Cognition SWE-2 拿下 92.8 分,Terminal-Bench 纪录背后的三个疑问
第三方评测站 tokenstead.ai 放出 SWE-2 成绩,刷新 Terminal-Bench 2.1 纪录。92.8 分背后是模型、工具集还是工程闭环?先别急着下结论。
竞赛数学接近满分,真实研究翻车不断。菲尔兹奖得主亲自下场,这场争论戳穿了 AI for Science 的牛皮。
第三方评测站 tokenstead.ai 放出 SWE-2 成绩,刷新 Terminal-Bench 2.1 纪录。92.8 分背后是模型、工具集还是工程闭环?先别急着下结论。
Hugo Vergnes 用不到一千美元从头训练 3.8B 模型 little-lm-3-8b,CORE 拿到 0.384。这件事最大的价值不是省钱,而是把"小模型能训到什么程度"这件事量化了。
DeepSeek V4.1 Flash 官宣全维度超过 V4 Pro,9 月 10 日上线后,Pro 用户请求会被静默重路由到 Flash、按 Flash 价格计费。过渡期没文档、没 SLA 说明,企业 to B 合同要先对账。
OpenAI 官方博客放出案例,用 AI 辅助运行真实的量子计算实验。没有 benchmark,但暴露了 Agent 在科研场景里到底能干什么、不能干什么。
Inception Labs 把扩散式大模型做到了 1000+ tok/s,专攻代码生成。和 GPT/Claude 的自回归路线彻底分家,这事值得认真看看。
主线跳到 3.8,还塞了个 Cyber 安全变体。Google 在学 AWS 的 SKU 刀法,还是在赌垂直模型这条路?
productrise.app 实测发现,Google AI Mode 推荐的产品均价比传统搜索高 21.6%。问题不只是数字本身,而是贵的产品被算法顶到了首位——AI 搜索的商业化,比传统搜索更早撞上监管。
Armature Tech 跑了 17k 次任务,统计三款主流编码 Agent 主动安装/调用的工具组合。数据里有些偏好挺反直觉——贵的模型反而更懒。
OpenAI 发布 GPT-6 Astra,重点加入原生 Agent 能力。本文核对模型定位、基准表现、System Card 和开发者影响。
Show HN 上 36 分的项目,用同一个模型跑 9 种 harness,最贵和最便宜的 cost per pass 差了 17 倍。Agent 框架的选型,可能比换模型更影响账单。
METR 发了份独立调查报告。两个 AI 巨头在同一时间窗被渗透,入侵路径不是模型权重,而是更上游的东西。