初期，测评可与前沿实验室协商共建；但最终，标准机构应当建立起自己的技术能力，独立于各实验室开发「保留测试集」（held-out tests），以防模型对测试过拟合。

1、ob体育 Qoder Security，让信息安全从第一行代码开始。

跨线时无 人知晓，确 认已是两 年后。ob体育效果用攻击成功率（ASR）衡量，效用用MMLU（5-shot）等基准衡量。

2、零跑全新纯电轿跑上市！不足10万起，配激光雷达，纯电续航670Km

当时，OpenAI副总裁Kevin Weil转发了Mark Sellke的帖子并写道：GPT-5刚刚找到了10道此前未解的埃尔德什问题的解，另有11道取得进展，这些题都已经开放了数十年。

3、70年首亏，本田元老组团逼宫，列出CEO三宗罪！直接冲总部喊下课

以万拿机器人参与「618」仓储分拣真实作业的实践为切入点，万拿机器人 CEO 程二亭、产品总监方知远与次元造物董事长龚海、极新科技 CEO 姜稳及《苏肆观澜》主编张程展开深入交流，共同探讨具身智能规模化落地的场景路径、核心部件的产业价值，以及行业未来能否诞生属于自己的「宁德时代」。

4、停了口服过敏药，十几年花粉过敏第一次鼻子没塞，只因做对了这些

技术报告地址：https://arxiv.org/pdf/2607.05471 「单文件跑分高」和「项目里真能干活」，是两码事 必须要认清的现实：让AI「补一段函数」和让AI「干完一件工程活」，是两个量级的能力。

5、深圳地铁：“听劝，马上改！”

判断标准叫「经验密度」——录画面和关节角度，那是「一小时录像」；同时记下任务目标、物体状态、动作质量、错在哪、结果如何，才叫「一小时经验」。

真正的问题也随之而来。

今天它们拼的是积木，明天要拼的，是制造业里那20%仍然离不开人手的工序。

6、三年漫索长安米——文徵明在北京的三年半时光

左侧比较不同主流模型，右侧比较不同尺寸 Qwen 模型。

到了Agent时代，这套玩法正在失效。

7、名创优品，用偷窥女性做营销？

AISI 测试中，DeepSeek V4-Pro 偶尔拒绝逆向工程类任务，但靠少量重试也能绕过。

Web、iOS、Android三端同步，从免费版到企业版，全球所有计划同步开放。

8、国家能源局正式发布中国绿证价格指数

常规导航用于人类出行，地图精度有限。

复盘阶段，他们又派出LLM分析智能体，把17000多条攻击事件全量啃了一遍—— 还原时间线、提取失陷指标、剥离诱饵动作。

这家公司用自己的节奏，走出一条独特的端侧AGI之路。

9、传奇大女主，落幕

首席AI架构师正将各部门AI编程工具统一到Google Antigravity的底层架构下，在DeepMind内部成立了专项AI编程团队，但为时已晚。

第三步，交付：AI完成修改，输出可以直接交给老板的成品。

10、高开低走！亚足联9队世界杯全部淘汰 澳洲日本止步32强

我把一个相对复杂的任务抛给灵犀专业版： 做一个国内顶尖AI人才流动的可视化HTML页面，分析大厂之间的人才流动，用我喜欢的PPT风格呈现。

Bloom的评价是：GPT在Korsky的提示下，只用了1页简单的调和分析技巧，就证出了比Beck那篇44页Annals论文更强的结果。

1、胡锡进：我不支持双开霸车位的副处长，一点小事大动干戈真可悲

一位开发者Pankaj Kumar体验后，率先对V4的性能做了一个中肯的总结： 整体表现接近Opus 4.8级别，编码直追GPT-5.6 Sol； Agent能力大幅增强，3D和SVG生成显著变好； 同样一个任务，V4所需的迭代轮数，比Fable 5多。

2、伊朗最高领袖：腿被炸断，面部严重受伤！

不同于常规产品发布，本次沙龙聚焦机器人如何跨越从技术演示到真实交付的产业门槛。

3、荷兰的表现太令人失望了，有点后继无人的感觉

合作推进的速度很快。“他说数学是宇宙的真理”，高中老师回忆邓煜少年时代：爱围棋、专注力超强常规导航用于人类出行，地图精度有限。

4、上海德云社开业才5天，反常的一幕发生了，郭德纲于谦押错宝了？

它意味着机器或许正在跨过那条线——从「反复搜索、终于找到」，走向「一次落笔、一步不错」。

5、春招心碎大学生，涌入约会软件找工作

国产算力的「出海大后方」 而且，清程极智提出更宏大的生态战略——让国产算力以Token的形式，扬帆出海。

6、巴西出局3人负全责！安帅变阵失败+主力罚丢点球，哈兰德打爆加布

下一站，是物理世界 讲到这儿，都还是数字世界里的事。

但方向很清晰——未来每个打工人，都应该有一个真正懂自己的AI助理。

那个能写出绝妙反例的大脑，不再需要经历漫长曲折的学术顿悟，它只需要充足的 Token 和90分钟的推理。

7、鞋子专场

面壁是一家追求通用人工智能的大模型公司，并选了一条区别于云侧的路线：端侧。

早期实测显示，该模型在前端界面生成与空间推理方面表现极差，被用户戏称为「史上最差」。

8、被理解究竟是一种什么感觉？很多人一辈子都没体验过

业界习惯「对的留下、错的扔掉」，KwaiKAT偏要在失败里淘金—— 很多失败其实只差临门一脚，方向对、定位准，就缺一个关键判断。

视频里，Chloe站在泰坦尼克号的三等舱甲板上。

泄露没有消失，只是换了通道。

参考资料： https://www.aisi.gov.uk/blog/how-far-behind-the-frontier-are-leading-open-weight-models-on-cyber https://github.com/mas-bandwidth/patreon/blob/main/BUGS.md https://www.patreon.com/MasBandwidth/posts/important-news-164199395 编辑：马可新智元报道 【新智元导读】VLA模型已经会做任务，但真实机器人还是慢！PolicyTrim是一种优化VLA机器人执行效率的方法，无需重新训练。