在 Amazon Bedrock 上用 Grok 4.7 构建长周期智能体
AWS 官方博客介绍在 Amazon Bedrock 上用 Grok 4.7 构建工具调用智能体，作者设计三个均有唯一正确答案的任务，在四个推理档位下各跑六次共 72 次运行，答对 67 次，xhigh 档 18 次全部正确。
推荐理由：文章给出了可复用的推理档位评测方法，读者能据此在自己的 Agent 任务上权衡正确率与 token 成本。
#评测/基准
#评测/基准
今日 0 条AWS Machine Learning Blog精选AI 评分7878
量子位AI 评分3030 魔法原子具身 Agent 框架拿下 MolmoSpaces 全球第一
魔法原子 VLM Agent 框架 EchoPolicy-0 以 75.4% 的平均成功率位列 MolmoSpaces Combined 榜单全球第一，覆盖全部 4 个 v1 任务。
OSCHINA 社区AI 评分7373 Nano Banana 2.1 深度实测：4K 直出、中文排版大进步，连续改图的坑也要看清
10 月 6 日 Google 将生图模型 Nano Banana 更新到 2.1，底座换成 Gemini 3.6 Flash，升级集中在视觉设计、蒙版编辑、主体一致性和画面真实感四个方向。实测显示 4K 原图直出与中文文字清晰度明显进步，但连续改图仍存在需要注意的坑。
量子位AI 评分2525 联想天禧自研代码智能体TianxiCode斩获SWE-bench-Live全球第一
联想天禧AI自研代码智能体框架TianxiCode配合DeepSeek-v4.1-Flash，在SWE-bench-Live（Lite分榜）以71%的问题解决率登顶全球第一并获“Verified”认证。TianxiCode具备跨文件多跳检索与精准上下文管理、自驱动规划与多轮工具调用、闭环补丁生成与测试驱动自愈三大能力。未来该技术成果将沉淀至开发者工具链，并应用于联想AI硬件产品。
量子位AI 评分6363 实测 Vidu Q4 预览版，5.4 元做出 GTA 6 风格短片，最高支持 4K 直出
生数科技开放 Vidu Q4 预览版，量子位实测仅花 5.4 元就做出一段 GTA 6 风格《邪恶老奶》视频。该版本最高支持 4K 直出，可一次引用 15 张参考图和 3 段参考音频，单条最长 16 秒；MaaS 端图生视频 720P 约 0.6 元/秒、1080P 约 0.75 元/秒，SaaS 端推出为期两个月的限时优惠。实测显示其在正反打对话、格斗动作与光影特效上能保持稳定输出。
爱范儿AI 评分4848 我用 Vidu Q4 Preview 把奥特曼和 Dario 凑成男团，跳起了 APT
生数科技开放新一代视频生成模型 Vidu Q4 Preview，主打人物演技、镜头张力与复杂特效，生成价格 0.09 元/秒起。模型支持最多 15 张参考图、3 段参考音频及 2K、4K 输出，用户可在 Vidu 官网体验。实测显示其情绪反应与运镜叙事表现稳定，但节奏自然度、画面风格控制和模型幻觉仍需优化。
Hacker News · AI 最新AI 评分2020 三个 AI 模型，同一提示词，测试工具使用前后
通过同一提示词测试三个 AI 模型，对比其在使用某款测试工具前后的表现差异。由于正文内容缺失，具体模型名称、测试工具及对比结果无法获知。
Simon WillisonAI 评分3838 Qwen3.8 27B 英文单词加法测试
Simon Willison 在 DGX Spark 上测试了 Qwen3.8-27B-Q4_K_M.gguf 的英文单词加法能力。禁用推理时，5,070 个测试的数值准确率仅 23.57%，随操作数位数增加从 97.04% 降至 6.44%，格式合规率为 96.17%。开启中等推理后，169 次单次测试中答对 167 次，准确率大幅提升。
爱范儿AI 评分6363 和 Opus 5.5 同题交卷，MiniMax M3.1 Flash Preview 前端创作实测
爱范儿在 MiniMax Code 中沿用 Opus 5.5 优质案例的公开提示词，实测 MiniMax M3.1 Flash Preview 的前端创作能力。
雷峰网AI 评分6464 实测 Qwen3.8-Flash 与 GLM-5.3-Flash：谁能让我提前下班半小时？
雷峰网在 Claude Code 中以同一任务实测 Qwen3.8-Flash 与 GLM-5.3-Flash，两款模型都从零交付了可运行的个人工作台，但取向不同：GLM-5.3-Flash 偏工程交付，先补齐登录、CRUD 与统计面板；Qwen3.8-Flash 偏个人工作流，把智能排序、到期语义和 Markdown 笔记放在核心。
雷峰网精选AI 评分7272 阶跃 Step 5 Preview 跻身全球开源模型前二
阶跃星辰 Step 5 Preview 在 Artificial Analysis Intelligence Index 拿到 44 分，位列全球开源模型前二。
推荐理由：文中给出 Step 5 Preview 在 AA 榜单的分数、速度与单任务成本对照，其分阶段实测思路可迁移到其他长程 Agent 评测。
雷峰网AI 评分5858 我们让 GPT-6 Astra、Fable 5.1 和 Sol 控制同一台机器人：谁真的把活干完了？
作者让 GPT-6 Astra Pro、Claude Fable 5.1 和 GPT-5.6 Sol 控制同一台两轴云台机械臂，执行同一句模糊指令，三者均完成任务，但执行路径、验证标准和成本差异明显。GPT-6 Astra Pro 压缩为 7 步并逐点反馈验证，账单 23.43 美元；Claude Fable 5.1 用 12 步最快跑完并留下可复用脚本，花费 5.70 美元。
爱范儿精选AI 评分7474 匿名模型 Space Bunny Alpha 走红，实测可用草图生成可交互 3D 网站
匿名模型 Space Bunny Alpha 近日悄悄上线 OpenRouter 和 OpenCode，凭草图转可交互 3D 网页等能力冲上两个平台日调用量第一，目前免费调用。
推荐理由：作者通过草图转网页、3D 小游戏与发动机展台实测，说明又快又便宜的模型为何能成为日常主力。
爱范儿精选AI 评分7070 可灵 4.0 首发实测，国产 AI 视频再次掀桌？
可灵 AI 拿出 Kling 4.0 大版本更新，主打真实、可控、专业，将于 10 月正式上线，Kling 4.0 Flash 已于 9 月 28 日率先开放小范围体验。
推荐理由：原文把 Kling 4.0 的 10-bit HDR 输出与主流 8-bit 方案对比，并给出多参考素材的提示词分工技巧，可直接迁移到自己的视频生成流程。
OpenAI NewsAI 评分2727 Basis 用 GPT-6 Astra 完成税务工作簿，速度快 2 倍
Basis 用 GPT-6 Astra 完成包含 50 个工作表的税务工作簿，速度比 GPT-5.6 Sol 快 2 倍。GPT-6 Astra 对用户意图的理解更强，让 Basis 在实际使用中更有信心。
OpenAI NewsAI 评分2424 Parallel 借助 GPT-6 Astra 将研究时间与成本减半
Parallel 借助 GPT-6 Astra，将其智能体研究劳动力市场数据的时间与成本相比之前的模型均降低了一半。GPT-6 Astra 使 Parallel 的智能体能够以一半的时间和一半的成本完成劳动力市场数据的研究与综合。
腾讯技术工程AI 评分6161 腾讯程序员实测 Jev 决策模型，解读其能否替代 Agent 中的高频大模型调用
腾讯程序员 mason 实测了 TypeSafe AI 在 9 月推出的决策模型 Jev，它本质上是分类模型，把当前情况和问题发给它后返回程序可直接使用的结果，没有任何幻觉。
X精选AI 评分6565 用 Ling-3.0-flash-VL 接管运营复盘中最烦的图表读数环节
作者用自己 X 账号的后台截图实测了蚂蚁开源的 Ling-3.0-flash-VL，验证它在细粒度图表读数上的表现。底部 11 张卡片数值全部读对，双 Y 轴图 9 天 New follows 全部命中，跌幅前三名（Shares -100%、Bookmarks -84%、Likes -72%）排序正确，像素级核对后绝大多数误差在个位数以内。
推荐理由：作者用自己真实的 X 后台截图做像素级核对，验证了轻量多模态模型在细粒度图表读数上的可用性，也给同类重复劳动提供了可迁移的验证方法。
傅盛AI 评分5050 GPT-6 狂肝 141 小时《我的世界》，最后道心破碎彻底摆烂
GPT-6 Astra 在 Vals AI 的《Minecraft》测试中连续自主运行 141 小时，因一只苦力怕自爆炸毁其存放关键物资的箱子和重生点，最终放弃击败末影龙的主线任务。受挫后它转而修房、种土豆并刻意躲避苦力怕，甚至把远处的甘蔗误认为苦力怕。该测试表明，前沿模型在开放环境中长时间执行复杂任务时，容易因突发意外逐渐偏离最初设定的目标。
翔宇工作流精选AI 评分7171 LibTV＋Seedance 2.5 实测：30 秒一镜到底，Vlog 真假难辨
Seedance 2.5 发布，单段视频直出时长从 15 秒翻倍至 30 秒，支持两次视频延长、最长 90 秒，参考素材上限从 12 个提升到 50 个（30 张图片＋10 段视频＋10 段音频）。
推荐理由：文章对比 Seedance 2.0 时代的长镜头拼接痛点，拆解 30 秒直出、片段重拍与智能引用如何改变 AI 视频制作流程。
OpenAI NewsAI 评分4242 OpenAI 公布其模型对 First Proof 数学挑战赛的证明尝试
OpenAI 公布了其 AI 模型对 First Proof 数学挑战赛的证明尝试，以测试模型在专家级问题上的研究级推理能力。这些证明尝试均由 OpenAI 的 AI 模型生成，围绕该数学挑战赛的专家级问题展开。
OpenAI News精选AI 评分7777 OpenAI Five 公布 Dota 对战基准结果
昨天，OpenAI Five 在现场观众和 10 万名同步直播观众面前，以三局两胜击败了一支由 99.95 百分位 Dota 玩家组成的队伍：Blitz、Cap、Fogged、Merlini 和 MoonMeander，其中四人曾有职业 Dota 比赛经历。
推荐理由：原文记录了 OpenAI Five 击败高水平 Dota 玩家的赛果，为评估当时游戏 AI 的能力边界提供了参照。
OpenAI NewsAI 评分4343 OpenAI Five Benchmark 比赛结束
OpenAI Five Benchmark 比赛现已结束。