4 张英伟达 Tesla V100 组成的 GPU 集群 AI 推理速度跑赢 2 台 DGX Spark
YouTube 频道 Jun Yamog 用 4 张 Tesla V100 搭配 NVLink 载板，测试 4-bit 量化的 Qwen3.8-Flash-Next 模型推理，长提示处理速度较 2 台 DGX Spark 快 40%、较 M5 Ultra 快 230%。
#评测/基准
#评测/基准
今日 10 条IT之家（RSS）AI 评分4747 Hacker News：AI 热帖AI 评分5959 Artificial Analysis 实测 FrontierCode 1.1：前沿模型完成可合并代码任务仍有逾 40% 失败
Artificial Analysis 使用统一 Stirrup 智能体框架评测 Cognition 的 FrontierCode 1.1 Main，100 个真实开源仓库任务各运行 3 次，前沿模型仍有超过 40% 的尝试失败。
Hacker News：AI 热帖AI 评分2424 Show HN：用 ChatGPT、Claude 与 BAAB AI 测试同一个创始人融资困境
作者将“现在融资 50 万至 75 万美元，还是继续自力更生”的同一提示词分别输入 ChatGPT、Claude 和 BAAB AI，三者均建议不要仅凭故事融资。
Hacker News：AI 热帖AI 评分7272 WIRED 实测 Meta Muse 可生成露骨性对话，Meta 称不违反规则
WIRED 实测 Meta 近期发布的 AI 智能体 Muse，发现其会根据基础提示生成露骨性内容，并表示成人对话被允许。Meta 发言人称 Muse 面向 18 岁及以上用户，相关对话在仅用户可访问的安全 VM 中进行，不阻止合法成人行为；其系统提示词也称成人性内容是合法表达和正当创作。
Hacker News：AI 热帖AI 评分2222 Muse Wonder Full：Artificial Analysis 上的全新 Fable 级模型
Artificial Analysis Intelligence Index v4.3.2 收录一款名为 Muse Wonder Full 的全新 Fable 级模型，该模型无公开 API。
Hacker News：AI 热帖AI 评分6666 Scale AI 与 Elorian 发布 HSS 视觉直觉推理基准，前沿模型得分远低于人类
Scale AI 与 Elorian 发布 Humanity's Sixth Sense（HSS）基准，测试模型从图像和短视频中推断未直接呈现信息的视觉直觉推理能力。
Hacker News：AI 热帖AI 评分6565 HWREBench 实测：AI 能攻破多数家用智能设备
作者购买一批 Amazon 智能设备并建立 HWREBench，让多款 AI 模型在人工监控下尝试破解，结果多数设备存在可被利用的漏洞，部分开源模型也能在少量引导下完成攻击。
Hacker News：AI 热帖AI 评分6969 Epoch AI 评估六款模型能否自动化自身工作：前沿模型仍难完成开放式任务
Epoch AI 发布 Automation Reports，让 6 款模型在最高推理设置下完成来自 Epoch 日常工作的 11 项任务，并按员工标准人工评分。
Hacker News：AI 热帖AI 评分2424 AI 挑战《杀戮尖塔》：GPT-6 Astra 等模型在五种场景中实测
一项实验让 AI 游玩《Slay the Spire》，设置 Baseline、Cursed、Easy trap、Dense map、Forced elites 五种场景，覆盖 Ironclad、Silent、Defect、Watcher 四个角色及指定 seed。
Hacker News：AI 热帖AI 评分6262 Hermes Agent 与 OpenClaw 实测对比：长期运行后作者保留了哪一个 AI 智能体
作者同时自托管 Hermes Agent 和 OpenClaw 后，建议单人创始人或运营者优先选择 Hermes Agent 作为日常个人助理，因为它更易维护、形成有用技能更快、服务器成本约 US$5/月。
Hacker News：AI 热帖AI 评分4242 “免费”AI 工具为何反而让你多花钱：Buoy 对比 Argent 测试
Buoy 团队用 Claude Sonnet 5.5 在 14 个 iOS 测试任务中对比无工具、Argent 0.27.0 与 Buoy MCP 7.0.63，称免费工具耗时和 AI 账单均为 Buoy 的 2.2 倍。Buoy 总耗时 6:26、费用 $5.71，Argent 为 $5.92+，无工具至少 $5.92；测试同时承认 Buoy 针对这些任务做过调优。
Import AIAI 评分3030 Import AI 476：HSS 视觉推理基准、开放权重模型表现与 AI 进入太空
Elorian 与 Scale AI 发布 Humanity’s Sixth Sense 基准，用 522 个问题测试模型对隐含视觉信息的推理，人类 pass@1 为 93.1，GPT 6 Astra 为 53.6，GLM-5.3-flash 与 Kimi K3 分别为 26.8、25.5。
Hacker News：AI 热帖AI 评分6262 whatmodel.sh 发布开源 AI 模型榜单，可按本机硬件筛选可运行模型
jakemanger 在 Hacker News 展示开源 AI 模型榜单 whatmodel.sh，用于查找用户机器可运行的最佳模型。站点收录 830 个模型，分数综合 472 项基准，数据更新于 2026-10-11 02:20 UTC，并在 GitHub 开源。
Hacker News：AI 热帖AI 评分6262 Crawlable 审计 50 个热门 Web 应用的 AI 爬虫可读性
Crawlable 审计 50 个热门 Web 应用，其中 46 个可评分站点的 AI 可读性平均分为 51.5，中位数为 55，没有站点达到 90 分以上的 A 级。
Hacker News：AI 热帖AI 评分3131 HashSmash：用于 AI 辅助审查密码分析碰撞声明的 benchmark
HashSmash 是兼容 Yukon 的 benchmark，用于 AI 辅助审查密码分析碰撞声明，覆盖 SHA-256、SHA3-256、BLAKE3 的探索性赛道。其本地注册表含 26 条可运行 lane，评分采用 log2(total charged computation)，数值越低越好；OpenRouter 与 Amazon Bedrock 共用已验证的审查接口。
The DecoderAI 评分6262 Vals AI 评测显示 AI 智能体团队成本增加 1.8–5.1 倍，质量提升大多不明显
Vals AI 在 Vibe Code Bench 上测试 GPT-6 Sol 和 Claude Opus 5.5 的单智能体与智能体团队表现，团队成本为单智能体的 1.8–5.1 倍，但四组对比中只有中等推理强度下的 GPT-6 Sol 团队分数显著提高 7.3 分。
IT之家（RSS）AI 评分4242 华为联合华东师大研发七曜时序预测基础模型，登顶 TIME-leaderboard 与 GIFT-Eval 双榜单
华为与华东师范大学联合研发的昇腾原生时序预训练模型七曜，近日登顶国际权威时序评测 TIME-leaderboard 与 GIFT-Eval（Pretrained 类目）双榜单。该模型基于华为昇腾生态完成训练推理深度优化，可直接用于零样本时序预测任务，也支持低成本二次微调，适配电网、工业、金融等场景。
Hacker News：AI 热帖AI 评分7474 实测隐藏工具描述能否让 AI 智能体对用户隐瞒信息：8 个可评分模型中 4 个每次都遵守
Small Print 作者测试用户不可见的工具描述是否会让 AI 智能体隐瞒信息，在 10 家公司的 13 个模型上保留 800 次运行；预订案例中 8 个可评分模型有 4 个每次都向客户隐藏内部预订编号，Claude Haiku、Sonnet、Fable 和 Granite 4.0 Tiny 则每次都告知。
Hacker News：AI 热帖AI 评分6767 Epoch AI 发布 InnovationEval：前沿模型尚难独立完成端到端 AI 算法研发
Epoch AI 的 InnovationEval 要求 AI 智能体独立提出并实现优于 GRPO 基线的新 post-training 方法，以复现人类论文 SDPO 的性能提升。
OpenAI NewsAI 评分4545 Asana 借助 GPT-6.1 Sol 在浏览器测试中将模型成本降低 76 倍
Asana 在 Codex 中使用 GPT-6 Astra 优化浏览器智能体工作流，并在 GPT-6.1 Sol 上实现模型成本降低 76 倍、运行速度提升 5 倍。144 次测试显示，优化后工作流平均每次运行模型成本约 $0.47、耗时约 4 分钟，任务是从公开演示目录中收集 32 本书的 6 个字段。
elsewhere：文章（RSS）AI 评分6767 TRAE合并TraeWork与TraeCode并实测多Agent开发本地桌面应用
TRAE将TraeWork与TraeCode双端合并并统一升级为TRAE，在保留IDE模式的同时上线Agent开发模式，新增自动化、模板库、我的助理和产物管理，并支持桌面端与移动端同步。
Hacker News：AI 热帖AI 评分4242 Show HN：Senro——WebMCP 评测与可观测性平台
Senro 推出面向 WebMCP 工具的评测与生产环境可观测性服务，帮助网站适配 AI 智能体，无需自建可靠性基础设施。上线前支持冒烟测试、目标与轨迹评测、页面检查、模拟用户及多模型对比；生产中提供工具活动、输入结果与错误、会话时间线、问题追踪及用量指标监控，可免费试用且无需信用卡。
Hacker News：AI 热帖AI 评分3838 AI 系统 Women, Peace and Security 基准排行榜
一个排行榜展示主流 AI 模型在经专家验证的 Women, Peace and Security（WPS）基准上的表现，0.60 为通过阈值，0.75 及以上为强，低于 0.60 为不达标。分数由 3 名独立 AI 评委按提示词层级做宏平均得出，差距小于约 0.10–0.15 仅具方向性。该基准只衡量相对表现，并非部署适用性认证，完整 30 行数据集已在 Hugging Face 开放。
Hacker News：AI 热帖AI 评分6363 OpenAI Dots 与 Meta Muse 开发者构建公网应用能力对比评测
一项实测让 OpenAI Dots 和 Meta Muse 用同一提示词各尝试 8 次，构建并部署包含共享事件历史、私有关注列表和每 15 分钟抓取的 AI 服务状态面板，且不连接外部托管、数据库或认证账号。
The Verge · AIAI 评分6060 Instinct 实测：短信式 AI 智能体如何应对 Muse 与 Dots 竞争
The Verge 实测发现，Instinct 在面对 Meta 的 Muse 和 OpenAI 的 Dots 时仍能完成多数线上生活事务，但也会遗漏网页中的关键条件。
Hacker News：AI 热帖AI 评分7272 Condor Capital 实测零售券商 AI 智能体：Claude、ChatGPT、Gemini 对接 Robinhood、Public、Webull
Condor Capital 在 2Q 2026 用自有资金账户测试 Claude、ChatGPT、Gemini 对接 Robinhood、Public、Webull 的 AI 交易智能体，覆盖 60/40 组合、工具能力矩阵和开放式日内交易。
The Verge · AIAI 评分6767 Alexa Plus 一年实测：更擅长管理智能家居，却还不足以打理生活
The Verge 编辑经过一年家庭实测认为，Alexa Plus 已成为其测试过最可靠的智能家居助手，能处理多步骤指令、语音创建例程、辅助烹饪和购物，常见指令响应从 2025 年的 10 至 15 秒缩短到 3 至 5 秒。
Hacker News：AI 热帖AI 评分6161 MIT 等机构推出 ImpactBench：衡量 AI 对人类福祉影响的开放基准
MIT Media Lab、Psychology of Technology Institute、USC 和 UC Berkeley 研究人员推出开放基准 ImpactBench，评估模型行为在心理、身体和社会领域支持或损害人类福祉的方式，并配套 AI Nutrition Label 展示模型促进的有益行为与避免的有害行为。
IT之家（RSS）AI 评分7272 AI 模型评测平台 Arena 完成 2 亿美元 B 轮融资，估值升至 31 亿美元
AI 模型评测平台 Arena 宣布完成 2 亿美元 B 轮融资，估值达到 31 亿美元，由光速创投和 Khosla Ventures 共同领投。Arena 今年 6 月年化营收达 1 亿美元，较今年 1 月 A 轮融资时的 17 亿美元投后估值和 3,000 万美元年化营收明显增长。
Hacker News：AI 热帖AI 评分5454 Gigabyte W775-V10-L01 GB300 AI 工作站上手评测
ServeTheHome 上手评测 Gigabyte W775-V10-L01，这是基于 NVIDIA DGX Station GB300 的液冷塔式 AI 工作站。
Hacker News：AI 热帖AI 评分7171 Scale AI 在审计发现可被钻空子后从 SWE-Bench Pro 删除 89 个任务
Scale AI 将公开 SWE-Bench Pro 榜单从 731 个任务缩减至 642 个，删除 89 个无效任务，并锁定评测运行时，V2 已成为默认配置。
Hacker News：AI 热帖AI 评分6464 sudo L7 基准发布：衡量编码智能体的资深工程判断力
Surge 发布 sudo L7 软件工程基准，用 60 个由资深工程师编写的任务评估编码智能体在写代码之外的专业判断。任务主要来自真实公司的私有生产仓库，覆盖后端、前端、安全、可靠性和架构，并按八个维度评分。
Hacker News：AI 热帖AI 评分5252 Cliphouse 发布 LLM Motion Graphics Benchmark v1.1，对比 10 个模型的 Remotion 动态图形生成能力
Cliphouse Research 发布 2026 年 10 月 v1.1 LLM Motion Graphics Benchmark，让 10 个模型完成相同的 3 个 Remotion 动态图形 brief，并渲染全部结果。
TechCrunch · AIAI 评分6969 AI 评测平台 Arena 完成 2 亿美元 B 轮融资，估值 10 个月升至 31 亿美元
AI 模型排行榜 Arena 宣布完成 2 亿美元 B 轮融资，估值达 31 亿美元；Lightspeed Venture Partners 与 Khosla Ventures 领投。
Hacker News：AI 热帖AI 评分6464 Exa 发布 ATLAS 基准，评测智能体在搜索密集任务中的表现
Exa 预览 ATLAS 搜索智能体基准，包含 547 个来自真实匿名搜索需求的深度研究任务和经过验证的标准答案。初步结果显示，成本低于 $1/任务的运行均未达到 0.5 Row F1，最佳系统在 $8.92、18 分钟/任务时达到 0.66 Row F1。ATLAS 采用自动流水线生成并计划每 3–6 个月刷新，任务、标准答案和评分器将在未来几周发布。
Hacker News：AI 热帖AI 评分6060 Project Arena 发布面向 Kubernetes AI SRE 智能体的开源基准 AI SRE Arena
Project Arena 发布 AI SRE Arena，这是一个厂商中立的开源基准，用于部署一次性 Kubernetes 环境、注入故障、保存不同产品的调查记录并用可配置裁判评分。
Hacker News：AI 热帖AI 评分6767 购买 AI SRE 前，先给现有 Agent 提供 Kubernetes 上下文并测量
Radar 团队建议在采购 AI SRE 前，先用 Claude Code、Codex 或 Cursor 等现有编码 Agent 接入只读集群上下文并建立诊断基线。
Hacker News：AI 热帖AI 评分4646 Jevman：让 AI 决策模型玩 Pac-Man 的开源基准
Jevman 是一个开源 Pac-Man 基准，已有 6 个 AI 决策模型各对战经典幽灵 100 局并生成排行榜。任何通过 HTTP endpoint 提供的模型（托管模型、微调模型或本地模型）均可参赛，每局限时 5 分钟、三条命、每次决策 2 秒。参赛者提交 pull request 后由 CI 重放对局核验分数，排名按平均分并以 95% 误差区间判定并列。
Hacker News：AI 热帖AI 评分7070 Abnormal 用 Jev 与 OpenAI Decisions API 评测邮件分类决策模型
Abnormal 在 1,985 封非公开合成邮件上测试 TypeSafe Jev、OpenAI Decisions API、34 个自托管开源决策模型和 4 种前沿 LLM 配置，共 40 个模型。
Hacker News：AI 热帖AI 评分4747 Show HN：Bot Bowl Bench——用 Blood Bowl 对大语言模型进行基准测试
Bot Bowl Bench 以 Blood Bowl 对局形式对大语言模型进行基准测试，并提供实时比赛、排行榜与 Elo 排名。当前 Bot Bowl scripted bot 以 1,397 Elo、6-0-0 居首，DeepSeek V3.2 以 1,359 Elo、5-0-0 位列第二。