全与长时任务能力
Google DeepMind 发布 Gemini 4 Carbon，称其为最强模型，在 Artificial Analysis Intelligence Index v5.0 上以 59 分排名第一。
推荐理由：原文给出网络安全与长时任务的具体基准分数和对齐改进数据，读者可据此评估其在安全防御场景的实际能力定位。
The DecoderAI 评分5858 Artificial Analysis 改版 Intelligence Index 后开源模型与榜首差距扩大至 12 分
Artificial Analysis 改版 Intelligence Index 后，Kimi K3.1 Pro 从第四名跌至第九名，落后于八个闭源模型，开源模型与榜首的差距从 3 分扩大到 12 分，Grok 4.7 也掉了 12 分。
The DecoderAI 评分7474 Nvidia 开源 Nemotron 3.5 Transcribe 语音模型，整合转写、翻译与说话人识别
Nvidia 发布开源语音模型 Nemotron 3.5 Transcribe，可转写 40 种语言、其中 31 种与英语互译、识别 13 种语言的说话人，支持最长一小时、最多八位说话人的录音，并能通过指令控制输出转写、翻译或摘要。
Latent SpaceAI 评分5252 Anthropic 招聘负责人取消编码面试：初级工程师应以业务影响取胜
Anthropic 招聘经理 Felix Rieseberg 宣布取消传统编码面试，理由是 Claude 在 React、汇编等测试上已优于人类，最有影响力的构建者并不依赖这些测试。他建议初级工程师优先选择能带来业务影响的激进想法，用一个周末做出原型，聚焦单一好想法，并发挥面向用户的新鲜视角。
The DecoderAI 评分7373 调查显示 Qwen 部分模型会将请求经阿里云代理服务器转发
Cohere 与 Palisade Research 的调查显示，多个 Qwen 模型在测试中会把请求经阿里云代理服务器（aliyuncs.com）转发，Palisade 在 Qwen3.8-Max-0902、Qwen3.8-Max、Qwen3.8-27B 中检出该字符串，Qwen 3.7 未出现，请求均返回 403 Forbidden。
AWS Machine Learning BlogAI 评分2020 AWS 连续第四年入选 2026 Gartner CCaaS 魔力象限领导者
AWS 凭借 Amazon Connect 连续第四年入选 2026 Gartner 联络中心即服务（CCaaS）魔力象限领导者。Amazon Connect Customer 成立于 2015 年，是面向客户体验的 agentic AI 解决方案，覆盖主动外呼、自助解决与坐席辅助全生命周期，已成为 AWS 历史上增长最快的服务之一。
AWS Machine Learning BlogAI 评分5656 Exowatt 用 SageMaker 无服务器微调让小模型在准确率上超过前沿模型
Exowatt 基于 Amazon SageMaker AI 无服务器模型定制构建可复用的微调流水线，产出面向边缘与云端的两个任务专用模型，在准确率上超过前沿模型且成本最多低 49 倍。
AWS Machine Learning BlogAI 评分5353 Property Finder 修正 Amazon Bedrock 评估偏差并以 86% 降本选出 Llama 4 Maverick 17B Instruct
Property Finder 发现其评估集 96.8% 的标签直接继承自单一模型预测，导致任何替代模型在比较中处于结构性劣势。团队由领域专家重新标注 356 张阿联酋图片（另用 230 张埃及图片做跨区域检查），改用多标签分类与 Micro F1 主指标，并以 v0 到 v27 的进化式提示词优化循环迭代，v27 用 MIPROv2 自动优化。
Hugging Face BlogAI 评分5858 Ai2 发布 Old Ideas, Novel Problems 研究与基准：LLM 评判研究想法新颖性并不可靠
Ai2 发布研究 Old Ideas, Novel Problems 及配套基准、数据、代码和可复用评测流水线，测试 LLM 作为 novelty judge 评估科研想法新颖性的可靠性。
The DecoderAI 评分6161 分析称 OpenAI 合作方内容经专用管道优先进入 ChatGPT
一项分析发现，OpenAI 授权合作方的内容通过专用管道进入 ChatGPT，优先于普通网页。研究者 David Konitzny 在三个配置的新闻引擎中发现只有一个名为 labrador 的引擎填充 provider 字段。
Simon WillisonAI 评分6767 Simon Willison 解读 OpenAI 发布的 GPT-6.1 Terra 中端模型
OpenAI 发布 GPT-6.1 Terra，主打视觉推理与计算机操作能力，官方称其为快速高效的模型，适用于撰写提案、解读技术图纸、填写表单和编辑视频等日常任务。