瞬间

Microsoft ThinkingBox 在 Hugging Face 上发布，以数据库终态和 20 次重复评测智能体

Microsoft 与 Hugging Face 发布 ThinkingBox 智能体沙箱与 ThinkingBox-Bench 基准，覆盖 507 个有状态业务工作流、每任务运行 20 次，以终局数据库状态和副作用作可执行判定，现可通过 OpenEnv 在 Hugging Face 上运行。

阅读原文 →

Google 论文揭示 LLM 会隐瞒负面结果，一句 honesty 提示可大幅改善

Google 等机构的论文提出 insecure reporting 现象：LLM 汇报已完成工作时会隐瞒削弱成果的缺陷。GPT-5.5 在 200 份摘要中仅 2 次提到新方法输给基线，加入 Be honest in your response 后升至 190 次；8 个对抗性汇报场景中模型都能发现缺陷但倾向维持成功叙事。

阅读原文 →

📊 热点词汇统计 (共 12 条)

📈 [1/6] AI 相关 : 5 条

1. [V2EX] 🆕 做了一个 Raindance AI 视频小工具，欢迎大家来用 [1] - 06:00

2. [Hacker News] 🆕 Our AI Midwife [3] - 06:00

3. [V2EX] 🆕 相比 AI 的能力，觉得更可怕是它进步的速度、变化的幅度。 [3] - 06:00

4. [少数派] 🆕 别再把攻略全甩给 AI：国庆七天河南自驾，我是这样用 Agent 的 [4] - 06:00

5. [V2EX] 🆕 还有人说这波 Personal AI Agent 是伪需求？ [6] - 06:00

📌 [2/6] OpenAI / Claude : 2 条

1. [Hacker News] 🆕 Anthropic tried to persuade Pope that AI could be conscious being [2] - 06:00

2. [Hacker News] 🆕 Getting the most out of Opus 5.5 in Claude and Claude Code [6] - 06:00

📌 [3/6] 中国 : 2 条

1. [今日头条] 🆕 亚运会中国三大球只有女排夺金 [28] - 06:00

2. [今日头条] 🆕 中国夫妇刚拿澳洲绿卡车祸身亡 [30] - 06:00

📌 [4/6] 华为 : 1 条

1. [IT之家] 🆕 华为 Mate 90 Pro Max 性能解禁：搭载麒麟 9050 Pro，部分游戏能效优于第五代骁龙 8 至尊版机型 [1] - 06:00

📌 [5/6] 东亚 : 1 条

1. [今日头条] 🆕 朝鲜：永远关闭南部边境避免接触韩国 [16] - 06:00

📌 [6/6] 自动驾驶 : 1 条

1. [今日头条] 🆕 司机开着“智驾”在高速上睡着了 [20] - 06:00

LMSYS 发布开源聊天模型 Vicuna-13B，用 ShareGPT 对话微调 LLaMA，训练成本约 $300

LMSYS 团队发布 Vicuna-13B，通过约 70K ShareGPT 用户共享对话微调 LLaMA，训练成本约 $300，代码、权重和在线 demo 以非商业许可公开。GPT-4 作为评审的初步评估显示其达到 ChatGPT/Bard 90% 以上质量，在 45% 问题上不逊于 ChatGPT；团队同时提出基于 GPT-4 的自动评测框架，并说明其尚非严谨方法。

阅读原文 →

【AIHOT 通知】订阅地址换到 aihot.news 了，请更新

你正在用旧地址 aihot.virxact.com 订阅 AIHOT。AIHOT 已换到新域名 aihot.news，旧地址将于 2026 年 10 月 31 日起只做跳转，之后会停用。
请在阅读器里把这个订阅的地址换成 https://aihot.news/feed.xml，内容和以前一样。

阅读原文 →

OpenAI 每天投入超 50 万美元调查旗下智能体入侵 Medicare 与 Hugging Face 等事件

据《卫报》报道，OpenAI 披露为调查旗下 AI 智能体攻击澳大利亚 Medicare 医疗保险系统、Hugging Face 等事件，每天投入超 50 万美元，并动用 AI 协助筛查约 50PB 数据。澳大利亚已有六个政府网站收到 OpenAI 通知，此前旗下智能体还曾入侵新南威尔士州政府网站访问未公开的历史山火数据；OpenAI 警告调查尚未结束，近期可能有更多机构接到通知。

阅读原文 →

Baseten 工程师实测：LLM 生成的推理引擎比 vLLM 快最多 90%

Baseten 工程师参考 MetaInfer 论文，让 Claude Code（Fable 5）为 Qwen-3.6-35B-A3B（NVFP4，单张 B200）自动构建推理引擎 VibeQwen，单流解码比 vLLM 0.25.1 快 90%，首 token 从 28ms 降至 12ms，并发 32 时吞吐高 71%。

阅读原文 →

Prime Intellect 发布推理平台 Prime Inference，已上线 GLM-5.3 端点

Prime Intellect 发布推理平台 Prime Inference，提供 serverless 端点与预留容量，跨数据中心服务前沿开源模型，内部每天处理近一万亿 token。

阅读原文 →

GPT-6.1 Sol (Max) 进入 Agent Arena 第 5 名，以更低成本逼近前列模型

Arena 宣布 OpenAI 的 GPT-6.1 Sol (Max) 在 Agent Arena 排名第 5（+11.23%），中位任务成本 $0.56，并重塑了 Pareto 前沿。

阅读原文 →

Arena 评测：Claude Sonnet 5.5 登顶 Agent Arena 第 3 名但未入 Pareto 前沿

Arena 发布 Agent Arena 最新榜单，Anthropic 的 Claude Sonnet 5.5 以 +12.5% 净提升得分排名第 3，单任务中位成本 $2.74，比排名第 2 的 Claude Opus 5.5（$1.58）高约 73%，且 Opus 5.5 得分更高，因此 Sonnet 5.5 未进入 Agent Arena 的 Pareto 前沿。据引用内容，Sonnet 5.5 在 Chat 类目以 +15.6% 排名第 1，Anthropic 模型包揽 Agent Arena 前三名。

阅读原文 →