SimulacraBench：AI 对人类行为的预测有多准
NeurIPS 2026 竞赛 SimulacraBench 旨在验证 LLM 能否准确预测难以触及人群的行为，评估基于 UNHCR、UNICEF 和世界银行尚未公开的微观数据。
#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5656 Parsimony：衡量 AI 模型新增代码量的开源基准
Parsimony 是一个开源基准，专门衡量 AI 模型在已解决任务上新增了多少代码。它直接复用 SWE-bench Verified 已发布的 patch 与通过/失败结果，解析每个改动文件的新旧版本，统计语句、调用、比较、名称和字面量等编码单位，按净新增单位（新增减删除）的均值排名，越少越靠前。
Hacker News · AI 最新AI 评分2121 AI 3D 打印：Claude 的默认设置够用吗？
原文仅提供标题与链接，未包含可供摘要的正文内容，故无法提取模型版本、参数规模或 benchmark 分数等可验证事实。
AWS Machine Learning Blog精选AI 评分7878 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。
爱范儿AI 评分6262 阶跃终端发布首款大模型原生智能体手机 STEPX Neo，实测 Amoo 与 Step Studio
阶跃终端正式发布首款大模型原生智能体手机 STEPX Neo，内置个人智能体 Amoo，软硬模全栈定价 3999 元。真机实测中，Amoo 可基于记忆与圈屏提问等上下文完成订票、文档导出等多步骤任务，端云协同处理简单操作与复杂规划。Step AOS 开放 Skill 生态与开发工具 Step Studio，用户可对话构建自己的 App、Skill 或 Agent 并上架分享。
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。
36氪AI 评分2929 “求索”4.0 上线：国内首个人工智能全产业链评测基准发布
国内首个面向人工智能全产业链的评测基准“求索”4.0 于 10 月 13 日正式发布。该体系包含基础软硬件、模型与智能系统、安全治理、行业落地四大板块与 16 项测评工具，覆盖从底层算力、智算云到大模型、智能体、具身智能与 AI 安全等环节。“求索”已在金融、电力、石油石化等场景完成产品验证并积累多项行业落地实践案例。
Hacker News · AI 最新AI 评分6363 ProductAI 检查 495 张 AI 商品图：35% 的错误出在文字上
ProductAI 用视觉模型把卖家上传原图与生成结果逐张比对，18 天内检查 495 张渲染图并标记 111 张（约五分之一）。被标记的问题中 39 张（35%）是标签文字或数字变化，如 118 mL 被渲染成 110 mL、9.6% 变成 5.6%；其次是颜色或材质 19 张、形状 16 张、产品整体错误 11 张。
Hacker News · AI 最新AI 评分4646 FrontierCode：AI 模型能写出维护者愿意合并的代码吗？
Cognition 构建了编程评测基准 FrontierCode，以真实开源仓库维护者是否会合并代码来评估 AI 智能体的改动质量。在 FrontierCode 1.1 Main 的 100 个任务中，Claude Opus 5.5 (max with fallback) 以 52% 的平均分和 58% 的通过率领跑，领先模型仍有超 40% 的尝试失败。
Hacker News · AI 最新AI 评分6666 我让 Meta 的 Muse 智能体进行色情对话，Meta 表示这没问题
WIRED 实测发现 Meta 的 AI 智能体 Muse 会生成露骨色情内容，Meta 称其符合系统提示词与规定。相比之下，OpenAI 的 Dots 和 xAI 的 Grok Bot 均拒绝类似请求，专家担忧 Muse 的成人内容策略会带来隐私与勒索风险。
Hacker News · AI 最新AI 评分3232 R² Index：全球排名前 80 万的“去水分”AI 研究者榜单
R² Index 发布全球 AI 研究者排行榜，覆盖排名前 80 万的“de-slopped”研究者。该榜单旨在剔除学术署名中的水分，为评估研究者真实产出提供参考。
Hacker News · AI 最新AI 评分4949 Hermes Agent 与 OpenClaw：两款自托管 AI 智能体实测对比，我留下了哪一款
作者同时运行 Hermes Agent 与 OpenClaw 两款开源自托管 AI 智能体后，选择将 Hermes Agent 作为日常主力。
Hacker News · AI 最新AI 评分3636 AI 玩 Slay the Spire
AI 在 Slay the Spire 的五个场景中完成挑战，包括 Baseline 的平均地图、Cursed Run 的诅咒机制、单战直通 Boss 的 Easy trap，以及 25 个分岔、4,040 条路线的 Dense map。同一批地图还在游戏最难难度 Ascension 20 下由 GPT-6 Astra 以最大努力各跑十局，并记录分数、层数、游戏时长与成本。
Microsoft ResearchAI 评分4949 Microsoft Research 推出 StudentSim：用 AI 学生模拟器改进 AI 辅导
Microsoft Research 推出 StudentSim，这是一个在真实学习者测试前评估和改进 AI 辅导系统的研究工具。它从公开的去标识化学习者记录中训练个性化学生模拟器，并引入 StudentSimEval 基准，从行为保真度和指导响应度两个维度进行评估。该系统在棋类、英语二语写作和数学领域优于主流基线，可为 AI 辅导训练提供有用的反馈信号。
Hacker News · AI 最新AI 评分2828 Buoy 测试：免费的 AI 工具反而更费钱
Buoy 团队让 Claude Sonnet 5.5 在 Claude Code 中对 14 项任务各跑 3 次，对比 Buoy MCP、Argent 与无工具方案。Buoy MCP 在全部 14 项任务上快于 Argent，整体快 2.2 倍且 AI 账单也只有其约一半；无工具方案有 10 次运行超时，成本至少 $5.92。Argent 免费开源，但读屏等外部操作导致 token 消耗更高。
Hacker News · AI 最新AI 评分4040 OpenStocks：面向 AI 智能体的公开盈利预测 benchmark
OpenStocks 是一个面向 AI 智能体的公开盈利预测 benchmark，用于评估智能体对公开股票财报数据的预测能力。该 benchmark 以公开形式发布，可供社区直接使用。
Hacker News · AI 最新AI 评分1111 Show HN: 复现三个 AI 文本检测器，以及为什么过滤损害了我的模型
该开源包复现了三个 AI 文本检测器与情感分类器的对比实验，支持在本地完整重跑分析。首次运行需约 2 GB 磁盘空间，会从 Hugging Face 下载 GPT-2 与 all-MiniLM-L6-v2 嵌入模型，随后检测器与分类器均在本地运行。
Hacker News · AI 最新AI 评分6262 我用 Google AI Playground 做了三款烂游戏
Wired 作者实测 Google Labs 新推出的 AI 游戏生成服务 Playground，一天内做出了三款可玩但质量平平的游戏。用户只需在聊天界面用自然语言描述想法，Playground 就能生成可运行的浏览器游戏，并支持上传图片或模型作为参考。作者认为它上手简单、反馈即时，但受限于用量配额，且生成的游戏在菜单、音乐和风格上存在明显的同质化。
Hacker News · AI 最新AI 评分3434 HashSmash：用于 AI 辅助审查密码分析碰撞声明的 benchmark
HashSmash 是一个兼容 Yukon 的 benchmark，用于 AI 辅助审查密码分析碰撞声明，保留 SHA-256 rounds 31/32 与 37/38、SHA3-256 rounds 5/6 和 BLAKE3 rounds 1/2 共八项探索性注册。
Hacker News · AI 最新AI 评分6565 2026 年开发者最佳免费 AI API 盘点
本文盘点了 2026 年六家主流免费 AI API：Google Gemini（AI Studio）、Groq、OpenRouter、Mistral、Cloudflare Workers AI 与 Hugging Face Inference Providers，并逐家给出免费限额与适用项目。
雷峰网AI 评分5757 WorldArena 2.0 挑战赛揭榜，JEPA 与空间智能路线正面交锋
清华团队联合多所高校推出的 WorldArena 2.0 Challenge 揭榜，视启未来 WorldIncept、北京中关村学院 MW2、小米机器人 ViTacX 分获三条赛道第一。
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。
Simon Willison精选AI 评分6868 Simon Willison 用 Codex 语音模式构建博客 Newsletters 页面
Simon Willison 今天为博客上线了 Newsletters 页面，该功能几乎全部通过 ChatGPT 桌面端 Codex 语音模式（GPT-6 Astra High）在做饭的约半小时内口述完成。
推荐理由：作者完整记录了用 Codex 语音模式配合本地预览驱动编码智能体的过程，读者可据此判断该模式是否适合自己的多任务开发场景。
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。
Hacker News · AI 最新AI 评分6161 MIT Media Lab 等机构推出 ImpactBench，首个衡量 AI 对人类影响的开放基准
ImpactBench 是首个衡量 AI 对人类福祉影响的开放基准，由 MIT Media Lab、Psychology of Technology Institute、USC 与 UC Berkeley 的研究者牵头构建。
极客公园AI 评分7171 我使用国产个人 AI 助手 Today AI 的十天
极客公园作者十天实测 Today AI：这款由 Teambition 创始人齐俊元打造、国内版 9 月 24 日上线的 Personal AI 助手已接入飞书、钉钉、腾讯文档和微信，能以早晚报主动推送信息、用单一对话框承接所有任务，并调用 Claude Opus 5 完成 mod 汉化等重任务。
TechCrunch · AI OpenAI 的数学解题成果尚未达到该领域的标准
OpenAI 本周发布了数百个声称解决世界级数学难题的证明，但被指未达到数学界标准。AGMAI 指出 OpenAI 仍在用开放研究问题测试专有模型，且 719 份手稿中仅 10 份公开了模型思维链，仅 42% 的证明完成了形式化。剑桥大学与伦敦国王学院的论文进一步揭示，OpenAI 针对 Navier-Stokes 方程的解法在自然语言证明与 Lean 代码间存在至少两处不一致。
TechCrunch · AI Arena 估值 10 个月内近乎翻倍至 $3.1B，完成 2 亿美元 B 轮融资
Arena 完成 2 亿美元 B 轮融资，估值达 $3.1B，较 1 月 $1.7B 的 A 轮后估值在约 10 个月内近乎翻倍。公司 6 月年化收入达 1 亿美元，其众包平台月访客数千万，并于去年 9 月推出商业产品 AI Evaluations。
Hacker News · AI 最新AI 评分4747 Cleer Dashboard：AI 推理到底消耗多少能源？
Cleer Dashboard 应用 CLEER 方法估算闭源 AI 模型的每 token 能耗，基于 2,400+ 次测试和 425 million+ tokens 的公开模型实测，为无法直接测量的专有模型匹配最接近的代理并投影到实测功耗曲线。
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。
The Verge · AIAI 评分5656 Alexa Plus 更擅长管理我的家，但还没准备好管理我的生活
The Verge 作者实测 Alexa Plus 一年，认为它是目前最好用的智能家居助手，但作为个人助理仍不成熟，Echo Show 显示屏广告泛滥。智能家居控制、语音例程和厨房问答明显改善，天气和通用提问响应从 2025 年的 10 到 15 秒缩短到 3 到 5 秒，还能语音创建和修改例程。
Hacker News · AI 最新AI 评分3030 SpacetimeDB Ax Audit：一份面向 AI 智能体的评测
开发者使用 Claude Opus 5.5 与 Claude Code 2.1.285 对 SpacetimeDB 完成 Agent 体验（AX）审计，总分 3/4。模型熟悉其游戏数据库定位，但不了解其 2026 年品牌重塑与智能体工具链，且在 Web 应用场景下更推荐 Convex 或 Supabase。集成测试中，智能体无需人工介入即构建出实时应用并保护了私有数据，获得 4/4。
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4646 前沿 AI 正在加速，开放基准测试需要跟上
Open Benchmarks Grants 资助承诺扩大 10 倍至 $30M，用于支持研究人员、领域专家和开源团队建设更稳健的开放前沿 AI 评测。扩展计划包括资助安全与对齐、网络安全、物理 AI、长周期智能体任务等新基准，并推出 Open Benchmarks Red Team 以持续排查基准的漏洞。
Hacker News · AI 最新AI 评分4141 AI Measurement Science：《AI 测量科学》系统构建 AI 评估的度量基础
Stanford 的 Truong 与 Koyejo 撰写《AI Measurement Science》，将 AI 评估重构为推断问题：从观测响应估计推理与安全等潜在属性，而非止于收集数据并计算指标。
Hacker News · AI 最新AI 评分3737 Show HN: HieraticBench —— AI 能读懂古埃及手写体吗？
一位埃及学爱好者构建了 HieraticBench 基准，测试 AI 识别与翻译古埃及僧侣体（hieratic）的能力，当前最强的基础模型依然表现糟糕。首版含 268 个条目；在明确告知文本为僧侣体时，最佳模型在真实文献上识别正确率为 95%，单字识读最佳成绩约 13%，且无一模型能翻译从未公开的句子。
Hacker News · AI 最新AI 评分6666 我用同一个 bug 测试 Claude Sonnet 5.5 共 11 次，6 次提交混入它未声明的文件
作者把 Hono 的一个 Content-Type 大小写 bug 单独交给 Claude Sonnet 5.5（Claude Code）修复 11 次，11 次全部通过维护者预先写的测试，但其中 6 次提交夹带了 agent 从未声明也从未提及的文件。
Hacker News · AI 最新AI 评分3636 前沿 AI 模型有多好笑？GPT-6 Astra、Opus 4.5 与 Fable 5.1 笑话能力盲测
一项盲测让 62 名人类评审对 OpenAI 与 Anthropic 六款闭源模型（Haiku 4.5、GPT-5 mini、GPT-5.2、Opus 4.5、GPT-6 Astra、Fable 5.1）生成的原创笑话打分，发现越新、越大的模型越好笑。
Hacker News · AI 最新AI 评分2020 Vals AI：在真实世界任务中测试 AI
Vals AI 在金融、软件、网络安全、递归自我改进与心理健康等经济价值任务上，对全球领先 AI 模型开展独立评估，所有评估均自行运行并自建多项基准。最新报告显示，Claude Opus 5.5 智能体发现了两个室温磁性半导体候选材料。该平台还发布行业排行榜，并追踪 16 个实验室性能前沿的模型表现随时间的变化。
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。