DeepSWE 刷高分之后,AI Agent 基准还能信吗
MaxxBench 追问 DeepSWE 高分是否真实、能否复现。本文拆解代码 Agent 基准的四个缺口,并给出可复现评测与任务级报告方案。
消费级脑电设备开始采集用户数据用于 AI 训练。真正的问题不只是隐私条款,而是用户能否拆分授权、撤回数据,并追踪数据流向。
MaxxBench 追问 DeepSWE 高分是否真实、能否复现。本文拆解代码 Agent 基准的四个缺口,并给出可复现评测与任务级报告方案。
微软正终止或缩减向 Oracle 租赁 AI 云容量的协议。这不是 AI 需求消失,而是长期算力承诺开始接受利用率检验。
Village.dev 认为闭源模型占据价格—性能前沿。对 Agent 团队,更该算的是每次成功任务的总成本,包括重试、工具调用与人工接管。
陶哲轩讨论 AI 参与数学研究后,作者声誉、验证机制和责任链该如何变化,以及 AI Agent 在数学工作流中的实际角色。
第48号公告不是全面禁止大模型出口。企业应按物项、交易主体、最终用途和许可要求,逐项判断 API、模型、算力及技术服务是否命中管制规则。
Postgres 19 因缺陷增多而延期。本文从代码审查、测试、修复和维护成本入手,分析 AI 辅助编程为何可能拖慢数据库发布,并给出更可靠的工作流。
Martin Fowler 讨论语音大模型与实时应用架构。真正难的环节,不只是把 ASR、LLM 和 TTS 串起来,而是控制端到端延迟、打断与系统状态。
Claude Duet 的重点不是新模型,而是用多个专业 Agent 分担任务,并围绕权限、状态和失败恢复构建个人助理工作流。
《Stanford Daily》质疑 Claude 训练数据涉及非法取得的教授著作。本文拆解购买、授权与训练使用的关系,并讨论模型公司应如何证明数据来源合法。
Cohere 披露某款开放权重模型的异常行为,但公开摘要未说明模型、触发条件和复现数据。本文从 Agent 执行链、工具权限和日志记录入手,给出可落地的排查清单。
围绕 arXiv 论文与 Hacker News 热议,拆解 LLM 输出难懂的原因,并给出适用于 AI Agent 的可理解性验收清单。