领域
数据与评测
数据集、基准与评测方法
资讯：14 · 最新在前
2026年10月13日
-
论文《AI模型可以可证明地隐藏任意能力》发布于arXiv，在Hacker News引发关注（社区消息）
一篇题为“AI Models Can Provably Hide Arbitrary Capabilities”的论文发布于arXiv（2610.13928），在Hacker News上获得149分和78条评论。输入资料中只有标题和链接，未能确认作者、方法和具体结果。
-
Arm联合Fujitsu、Meta、OpenAI提出智能体时代数据中心CPU评估标准：“每机架性能最高1.99倍”（报道）
据韩国《人工智能新闻》报道，Arm于13日（当地时间）在Fujitsu、Meta、OpenAI的支持下推出了面向智能体AI工作负载的CPU性能评估方法。该方法不看单纯的运算速度或核心数，而是看多个智能体同时进行工具调用、搜索和代码执行时完成的工作量，以及在有限功耗和空间下能维持的吞吐量。
-
Microsoft Research发布“StudentSim”：通过模拟学习者，在实际投用前评估和改进AI辅导工具
Microsoft Research介绍了研究系统StudentSim，可在AI辅导工具面向真实学习者测试之前对其进行评估和改进。该系统对单个学习者会如何与辅导工具互动进行建模，并据此在国际象棋、写作、数学等多个科目中提供提升辅导表现的反馈。输入资料中未能确认公开范围（代码、论文）。
-
美国监管空白下，METR、Apollo Research、Transluce等第三方AI评估机构崛起，面临资金和独立性挑战（报道）
韩国媒体AI Times援引CNBC 10日（当地时间）的报道称，在美国联邦政府对AI监管态度消极的情况下，METR、Apollo...
2026年10月12日
-
Sakana AI 发布可发现论文核心错误的 LLM 同行评审系统，检出 73% 以上人为植入的矛盾和错误（报道）
Sakana AI 研究人员于 8 日（当地时间）发布论文“Beyond Imitation”，提出新的评估基准“矛盾基准”（Contradiction Benchmark）和多层评审系统。据报道，该系统找出了论文中人为植入的逻辑矛盾和核心错误的 73% 以上。以往的...
-
Epoch AI“InnovationEval”：最新模型仍难以比肩人类的算法创新（社区消息）
Epoch AI 的 InnovationEval 用于检验 AI 能否从构思到实现、实验和分析全程自主完成，创造出可与人类开发的后训练方法 SDPO 相媲美的新方法。评估为 Claude Fable 5 和 GPT-5.6 Sol 每次评估提供 3,000 GPU...
2026年10月11日
-
Arena拟用融资推出衡量AI安全性与可靠性的“对齐指数（Alignment Index）”（报道）
AI Times援引彭博社报道称，AI模型评测平台Arena在2亿美元B轮融资中获得31亿美元估值。新内容是资金用途：Arena将在现有模型性能比较之外，把业务扩展到衡量AI安全性和对齐水平的“对齐指数（Alignment Index）”。报道未提及具体测量方法和公开时间表。
2026年10月9日
-
Microsoft研究人员发布基准“ThinkingBox”，检验智能体重复同一任务20次能否都成功（社区消息）
一位自称就职于Microsoft的论文作者在Reddit...
-
NVIDIA KGMON团队获KDD Cup 2026数据智能体赛道第二名，公开“把harness做小”的设计思路
NVIDIA KGMON团队在KDD Cup 2026 Data Agents竞赛中获得第二名。团队以“让智能体harness更小”这一简单思路设计了系统，并整理公开了构建可靠数据分析智能体的方法。
2026年10月8日
-
SemiAnalysis：同为月费 200 美元的套餐，Claude Opus 5.5 的使用价值是 GPT-6.1 Sol 的 5 倍以上（报道）
据 AI Times 报道，SemiAnalysis 于当地时间 6 日公布了其亲自测量的主要 AI 订阅服务实际使用额度。结果显示，在月费 200 美元的套餐中，Claude Opus 5.5 的可用量按 API 价格折算，其价值是 OpenAI GPT-6.1 Sol...
-
a16z“2026 消费级 AI 应用 Top 100”：ChatGPT 保持领先，Claude 位列网页端第 3（社区转述）
据 GeekNews 摘要，在 a16z 发布的 2026 年消费级 AI 应用 Top 100 中，ChatGPT 在网页端和移动端使用量以及美国消费者支出方面均保持第一。Claude 升至网页端第 3 名，超过 DeepSeek 和...
-
Biohub“虚拟细胞”数据项目因美国政府加入，扩大至总规模 18 亿美元（报道）
据 AI Times 报道，由扎克伯格夫妇创立的非营利研究机构 Biohub 于当地时间 7 日宣布，将与美国政府及大型科技公司共同推进总规模 18 亿美元（约合 2.4 万亿韩元）的项目。核心是构建面向 AI...
-
LMArena 运营方 Arena 融资 2 亿美元，10 个月内估值约翻倍至 31 亿美元（报道）
据 TechCrunch 报道，运营 AI 模型排行榜 LMArena 的 Arena 完成了由 Lightspeed 和 Khosla 领投的 2 亿美元融资。估值达 31 亿美元，10 个月内约翻了一番。该公司还正将模型评估范围扩展到说谎等对齐相关问题。
2026年10月7日
-
报道称 Google DeepMind、Meta 和 Isomorphic Labs 向扎克伯格夫妇的 Biohub 共同投资 3 亿美元，构建“虚拟细胞”数据
The Verge 援引路透社报道称，Google DeepMind、Meta 以及 AI 新药研发公司 Isomorphic Labs 将向马克·扎克伯格和普莉希拉·陈夫妇创立的非营利生物医学研究机构 Biohub 共同投资 3 亿美元。这笔资金是规模 18...