TaxCalcBench：AI 能替你报税吗？
TaxCalcBench 基准以美国报税表 Form 1040 的形式呈现排行榜，评测前沿 AI 模型能否独立完成报税计算这一步。2025 税务年度版（v2）难度显著升级，输入改为 W-2、1099 等真实 PDF 文档，新增州报税并覆盖更复杂的财务情形，共测试 38 个模型、50 份报税表。评测指标包括严格正确率、±$5 宽松正确率、逐行正确率，以及每份报税的 API 成本与生成时间。
#评测/基准
#评测/基准
今日 0 条Hacker News · AI 最新AI 评分4444 Hacker News · AI 最新AI 评分6565 AI 编码智能体在真实硬件上实现六种 Matter 设备 OTA 更新方法
作者让 Claude Code（Claude Opus 5.5）在 ESP32-H2 真实硬件上无人值守地实现并验证六种 Matter OTA 更新方法，全程耗时 29.7 小时。
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。
TechCrunch · AIAI 评分5757 盘点可直接在短信中使用的 AI 智能体
文章盘点了 18 款无需下载独立 App、可直接通过短信或 iMessage 等即时通讯软件交互的 AI 智能体。这些智能体涵盖家庭助手、旅行规划、职场效率等场景，能连接日历与邮箱并代为执行任务。其中 Instinct 估值达 100 亿美元，Poke 已被 Cognition 收购。
The Verge · AI精选AI 评分6868 OpenAI Dot 智能体上手：更像企业级软件，也能帮你点晚餐
The Verge 作者 Allison Johnson 实测 OpenAI 本周发布的 Dot 智能体，结论是它更像企业级办公软件而非个人购物助手。在预约宽带安装、登录 Ikea 账号等任务中 Dot 多次卡在安全校验，需要人工接管浏览器，顺畅度不如 Meta Muse 和 Instinct；但获得作者电脑访问权限后，它顺利完成了个人网站改版和社交媒体视频剪辑。
推荐理由：作者实测后指出 Dot 更像企业级办公软件，在安全校验环节需要更多人工接管，顺畅度不如 Muse 和 Instinct。
LifehackerAI 评分2121 为什么我认为 Apple Watch Series 12 值得升级
Lifehacker 评测认为 Apple Watch Series 12 值得升级，无论你目前用的是哪款 Apple Watch。其 S11 芯片支持旧款无法实现的功能，如原生计步；心率传感器（Ultra 4 同款）精度大幅提升，与 Garmin 旗舰传感器持平。新增基于 HRV 的准备度评分，夜间 HRV 数据可与 Oura 戒指、Whoop 媲美。
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。
爱范儿AI 评分2323 iQOO 16 体验：可能是今年最卷的「性能旗舰」
iQOO 16 搭载第六代骁龙 8 超级至尊版与自研电竞芯片 Q4，配备 8400mAh 大电池与 2K 纯直屏，在保持游戏帧率平稳的同时补齐了日常主力机的综合体验。该机运行 OriginOS 7，支持 IP68 与 IP69 防尘抗水，系统级通话录音覆盖微信等第三方 App 并生成文字转写。12GB + 256GB 版起售价 5999 元，是目前起售价最亲民的骁龙 8 超级至尊版机型。
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AI 评分5858 全网最硬核 OpenClaw 2.0 实测：从 ToC 到 ToB 的试探，Agent 网关能重塑工作流边界吗？
雷峰网用同一道复杂长任务，在同一台服务器的两个 Ubuntu 容器中对比实测 OpenClaw v2026.7.1-2（1.x）与 v2026.8.1（2.0），基座模型均为 GLM 5.3。
雷峰网AI 评分6363 对比 Codex，免费的 AgnesCode 也能在底层算子优化任务中打得有来无回
雷峰网以同一道赛事算子题对比免费的 AgnesCode + Agnes 3.0 Flash 与付费 Codex + GPT-5.6 Sol，双方在相同环境为 DeepSeek-V3 解码阶段的融合 QKV-A 下投影算子（Task66: dsv3_fused_a_gemm）撰写优化代码，并提交赛事官方自动化评测。
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7979 DeepSeek Harness 桌面版实测：更像个人助理，还送 6 元赠金
DeepSeek 正式推出 DeepSeek Harness 桌面端，提供 macOS 和 Windows 开箱即用安装包，不再需要终端部署，登录即送 6 元赠金，有效期至 10 月 6 日。
推荐理由：实测显示 DeepSeek Harness 桌面版把终端 Agent 变成常驻本地的个人助理，定时任务和插件自生成能力可迁移到日常办公流程。
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。
少数派AI 评分5858 ColorOS 17 深度评测：可塑的白昼
少数派作者 Enc3lMag1k 深度评测 ColorOS 17，认为焕新凝光视效基本统一了第一方应用的设计语言，但为可读性在光效强度上做出取舍。小布 AI 借 PersonaX 记忆共生引擎升级为系统级能力，小布 Next 的多 Agent 架构支持自定义 MCP 与端侧模型，被作者视为目前手机厂商在主动智能上走出最远一步。
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。
LifehackerAI 评分7171 实测 Google Pics 网页图像编辑器，能否取代 Canva 与 Photoshop
Lifehacker 作者实测 Google 新推出的网页图像编辑器 Google Pics，它内置 Nano Banana 图像生成模型，主要通过文本提示词完成图片创作与编辑。
LifehackerAI 评分4646 我试用了 Snap Specs，它可能是智能眼镜的未来
在 Snapdragon 2026 Summit 上，我试用了即将于今秋发售、售价 $2,195 的 Snap Specs 空间计算眼镜，它能把数字图形叠加到现实世界。它搭载两颗 Snapdragon 处理器、两颗全彩高清摄像头与 6DOF 手势追踪，重约 135 克，续航约 4 小时。其 LCoS 显示提供 51 度视场角，在明亮会议室中仍能清晰呈现 UI，电致变色镜片可在透明与深色间快速切换。
LifehackerAI 评分4444 我在新 Apple Watch 上试了 Siri AI，结果令人沮丧
在 Apple Watch 上体验 Siri AI 后整体表现令人失望：响应常需 5-10 秒，应用频繁崩溃，语音还会中途断续重说。实测中它把 325 卡路里的 Move ring 目标误设为 320，查找邮件信息需反复追问，而 iPhone 版 Siri AI 一次就能答出。
LifehackerAI 评分7070 实测发现 Apple Intelligence 存储占用远超 Apple 承诺，最高达 30GB
作者实测发现 Apple Intelligence 在 iOS 27 与 macOS 27 Golden Gate 上的存储占用普遍超出官方所称最高 14GB 的标准：iPhone 17 Pro 为 20.65GB，M3 MacBook Pro 达 30GB，M1 iMac 为 13.88GB。
翔宇工作流AI 评分5555 实测新版 Qoder：Qwen-3.8-Flash 月底前免费，积分消耗与 Agent 新功能体验
作者重度实测新版 Qoder，9 月 30 日之前 Qwen-3.8-Flash 完全免费，每日签到可领 100 积分，并已支持自定义 API Key。Qwen-3.8-Flash 单次任务消耗低至 0.01 积分，Qwen-3.8-Max 每晚 22 点到次日 8 点倍率从 0.5X 降到 0.2X。
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。
Latent SpaceAI 评分3737 AINews：Claude Code Projects 上线、TypeSafe Jev 引发热议、OpenAI 推出 Astra for Law
Anthropic 在 Claude Code 中推出 Projects，单次对话可生成并行云端会话、线程间传递上下文，用户离开后继续运行。OpenAI 推出 Astra for Law，含 26 个合作插件与 47 个社区插件，先在 ChatGPT 与 Codex 中开放，API 稍后推出。Vals 称其法律评测跑分在各价位均优于 GPT-6 Astra 加网页搜索。
NVIDIA BlogAI 评分5454 NVIDIA Vera Rubin NVL72 在 MLPerf Inference v6.1 首秀中取得领先性能
NVIDIA 公布 MLPerf Inference v6.1 结果，Vera Rubin NVL72 首次预览提交即在 DeepSeek-R1 与 Qwen3-VL 上取得领先性能。
X精选AI 评分6666 豆包工作新功能实测：AI直接改本地Excel，本地云端一键切换
作者实测豆包工作 2.28.12 新功能，AI可直接修改本地电脑上的Excel文件并在原地保存，同一对话还能一键切换本地与云端继续执行任务。作者验证修改后的文件保留了原公式、条件格式与图表，切换云端时上下文与文件均保持连贯。目前该功能支持PPT和Excel，Word尚未上线。
推荐理由：作者实测豆包工作新功能，展示AI直接修改本地Excel与本地云端无缝切换的能力，为办公自动化提供可参考的实践样本。
X精选AI 评分6666 继 UU 远程后，网易又整了一个识别速度快到没朋友的 AI 语音输入法「叭哥说」
网易有道上线 AI 语音输入法「叭哥说」，作者用同一段录音实测，其 E2E 平均识别耗时 1683ms、P95 为 2134ms，基本上一松开录制按钮结果就出来了。它用 ASR 识别与纠错润色双模型协作，支持工位级小声拾音、个人词典导入即时生效与多语言翻译；横向对比中识别速度为豆包 > 叭哥说 = 闪电说 > Typeless，而 AI 整理能力优于偏转写的豆包输入法。
推荐理由：作者用同一段录音横向对比四款 AI 语音输入法的识别速度与整理能力，并附叭哥说的延迟数据与专项测试，便于按需选型。
XAI 评分4545 Today 体验：可算有一个总能先我一步调整好日常待办的个人 AI 了
个人 AI 应用 Today 主打个人生活连续性，通过可治理的记忆面板与晨间简报，帮用户先一步整理好日常待办与日程变动。它区别于 Codex 等工作 Agent，执行外部动作前需用户确认，并能依据睡眠数据主动延后非紧急事项。产品目前处于 Public Beta 阶段，支持全设备同步、接入微信等第三方应用及 Skills，建议以阶梯信任逐步开放权限。
翔宇工作流AI 评分5858 6 款国产 AI 编程助手免费积分对比：每天约合 40 元免费用量
作者把 6 家国产 AI 编程助手的免费积分全部折算成金额，合计每天约 40 元，涵盖腾讯 Workbuddy、讯飞 Loomy、商汤小浣熊、字节 TraeWork、百度 Dumate 和豆包桌面版。文中还说明 Agent 写入项目的 .md 记忆文件可被其他工具读取，换工具也能接着干活，并推荐用 neat-freak 技能把会话修改同步到记忆文件。
腾讯安全威胁情报中心AI 评分4545 BinaryAI-Bench：面向实战业务的二进制安全分析任务评测集
腾讯科恩实验室推出 BinaryAI 二进制分析平台，并发布配套评测集 BinaryAI-Bench，通过两轮各 8 个模型 × 50 个任务的系统评测校准 AI 逆向分析能力基线。
Microsoft ResearchAI 评分4747 MindTopo 揭示 VLM 的空间推理能力
Microsoft Research 推出拓扑推理基准 MindTopo，评估多模态模型在连通性、包围、顺序、分离与打结五类拓扑关系上的推理与规划能力。测试显示，当前多模态模型在静态识别任务上表现明显优于交互式规划任务，两者均远低于人类水平，且错误多发生在规划阶段而非感知阶段。该基准为机器人和交互环境中的 AI 系统提供了可控诊断工具。
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3030 OpenAI 发布 GeneBench-Pro
OpenAI 发布 GeneBench-Pro，这是一个面向基因组学、生物学和科学研究的全新 benchmark。该 benchmark 使用复杂、真实世界的数据集，测试 AI 在这些领域的表现。
OpenAI NewsAI 评分3838 OpenAI 发布 LifeSciBench
OpenAI 发布 LifeSciBench，一个面向生命科学领域的专家级评测基准。该基准由专家撰写并经专家评审，用于评估 AI 系统处理真实世界生命科学研究任务与决策的能力。
腾讯安全应急响应中心AI 评分6565 腾讯朱雀实验室联合香港中文大学（深圳）发布 Agent 技能安全评测基准 SkillTrustBench
腾讯朱雀实验室联合香港中文大学（深圳）吴保元教授课题组发布 SkillTrustBench，这是首个兼顾 Agent Skills 安全可信度与外部扫描方案检测效能的双重评测基准，从 62,652 个 Skill 中提炼 5,520 个评测用例，覆盖九大类威胁。
OpenAI NewsAI 评分4848 OpenAI 发布可信第三方评估共享指南
OpenAI 发布第三方 AI 评估共享指南，阐述如何评估前沿模型的能力、安全护栏与评估有效性。