Architect Labs 發佈 AI 全程設計的 Frostbite CPU,25 項負載每瓦性能為對比核心 4.59 倍
Architect Labs 發佈通用 CPU Frostbite,官方稱其指令集、微架構、RTL 至最終版圖均由 AI 系統端到端完成,25 項負載的每瓦性能幾何平均為對比核心的 4.59 倍。
Architect Labs 發佈通用 CPU Frostbite,官方稱其指令集、微架構、RTL 至最終版圖均由 AI 系統端到端完成,25 項負載的每瓦性能幾何平均為對比核心的 4.59 倍。
Sumama-Jameel 公開 Megabit Trajectories,收錄 66 段經實際執行及驗證的編碼智能體軌跡,合計超過一百萬個模型 token。與四個較大型數據集比較時,SWE-Gym 在作者自訂的每萬 token 錯誤恢復配對數指標上以 10.72 比 6.48 領先,SWE-smith 的最長重試鏈則為 64 比 4;作者亦公開自己在規模等項目落後。
alphaXiv 推出面向 AI Agent 的預印本伺服器,讓不同實驗室的 Agent 在同一平台自主研究、提交成果並交流,平台地址為 https://www.alphaxiv.org/abs/2611.society-ai-scientists。
Sumama-Jameel 免費公開 megabit-trajectories 編碼軌跡數據集,收錄 66 段錄製及 2,541 次真實工具呼叫,採 MIT 授權並附驗證腳本:https://github.com/Sumama-Jameel/megabit-trajectories。
SpecGuard 是一款免費、在瀏覽器運行的基準工具,用來測試 AI 編碼智能體能否按需求撰寫驗證測試,而非照抄現有程式行為。SpecGuardBench 的 291 個 Python 任務中,表現最佳的智能體驗證框架忠實度為 62.9%;參考程式有錯時,忠實度下降 19 至 31 個百分點。
Google Research 公佈 Antigravity 的 /teamwork 結合 Gemini 4 models 在數學、科學及工程任務上的多項成果,並向外部研究人員和開發者開放相關工具。
推薦理由:文章以數學、化學與系統工程案例,呈現 /teamwork 如何透過並行探索、獨立驗證和任務分工支援長程研究工作。
Google DeepMind 開放 WeatherNext 3 所依託的 SatWeave 與 PARDIG 數據集,提供即時數據流及 CC BY 4.0 授權;PARDIG 歷史檔案涵蓋 1999 年至 2026 年。
Ropedia 發佈 Physical AI 數據集 Xperience 2,將真實場景掃描與人的第一視角活動記錄對齊,涵蓋場景幾何、影片、軌跡及身體姿態。本次發佈包括 1,589 個場景、12 類真實空間;技術報告展示把掃描場景轉成可互動模擬環境,以及將人體動作重定向為機械人軌跡等用途。
LlamaIndex 推出 ParseBench-2 文件解析基準,以按錯誤嚴重程度校準的確定性指標,令評分更貼近人工判斷。資料集由 2.1k 擴至 4.3k 個案例,涵蓋文字、表格、格式、圖表、版面及表單六個維度,並納入 330 多種錯誤類型。資料集、評測程式碼及評分準則已公開;在 41 組配置中,LlamaParse Agentic Plus 以 89.8 分排名第一。
Meta FAIR 研究人員發佈 e-means,這款迷你批次 k-means 演算法只需 1.4 至 2.6 個 epoch,便達到 Lloyd k-means 執行 25 個 epoch 的損失水平。
Google DeepMind 開放 SatWeave 和 PARDIG 的即時資料及歷史檔案,供研究人員和開發者用於天氣、水文及氣候應用。SatWeave 每小時更新,涵蓋 17 個可見光、水汽及紅外線通道;PARDIG 提供時間解析度為 15 分鐘、約 10 公里解析度的全球降水圖,平均延遲約 5 小時。
推薦理由:兩套數據集分別提供全球衞星影像拼接與降水估算,並開放即時資料和歷史檔案,呈現它們支援天氣、水文及氣候應用的資料基礎。
Elith 與 NVIDIA 發佈 Nemotron-Personas-Finance-Japan,提供 900 萬個用於 AI 開發的日本金融合成人物。資料集加入家庭財務、理財行為及金融素養資訊,採 CC BY 4.0,供商業及非商業用途,讓團隊測試面向客戶的系統而不使用真實客戶紀錄。
Elith 與 NVIDIA 發佈 Nemotron-Personas-Finance-Japan,這是一個以日本官方統計及家庭金融資訊為基礎、供金融 AI 開發使用的合成人物資料集。資料集共包含 9M 個人物設定,每筆記錄涵蓋 50 個欄位,並以 CC BY 4.0 授權提供商業及非商業使用。它可用於建立客服智能體、評估銷售對話和市場推廣、進行用戶模擬,以及紅隊測試面向客戶的 AI。
推薦理由:資料集把日本官方人口與勞動統計、家庭財務及金融素養欄位結合,並列出客服智能體、用戶模擬和公平性測試等具體用途。
Ai2 於 2026 年 11 月 6 日發佈 ToyBlocks,作為 FoundationWorlds 首個環境,結合開放式機械人模擬、生成示範、兩個已訓練模型及評估工具,支援可重複的機械人學習實驗和失敗追查。
Zyphra Research 發表 ZYFA,為 AMD Instinct MI355X 提供 FP8 及 BF16 causal prefill attention kernels。
Anthropic 開源 FlashProve 原型,讓任何人核實 AI 回覆是否由服務供應商聲稱使用的模型生成。
Anthropic 發佈開源研究原型 FlashProve,利用 zkSNARK 證明 AI 回應由所聲稱的模型生成,而不披露模型權重。
Anthropic 正在開發開源系統 FlashProve,透過密碼學證明驗證 AI 輸出是否來自指定模型,並已公開技術規範及各組件的可運行程式碼。模型指紋可與特定輸出匹配,驗證來源時不會洩露模型權重,用戶亦可在本地裝置完成驗證。相關研究仍在進行,Anthropic 尚未計劃在自家或其他 AI 實驗室部署 FlashProve。
Anthropic 正在開發開源系統 FlashProve,透過密碼學證明驗證特定 AI 輸出是否來自指定模型。AI 實驗室可為已發布的模型提供不洩露權重的指紋,使用者可在本地裝置完成驗證;相關技術規範及可執行程式碼已按開源授權在 GitHub 公開。研究仍在進行,Anthropic 目前沒有計劃在自家或其他 AI 實驗室部署 FlashProve。
Anthropic 開源 FlashProve,利用零知識證明,讓模型服務商可在不公開模型權重的情況下,證明回答由指定模型根據相應輸入生成。在總參數量 400B 的 Llama 4 Maverick 測試中,單張 NVIDIA H100 的證明生成吞吐量約為 110 Token/s,每份證明約 18.78 MB。
Collinear AI 推出 CWE-bench v2,開放 100 項任務,供用戶評測模型在真實開源程式庫中尋找並修補安全弱點的能力。任務涵蓋 91 種 CWE,公開任務集、評分器及執行框架;評分採程式化檢查,所有任務亦經人工審查。
Google AI & Infrastructure 於 2026 年 11 月 3 日公開 Physical-Engineering’s Last Exam(PLE)的 29 項任務、評分工具及評估容器,並開放智能體競賽與排行榜。
Anthropic 發佈 FlashProve,一個用於大型混合專家語言模型可證明推理的開源原型。以 4-bit 量化的 Llama 4 Maverick(400B 參數)測試時,單張 H100 每秒可生成約 110 tokens,每個 1,024-token 請求的證明約 19 MB;驗證在 24 條執行緒下需 17 秒。
作者以三個本地模型生成 1,199 個 Python 腳本,發現 1,410 條安裝建議中有 212 條指向 PyPI 上不存在的套件;從頭重跑後,162 個虛構名稱中有 161 個再次出現。
Google DeepMind與世界資源研究所開發ForTy全球森林地圖,將2020年全球土地劃分為6類,底層數據解像度為10米。該地圖為歐盟《零毀林產品條例》(EUDR)提供參照;專家核查8,190個抽樣地點,整體正確率為90.2%,但樹作物及人工林的辨識率僅約一半。地圖、分類層及測試數據以CC BY 4.0免費提供,程式碼已發布於GeeFlow和JEO儲存庫。
SecurityScorecard 發佈開放式 TPRM Benchmark,評估 AI 模型處理第三方風險管理工作的能力及抵禦攻擊的表現。測試涵蓋風險暴露分流、第四方技術風險,以及提示詞注入和越獄攻擊;能力評分以 L0 至 L4 標示自主作業準備度,攻擊抵抗評級則為 A 至 F。
Artificial Analysis 發佈 Intelligence Index v5,重構基準評測,並同步推出 Progress Index v1。v5 的九項評測有 60% 權重採用私有測試集或隱藏答案,編碼部分納入 Cognition 的 FrontierCode 2.0,按維護者是否願意合併 PR 評分。
Artificial Analysis 發佈 Intelligence Index v5,並推出 Progress Index v1,以單一能力尺度比較 2022 年 11 月以來發佈的語言模型。
UC Berkeley 的 Sky Computing Lab 建立開源向量索引 LEANN,將 60M 個 chunk 的 Wikipedia 索引由 201 GB 縮至 6 GB,方法是在查詢時重算嵌入向量。
IBM 與 Kaggle 推出 ScarfBench Java 框架遷移排行榜,Kaggle 已在其平台獨立重現評測,並將長期維護排行榜及加入新模型。在 204 項遷移任務中,Gemini 4 Argon 搭配 Antigravity 以 75.2% 冒煙測試分數排名第一;Claude Opus 5.5 搭配 Claude Code 的全測試通過率最高,為 72.1%。
AI21 Labs 於 2026 年 10 月 25 日發佈 LIFT-Bench、34,258 個任務的 LIFT-Train 及生成管線,將任務內容納入 RL 獎勵。
ThinkingBox-Training 已在 GitHub 開放,將智能體完成任務後的資料庫終態可執行檢查用作後訓練獎勵。以 GRPO 對 Qwen3.8-27B 訓練 50 步後,在 ThinkingBox-Bench 的 507 項任務(每項測試 20 次)中,pass@1 由 51.70% 升至 60.78%,20 次全部成功的任務由 38 項增至 107 項。
推薦理由:文章展示如何把資料庫終態的可執行檢查轉成智能體後訓練獎勵,並按基礎策略成功率篩選任務,説明混合成敗回報如何為 GRPO 提供組內對比。
Sierra 推出 𝜏-Entity,這項基準以 200 項任務、10 類資料欄位評估語音智能體擷取資料、察覺可能錯誤及修正錯誤的能力。排行榜涵蓋 𝜏-i18n 的六種語言,GPT Live 1 在一般通話中準確擷取資料的比例為 60.3%,但三種環境皆成功的 Pass³ 僅為 34.0%。
10月13日,瑞典國防研究局(FOI)發布 AI 系統 WiFireNet,利用 Wi-Fi 信道狀態資訊(CSI)非侵入式識別隱藏手槍。在受控室內環境中,手槍檢測平均精確率為 72.5%,定位精度為 53.8%。系統目前處於實驗階段,原型採用 802.11a,後續計劃升級至 Wi-Fi 7/8;項目已開源程式碼、模型與數據集。
阿里 Qwen 團隊開源 BlenderWorld,這是一套評測視覺智能體在 Blender 中完成真實 3D 創作任務的基準。它包含 223 個任務和 2,651 條標準,涵蓋 9 大類、22 個子類,要求提交可編輯的 .blend 工程,並按需提供渲染圖、影片或模型匯出檔。
NVIDIA 與 IIT Madras、AI4Bharat 介紹 Nemotron-pretraining-Indic-v1,這套涵蓋 22 種印度語言、約 2.8 trillion tokens 的預訓練語料及 GPU 加速開源生成流程即將推出。
推薦理由:文章交代語料的語言與文字系統覆蓋,並拆解翻譯、品質評估及修復流程,呈現這套生成配方如何按不同語言工作流調整。
Datalab 發佈 OmniParseBench 開放 OCR 基準,以 16,288 項是非判定測試評估 2,937 頁及 2,343 份文件,涵蓋 92 種語言。
研究團隊介紹 OpenSage,一套讓 AI 自行建立智能體拓撲、生成及管理工具,並管理階層式記憶的智能體開發套件(ADK)。
OpenHands 推出 OpenHands Index(https://openhands.dev/blog/openhands-index),這個持續更新的排行榜按能力、成本和執行時間評估語言模型在五類軟件工程任務上的表現。
Harvey 的 LAB-AA v1.1 新增按任務來源文件核查模型幻覺,重大幻覺會令任務在 Hallucination-Gated All-Pass Rate 中得零分。