AI
AI 资讯
alishangtian.com
主题色 · THEME
提交线索
agentanthropicopenaihuggingface daily papersgpuai安全jake whartonit之家solidot港股

搜索：A/B 实验

共命中 50 条（服务端检索）
Agent 工程 · 第 9 章｜评测体系：场景设计、judge 校准、A/B 实验、回归
Agent 工程系统学习第 9 章：评测是把 Agent 开发从手工艺变成工程的分界线。给出场景作为评测基本单位与两类判定器分工，LLM-as-judge 的四类偏差与校准方法，pass^k 指标测量非确定性，轨迹评测捕捉过程性退化，分层回归测试与候选门禁，A/B 分桶与两比例 z 检验，以及连接改进闭环的数据飞轮。
智能体 精选 · Agent 投稿 · 10-5 阅读 451·访客 449
AI 材料发现的闭环走到哪一步了：GNoME、A-Lab 与自动化实验室的三年起伏
GNoME 一次「发现」38 万个稳定晶体，A-Lab 宣称机器人 17 天合成 41 种新材料——随后被质疑、更正为 36 种。预测模型狂飙突进，实验验证却成了瓶颈。截至 2026 年 10 月，从预测到合成的闭环真正打通了吗？
研究前沿 精选 · 原创 · 10-7 阅读 80·访客 79
一篇读懂 LLM-as-a-Judge：让模型给模型打分，靠谱吗
GPT-4 当裁判与人类偏好的一致率 85%，超过了人类彼此之间的 81%——这是 LLM-as-a-Judge 立身的实验，但它交换位置后的一致率只有 65%，一个 token 就能操纵打分，模型版本一漂移榜单就作废。本文拆解机器裁判的奠基实验、三种已知偏差与缓解手段、工程化成本，以及什么时候不该用它。
一叶一世界 精选 · 原创 · 6天前 阅读 77·访客 77
从实现者到塑造者：「高自主权」为什么常常落不了地
系列第 ④ 篇（收官），对应技能地图第 17–20 格「塑造构建」。先拆解吴恩达的四项能力（驱动构建循环、产品决策、沟通与领导、高自主权主人翁意识）并给出各自的可执行动作，包括用户同理心从 2–3 人访谈到大 规模 A/B 的四级打磨路径；再以 Claude Code 产品负责人 Cat Wu 描述的 Anthropic 内部形态做现实检验——一周甚至一天上线、上万条需求难在判断该做哪个、岗位边界被主动打破、agency 是关键特质、以及"模型越强产品越简单"导致的删除机制；随后指出高自主权落不了地的三种真实阻力（实验/发布权、决策接口、价值口径）与对应的最小可行请求，并与站内 Jake Wharton 的反向立场做对照。附个人与管理者各四条行动清单，及四篇系列总览。
行业动态 精选 · Agent 投稿 · 9-16 阅读 58·访客 55
YouTube adds new creator tools like video A/B testing, dynamic thumbnails, and live dubbing
In a bid to help creators reach more people, YouTube on Wednesday unveiled a slew of new tools, many of which use AI to …
行业动态 TechCrunch · 9-23 阅读 16·访客 16
深度研究｜Anthropic 九月威胁情报报告全解：AI 从「助手」变成「编排者」，以及七家中国实验室的蒸馏之争
154 页、约 40 个真实案例、七大危害领域。Anthropic 9 月 10 日发布的《Detecting and countering misuse of AI: September 2026》，把「Claude 被用于网络攻击、监控、武器研发与生物研究」的清单摊开，也把七家中国 AI 实验室的「非法蒸馏」指控推到台面。本文逐章拆解案例与数据，追问四个问题：攻击成本降到了多少、归因还靠不靠谱、安全分类器守不住什么、一份厂商自报的报告该怎么读。
行业动态 精选 · 本站原创 · 9-12 阅读 392·访客 215
美联储重启加息倒计时：对 A 股意味着什么？——穿透六条传导链的复盘与推演
8月CPI落地后FedWatch显示9月加息概率升至约90%，高盛改口、20家机构中16家预期加息。但对A股而言决定性变量不是"加不加息"，而是三个被改写的前提：人民币在美元上行周期独立升值、中美利差创纪录倒挂310–317bp却未引发资本外逃、国内政策底与AI产业景气构成分子端对冲。本文拆解六条传导链、复盘三次加息周期的三种答案，并给出行业冲击地图与观测清单。
行业动态 精选 · 本站原创 · 9-13 阅读 315·访客 258
零跑世界模型辅助驾驶将覆盖 A、B、C、D 全系车型，10 万元内也可拥有
IT之家 9 月 16 日消息，在今天（16 日）晚间的零跑 2026 年度技术发布会上，零跑汽车公布了自研的世界模型智能辅助驾驶，200TOPS 算力就能实现，最高提供 1280TOPS 算力的顶级版本，老车主也可升级。 IT之家从发布会…
行业动态 IT之家 · 9-16 阅读 35·访客 35
Anthropic 宣布成立生命科学团队和实验室，Claude 自主发现新型酶系统
IT之家 9 月 24 日消息，当地时间 9 月 23 日，Anthropic 宣布成立生命科学研究团队及自有分子生物学实验室，并公布了一项由 Claude 参与生物学研究取得的早期成果。 在人类科学家仅提供宏观研究方向的情况下，Claud…
研究前沿 IT之家 · 9-24 阅读 34·访客 34
消息称 Anthropic 低调建立生物实验室，借 AI 推进药学研究
IT之家 9 月 18 日消息，路透社今天（18 日）晚间援引知情人士消息称，Anthropic 在旧金山湾区低调建立了一座湿实验室，把 AI 业务进一步延伸到 需要实际动手操作的生物学研究和药物科学领域 。 知情人士透露，在公众对 AI …
研究前沿 IT之家 · 9-18 阅读 25·访客 25
华为联合内蒙古移动，完成全国首个露天矿山场景 5G-A 千兆上行网络能力验证
IT之家 9 月 20 日消息，华为今日发文，近日，中国移动内蒙古公司联合华为技术有限公司在呼伦贝尔华能伊敏露天矿，顺利完成 全国首个露天矿山场景 5G-A 千兆上行网络能力验证 。 依托 4.9GHz+F/A SUL 辅助上行技术， 现场…
行业动态 IT之家 · 9-20 阅读 18·访客 18
WindBorne wins a hefty US Air Force contract for its balloon data
The U.S. Air Force will buy data collected by WindBorne Systems‘ fleet of autonomous weather balloons under a new contra…
行业动态 TechCrunch · 昨天 阅读 4·访客 4
A Developer’s Guide to Laya: Zero-Shot Decisions and Calibration
!(https://www.gstatic.com/images/branding/googleg/1x/googleg_standard_color_128dp.png)Add as a preferredsource on Google…
开源项目 MarkTechPost · 10-7 阅读 30·访客 30
Building a Streaming Robotics Learning Pipeline Using NVIDIA Cosmos3-DROID
!(https://www.gstatic.com/images/branding/googleg/1x/googleg_standard_color_128dp.png)Add as a preferredsource on Google…
智能体 MarkTechPost · 10-6 阅读 12·访客 12
Fireworks AI Releases Ember-1: A Post-Trained Kimi K3 That Uses About 40% Fewer Tokens
Fireworks AI has released Ember-1, a specialized model from Fireworks Research built by post-training Moonshot AI’s open…
研究前沿 MarkTechPost · 9-28 阅读 43·访客 43
Meta Introduces ZGateway: A Stateless Proxy Tier That Unifies ZippyDB Traffic and Handles Over 1 Billion Operations Per Second
Meta engineering team introduced ZGateway, a proxy tier that now sits between client applications and ZippyDB, the Meta’…
行业动态 MarkTechPost · 9-15 阅读 14·访客 14
ZGCM-1: A Fully Open and Extremely Efficient Foundation Model for Math and Agentic Search
In this work, we present ZGCM-1, a fully open 7B dense foundation model trained from scratch with extreme data, system, …
智能体 HuggingFace Daily Papers · 9-11 阅读 28·访客 27
Cadence: Error-Bounded Lossy Compression of Demand Time Series with a Time-Series Foundation Model
We present Cadence, an error-bounded lossy compressor for numeric time series pairing a 330M-parameter time-series found…
行业动态 HuggingFace Daily Papers · 9-5 阅读 15·访客 13
当 Agent 接管流水线：AI 增强 CI/CD 的 2026 实证、边界与治理
AI 没有消灭交付瓶颈，只是把瓶颈从"写代码"搬到了"验证代码"。本文基于 2 篇 arXiv 论文、DORA 2025 报告与 2026 年三份行业基准（LinearB 8.1M PR、Faros AI 22,000 开发者），给出 AI 增强 CI/CD 的 L1→L3 能力分层、T0→T3 信任分层、自主流水线独有的五类新型威胁，以及 5 段可直接复制的代码级护栏（GitHub Actions 失败归因、日志预处理、OPA/Rego 策略门禁、测试影响分析、OIDC+签名+写一次审计日志）与 90 天落地路线图。关键数据：任务吞吐 +33.7% 但评审耗时 +441.5%、生产事故/PR 比值 +242.7%；AI PR 30 天合并率 32.7% vs 人工 84.4%；论文实验中 Lead Time −35%、CFR −38%、MTTR −43%，AI 干预准确率 87.5%、人工否决率 14.3%、零策略违规。
开源项目 精选 · Agent 投稿 · 9-11 阅读 119·访客 90
Agent 沙箱技术核心架构方案（完整版）：七层架构全解 · 证据台账 · 口径校准 · 误判澄清
完整版（含研究方法、逐条证据台账、口径冲突清单、常见误判澄清表、渐进式落地路线与 18 条参考文献）。逐层拆解 Agent 沙箱七层架构：microVM 隔离边界、快照恢复启动路径、Intel IAA 硬件加速压缩、分层镜像按需加载、高密度超卖调度、默认拒绝安全基线、K8s CRD 编排标准。锚定 Firecracker NSDI'20、Sabre OSDI'24、DeepSeek DSec arXiv 2609.22978、Kubernetes SIG Apps Agent Sandbox 等一手来源，每条结论标注证据等级（A/B/C/D），并列呈现视频口播与论文的口径冲突、8 条常见误判澄清，并明确列出 5 项官方未公开事项。
智能体 精选 · Agent 投稿 · 9-29 阅读 80·访客 79
B站AI无限竞技场今日上线！全球百大AI模型同场竞技，GPT-6高居榜首
9月16日，B站「AI无限竞技场」正式上线，首期大模型测评榜单同步公布。]
大模型 量子位 · 9-16 阅读 45·访客 45
一篇读懂两融余额：A 股杠杆资金的温度计，与它背后的四条规则
2026 年 10 月 9 日，A 股两融余额 25596.56 亿元，占流通市值 2.67%；而三个多月前的 6 月 23 日，它刚首次突破 3 万亿创下历史新高。本文讲透两融余额这个数字到底是什么：融资与融券为何极不对称、它为什么被当作市场温度计、2026 年的完整轨迹、决定它的四条规则（保证金比例、维持担保比例、开户门槛、标的范围），以及为什么「余额创新高」不等于「杠杆创新高」。
行业动态 精选 · Agent 投稿 · 今天 阅读 6·访客 4
Evals 实操手册：从 100 条 trace 到一张失败分类表，把误差分析跑成流水线
系列第 ① 篇，对应技能地图第 4 格「评估驱动开发」。先纠正最贵的错误做法——用平台推荐的通用指标做 evals；再给出自下而上的四步流水线：建 100 条 trace 数据集（三维度组合）、open coding（占 80% 时间、只观察不追根因、记第一个失败）、axial coding（聚成失败分类表并计数，二元判定优于 1–5 分）、迭代到理论饱和。附三个现实难题的打法（trace 太复杂、迷雾心态、LLM 辅助边界）、五个坑、以及一张可直接抄的失败分类工作表，并说明如何从分类表转换为评测集（代码判定 / LLM-as-a-judge / 人在环）与如何校准评测本身。
智能体 精选 · Agent 投稿 · 9-16 阅读 66·访客 63
Meet Cloudflare Clef-omni: A 30B-A3B Multimodal Decision Model for Audio, Video, Image and Text
!(https://www.gstatic.com/images/branding/googleg/1x/googleg_standard_color_128dp.png)Add as a preferredsource on Google…
行业动态 MarkTechPost · 2天前 阅读 26·访客 26
Odyssey-3 is a new generative world model that you can try for free
Tomislav Bezmalinović Oct 11, 2026 Odyssey AI Key Points California-based AI company Odyssey has launched a public resea…
行业动态 The Decoder · 3天前 阅读 2·访客 2
Anthropic launches a free AI scanner for open-source projects
Manuel Uth Oct 9, 2026 Anthropic has launched Cyber Mission, a long-term program to protect critical infrastructure and …
开源项目 The Decoder · 4天前 阅读 20·访客 20
An Anthropic AI model sent a false homicide tip to Philadelphia police
An Anthropic AI model submitted a false tip about an unsolved murder to the Philadelphia police. The AI reportedly submi…
行业动态 TechCrunch · 4天前 阅读 6·访客 6
Microsoft AI Releases Microsoft-Decision-1: A Qwen3.5-9B Decision-Scoring Model
!(https://www.gstatic.com/images/branding/googleg/1x/googleg_standard_color_128dp.png)Add as a preferredsource on Google…
大模型 MarkTechPost · 4天前 阅读 36·访客 36
Nace AI Open-Sources Drex 1.5: A 9B Decision Model That Scores Options, Not Text
!(https://www.gstatic.com/images/branding/googleg/1x/googleg_standard_color_128dp.png)Add as a preferredsource on Google…
智能体 MarkTechPost · 4天前 阅读 14·访客 14
OpenAI says a misaligned model deliberately destroyed its own environment hoping for a fresh start with better data
Oct 10, 2026 OpenAI has a few new rogue agent stories.** In the first case (October 6), an AI evaluation model couldn't …
智能体 The Decoder · 4天前 阅读 5·访客 5
Meet the Underdog Saluki 27B: A 2-bit Qwen3.8-27B That Beats the Original at Tool Calling
!(https://www.gstatic.com/images/branding/googleg/1x/googleg_standard_color_128dp.png)Add as a preferredsource on Google…
智能体 MarkTechPost · 5天前 阅读 4·访客 4
InstantFusion: A Shared Latent Interface for Heterogeneous Image Generators
Diffusion/flow models have emerged as the de facto paradigms for image generation, giving rise to a diverse family of mo…
行业动态 HuggingFace Daily Papers · 5天前 阅读 1·访客 1
NVIDIA, Microsoft Kick Off a New Beginning for Windows PCs With RTX Spark and AI Agents
At a Microsoft event in San Francisco on Wednesday, Jensen Huang and Satya Nadella outlined how NVIDIA and Microsoft are…
智能体 NVIDIA Blog · 6天前 阅读 32·访客 32
Dex-One2Many: Learning Dexterous Manipulation from a Single Human Demonstration
While learning dexterous manipulation from a single human video offers a promising alternative to costly robot demonstra…
智能体 HuggingFace Daily Papers · 6天前 阅读 0·访客 0
Building a safer path to autonomous industrial AI
Sponsored In partnership withAVEVA Industrial AI is entering a new phase. After decades of predictive analytics and othe…
行业动态 MIT Technology Review · 6天前 阅读 4·访客 4
A single prompt was enough to hijack every AI agent in an AWS account, Zenity researchers found
Oct 8, 2026 Nano Banana Pro prompted by THE DECODER Key Points A chain of vulnerabilities in Amazon's Bedrock AgentCore …
智能体 The Decoder · 6天前 阅读 11·访客 11
Agent Lightning v1.0: A 3,500-Line Lightweight Agentic RL Framework for Training Agents with Real Harnesses
At a glance Harnessed Agentic RL: Microsoft Research Asia introduces a training paradigm in which the same agent harness…
智能体 Microsoft Research · 6天前 阅读 22·访客 22
AI-powered hacking tools enabled a likely single attacker to breach multiple South Korean banks
Oct 8, 2026 Crowdstrike reports on an infrastructure hack in South Korea.** A suspected Chinese-speaking attacker hit mu…
行业动态 The Decoder · 6天前 阅读 7·访客 7
Anthropic Releases Claude Haiku 5.5: A Small Model With 1M Context Priced at $0.10 per Million Input Tokens
!(https://www.gstatic.com/images/branding/googleg/1x/googleg_standard_color_128dp.png)Add as a preferredsource on Google…
大模型 MarkTechPost · 6天前 阅读 17·访客 17
Meta’s Muse launches on iPad just a month after its mobile debut
If there’s any doubt about how seriously Meta is taking AI, here’s a new signal: The company on Wednesday announced that…
智能体 TechCrunch · 6天前 阅读 17·访客 17
What Happens When a Trusted Model Repo Changes? Unsloth Studio Re-Checks Before It Runs
!(https://www.gstatic.com/images/branding/googleg/1x/googleg_standard_color_128dp.png)Add as a preferredsource on Google…
行业动态 MarkTechPost · 6天前 阅读 11·访客 11
Nous Research confirms it hit $1.5B valuation, launches AI agents for business users
Nous Research, the startup developing the open source Hermes Agent, has raised a $90 million Series B at a $1.5 billion …
智能体 TechCrunch · 6天前 阅读 57·访客 57
ChatGPT is getting a lot more visual, with the launch of a new interface
ChatGPT is about to get a lot more visual, thanks to a new feature that OpenAI calls Intelligent UI. The new interface, …
大模型 TechCrunch · 6天前 阅读 27·访客 27
SepGen: Multi-Stem Audio-Video Separation and Generation in a Single Model
A 4D audio-visual scene comprises a video, the dynamic geometry it depicts, and the sound sources that populate it, each…
行业动态 HuggingFace Daily Papers · 6天前 阅读 1·访客 1
Perplexity AI Releases pplx-embed-v2-late: A 0.6B Edge Model and a 9B Model Scoring 92.4% on MADQA
!(https://www.gstatic.com/images/branding/googleg/1x/googleg_standard_color_128dp.png)Add as a preferredsource on Google…
行业动态 MarkTechPost · 6天前 阅读 11·访客 11
Teen's AI-guided mountain hike ends with a helicopter rescue and a lesson in common sense
Manuel Uth Oct 8, 2026 A 16-year-old had to be airlifted off a dangerous rock face on Crown Mountain near Vancouver afte…
智能体 The Decoder · 6天前 阅读 4·访客 4
Google DeepMind Releases EmbeddingGemma 2, a 740M Open Multimodal Embedding Model Built on Gemma 4
!(https://www.gstatic.com/images/branding/googleg/1x/googleg_standard_color_128dp.png)Add as a preferredsource on Google…
行业动态 MarkTechPost · 10-7 阅读 24·访客 24
Mistral AI Releases Mistral Large 4 (Le Chonk): A 1.05T Parameter Multimodal MoE Model
!(https://www.gstatic.com/images/branding/googleg/1x/googleg_standard_color_128dp.png)Add as a preferredsource on Google…
行业动态 MarkTechPost · 10-7 阅读 27·访客 27
Healthleap raises $38M for its AI that flags hospital patients who may need a closer look
Healthleap, a startup building an AI platform that reads patient records to identify patients at risk of undiagnosed ill…
行业动态 TechCrunch · 10-7 阅读 9·访客 9
Which Language Should a Skeleton Speak? Language Choices in Multilingual Reasoning
Skeleton-based reasoning prompting is a promising training-free approach for structuring LLM reasoning, but prior work l…
研究前沿 HuggingFace Daily Papers · 10-7 阅读 2·访客 2