THE NEXT THING, IN PERSPECTIVE独立 AI 资讯站

最新 AI 新闻,即刻看见。

汇聚官方发布与行业报道,沿着时间线,看清 AI 正在发生什么。

TODAY’S BRIEFING

近期要闻

进入资讯流
AI NEWS × FOXAI从信号发现下一步

从发现前沿资讯,到找到趁手的工具。

探索 AI 工具

发现好用的 AI

左右滑动探索 →
MemoAI音乐与音频

MemoAI 是一款 AI 驱动的音视频转文字工具,支持本地化处理,无需上传数据,保障隐私安全。它可将 YouTube 视频、播客及本地音视频文件(如 MP4、MP3、AAC、M4A 等)高效转录为文本,并提供多语言翻译、说话人分离、实时字幕、浮动笔记等核心能力,适用于会议记录、访谈整理、内容学习等场景。

AI音频工具分类推荐榜首价格待核验查看详情
Kiro编程与开发

Kiro 是面向开发者的 AI 工程工具,可将需求整理为规格、架构与任务,通过智能体实现代码,并结合属性测试、执行记忆和开发工具集成支持从规划到代码审查的流程。

AI编程工具分类推荐榜首有免费入口查看详情
AI Short写作与内容

AI提示词管理和共享平台,多种场景的快捷指令

AI提示指令分类推荐榜首价格待核验查看详情
EvoMap智能体与自动化

EvoMap 是面向AI Agent经验复用的基础设施,通过GEP协议组织可复用策略与带验证记录的修复资产,提供市场和质量排序,帮助不同Agent发现、评估及继承已有能力。

分类推荐榜首价格待核验查看详情
Open Design设计与 3D

OpenDesign 是开源设计工作区,可连接本地编程智能体、自带模型密钥或使用云端模型,围绕设计系统生成和编辑原型、网页、演示与图形;本地软件免费与模型服务费用需要区分。

AI设计工具分类推荐榜首有免费入口查看详情
JAX模型与基础设施

JAX 是一个面向加速器的 Python 数值计算库,专为高性能数组计算与大规模机器学习设计,支持在 CPU、GPU 和 TPU 等多种硬件后端上高效执行相同代码。

AI开发平台分类推荐榜首价格待核验查看详情
IamIP行业应用

IamIP是一个专利平台,提供AI驱动的搜索、分析和监控工具,帮助用户更高效地进行专利研究和管理。

待评分 · 分类列表推荐价格待核验查看详情
Rows数据与分析

Rows 是结合 AI 分析、数据集成与可交互报表的表格工具,可用自然语言整理文档和业务数据、合并数据集、生成报告与计算模型;当前官网提示已加入 Superhuman,并提供对应的继续使用入口。

AI表格数据处理待评分 · 分类列表推荐价格待核验查看详情
妙播营销与电商

腾讯广告推出的AI直播电商解决方案

待评分 · 分类列表推荐价格待核验查看详情
AssemblyAI音乐与音频

AssemblyAI 是面向开发者的语音 AI 平台,提供预录音、实时和短片同步转录 API,并结合说话人、情绪、章节与摘要分析,以及语音智能体、听写和敏感信息处理等能力构建语音应用。

AI音频工具待评分 · 分类列表推荐价格待核验查看详情

AI 正在发生

1530 条已发布资讯
模型评测与基准 · 研究论文 · 6 条资讯清除筛选 ×
2026-11-13
沿着时间,追踪变化
13:00

ToolTurns:多轮对话中 LLM 智能体的基准测试

arXiv:2611.14925v1 公告类型:新 发表摘要:使用工具的语言模型正越来越多地应用于对话场景,但大多数大规模工具使用基准测试都聚焦于孤立的请求。我们提出了 ToolTurns 基准,包含 2,620 个问题,涵盖 1,827 种工具和 11,004 个 API 端点,涉及 47 个类别。每个对话均从一个有意描述不充分的请求开始,并通过两个依赖上下文的后续请求延续,以测试澄清、工具使用以及对话上下文的保持能力。我们还引入了一个开源用户模拟器,该模拟器可通过对话揭示被隐藏的上下文并生成后续请求,并配备了一个检查—修正流水线来改进其对话轮次。在九个语言模型中,表现最佳的智能体能够解决 69.6% 的单个请求,但仅完成 39.8% 的完整对话。根据这一评估协议,所有受测模型在后续请求上的成功得分均低于初始请求,而对话质量评分与任务成功率对模型的排名可能大相径庭。成对的轮次级评估表明,检查—修正流程能减少检测到的对话缺陷,且盲测的人类评价更倾向于修订后的对话轮次。ToolTurns 为评估智能体能否在使用工具的多轮对话中持续达成任务目标提供了测试平台。

模型评测与基准阅读原文
2026-10-30
沿着时间,追踪变化
12:00

暴露并不等于承诺:针对使用工具的智能体的潜在监控器的双层评估

arXiv:2610.37679v1 发布类型:新 摘要:使用工具的语言模型容易受到间接提示注入的影响,而越来越多的研究试图通过探查模型内部来在不安全操作执行前将其捕获,但所得结果却存在严重分歧。我们认为,这种分歧很大程度上源于评估方法上的缺陷,并提出了一种双层评估协议:在评估与训练数据集中,将“提示注入”与“行为承诺”加以分离。在主要的Qwen AgentDojo基准测试集上,那些基于朴素的“不安全与其余”混合对比进行训练的监控器,大多仅学会识别“暴露”:它们会标记出所有被暴露的轨迹,无论智能体是否真正执行了相应操作,且几乎无法预测哪些情况最终会导致不安全行为。而当仅针对已暴露案例重新训练后,同一类探测器便能预测模型自身发出的不安全工具调用,时间延迟长达两秒。

模型评测与基准阅读原文 事件进展与其他报道
12:00

评估与改进用于理解测序协议的 AI 智能体

arXiv:2610.37851v1 发布类型:新 摘要:现有的科学智能体基准测试很少评估智能体是否能够重建测序协议所指定的精确分子结构和生成流程,而这一能力对于分析定制化测序实验至关重要。我们提出了 LibStructBench,一个基于文档的基准测试,用于重建测序文库结构和分子工作流程。我们的实验表明,前沿的智能体通常能够生成大致正确的重建结果,但在精确重建方面仍不够可靠,尤其是在分子状态表示和工作流程连通性方面。更换底层语言模型所带来的平均性能差异,甚至大于更换智能体框架所产生的差异,且这种差异具有统计学上的显著性。

模型评测与基准阅读原文 事件进展与其他报道
2026-10-26
沿着时间,追踪变化
12:00

BARC基准测试:良性请求,风险后果

arXiv:2610.32024v1 发布类型:新 摘要:用户向智能体发出的任务指令往往存在固有的表述不充分问题,尤其是在安全边界方面——这会带来行为风险。为研究此类风险,我们提出了 BARC-Bench 基准,它包含涵盖九种模拟工作空间环境的 110 项任务,在这些环境中,看似无害的请求可能会为不安全操作留下可乘之机。在该基准中,我们依据工作空间记录、隐含的环境背景以及未明示的社会规范所设定的安全边界,对智能体的行为进行评估。例如,当一个智能体被要求安排离职面谈时,必须在不通过共享日历邀请过早暴露员工辞职信息的前提下安排会议。通过对四种前沿模型配置在每项任务上进行五次尝试的评估发现,m

模型评测与基准阅读原文 事件进展与其他报道
12:00

可复现的评估作为生产型智能体中安全提示压缩的基石

arXiv:2610.31972v1 发布类型:新 摘要:评估那些基于实时、动态变化的企业数据运行的对话代理十分困难:由于后端状态不断更新,重放的会话会逐渐偏离真实情况;而今天构建的基准测试,随着其所描述的数据不断演进,也可能在不知不觉中变得过时。我们提出了一种针对生产级对话代理的离线评估框架,该框架能够在所操作的实时数据发生变化的情况下保持可复现性,并且在基准过时时能够按需重新生成。随后,我们将这一框架用作基于GEPA的提示优化的适应度函数,并通过一个正确性约束机制来防范奖励欺骗。将其应用于一款面向商家的生产级代理后,经过正确性约束的压缩处理,可在不降低保留任务正确率的前提下,将代理的完整提示空间缩小3.5%至7.6%。

模型评测与基准阅读原文 事件进展与其他报道
2026-10-24
沿着时间,追踪变化
12:00

研究揭示编码智能体基准测试中的“规范-预言机差距”问题

一篇于2026年10月24日发布在arXiv的论文指出,当前主流编码智能体基准(如SWE-Milestone)存在“规范-预言机差距”:任务自然语言描述未涵盖测试所需的关键实现细节(如常量名、模块路径、精确错误消息),导致评测实际衡量的是对上游代码的复现能力而非真正理解与推理能力。

推荐理由该研究首次形式化定义该类偏差,构建覆盖五种语言的静态审计工具(精度89.2%,召回率92.9%),并在SWE-Milestone中实证发现25个里程碑任务含不可推断的隐式依赖,显著拉高失败率(80.6% vs 48.4%),揭示当前排行榜可能系统性偏爱‘抄名称’型智能体;成果已开源审计工具与修正资源,具方法论与实践双重价值。
模型评测与基准阅读原文 事件进展与其他报道
每一次更新,都留下可追溯的来源。
STAY CURIOUS. STAY INFORMED.

信息很多,值得关注的变化不必错过。

让好奇心有方向,让每一天的阅读更有价值。

通过 RSS 订阅