使用 Inspect Scout 分析 AI 對話紀錄的七步流程
英國 AI Security Institute 與 Meridian Labs 合作開發開源對話紀錄分析工具 Inspect Scout，並在新論文中提出使用它進行分析的七步流程。Inspect Scout 建基於 Inspect，可平行分析數千份對話紀錄，並透過掃描器把紀錄中的特定內容轉為易讀結果。流程涵蓋界定研究問題、整理及抽查資料、設計和驗證掃描器，並將結果用於即時排查或後續研究。
全部AI 動態
全部動態
今日 23 條英國 AI Security Institute：BlogAI 評分5555 英國 AI Security Institute：BlogAI 評分5858 英國 AI Security Institute 發佈 AISI Engineering Playbook，整理前沿 AI 評估方法與實踐
英國 AI Security Institute 發佈 AISI Engineering Playbook，整理其評估前沿 AI 系統時建立的方法與實踐。手冊將評估所需基建分為 Evaluate、Isolate、Connect、Run 和 Scale 五層，並提供技術介紹及現有開源程式碼連結。研究人員可採用個別組件，機構亦可參照五層架構建立自己的評估平台。
Cerebras：BlogAI 評分6262 別再交付 AI 生成的劣質程式碼：Codex Spark 如何改變編碼方式
Cerebras 分享一份 GPT-5.3-Codex-Spark 編碼實踐指南，建議以快速、密集的互動取代長提示詞和多代理並行。GPT-5.3-Codex-Spark 在 Cerebras WSE 硬件上運行，生成速度超過 1,200+ tokens/second。指南建議將工作拆成小目標，逐步執行測試，並以文件和 Git 保存跨工作階段狀態。
Cerebras：BlogAI 評分5454 Codex 配合 Figma MCP，以多智能體將網站 5 個頁面複製到 Figma，耗時不到 5 分鐘
作者以 Codex、Figma MCP 和多智能體協作流程，將網站 5 個頁面近乎完美地複製到 Figma，耗時不到 5 分鐘。流程由主協調 Agent 為每個子 Agent 分配一頁，再審核結果並按需派發修正；作者先用 GPT-5.4-Medium 反覆調整指示，再以 GPT-5.3-Codex-Spark 執行。
Thinking Machines Lab：NewsAI 評分3939 Tinker 徵集社羣項目
Tinker 邀請開發者和研究人員提交社羣項目，並計劃定期在網誌刊出精選成果。徵集涵蓋機器學習研究、微調模型應用、產品原型、數據集及基礎設施；投稿應附研究説明，最好開源程式碼，並展示嚴謹評估和透明結果。
Eugene Yan：WritingAI 評分5858 Eugene Yan 以 Semantic IDs 訓練可調控推薦的 Qwen3-8B 混合模型
Eugene Yan 以 Semantic IDs 微調 Qwen3-8B，訓練出可根據用戶互動及自然語言指令調整推薦的 LLM 推薦系統混合模型。他以 RQ-VAE 將商品嵌入向量編碼為階層式 Semantic IDs，並建立 4.2 million 組涵蓋 ID 與商品描述互轉、下一項預測等任務的對話訓練例子。
Eugene Yan：WritingAI 評分7171 產品評測的三個簡單步驟
Eugene Yan 提出產品評測的三步流程：標註小型數據集、校準 LLM 評估器，並在每次配置變更後執行實驗與評測。他建議採用二元標籤，在 200 個以上樣本中準備 50–100 個失敗案例，並以 75% 樣本校準、25% 留作測試；不同評測維度應使用獨立評估器。
Eugene Yan：WritingAI 評分7373 如何與 AI 協作，讓工作成果持續累積
Eugene Yan 分享一套與 AI 協作、讓工作成果持續累積的方法，涵蓋整理上下文、將個人偏好寫入設定、降低驗證成本、委派較大任務及持續修正流程。他建議以專案索引和 CLAUDE.md 保存背景與偏好，把每週至少做一次的工作整理成按需載入的技能，並根據工作階段紀錄修訂設定。
Eugene Yan：WritingAI 評分6767 構建網絡安全評測的設計模式
Eugene Yan 梳理多個網絡安全基準，歸納智能體評測的共同設計模式，並比較它們衡量漏洞發現、重現與利用能力的方法。文章將常見設計概括為沙盒目標環境、影響任務難度的資訊、工具和評分器，並介紹 Cybench、CVE-Bench、CyberGym 等基準如何提供部分分數或按攻擊階段分級。
Cohere 產品與研究博客AI 評分3232 企業生成式 AI：應用案例、效益與採用方式
企業可用生成式 AI 搜尋及整合知識、創作內容、提供對話支援、協助軟件開發與數據分析，並自動化多步工作流程。用得其所可提升生產力和工作質素、擴大個人化體驗，並加快創新。採用時須先確認生成式 AI 能否切合具體業務需要並值得投資，避免在缺乏明確商業理據下增加成本與複雜程度。
Prime IntellectAI 評分3535 Prime Intellect 探討全球分散式訓練的前沿方法
Prime Intellect 探討全球分散式訓練方法，説明如何整合各地 GPU 資源訓練 AI 模型。文中介紹 Google DeepMind 的 DiLoCo，利用內外層最佳化，讓各運算島約每 500 次更新才同步梯度，以減少通訊負擔。全球部署仍要應對頻寬有限、硬件規格不一、算力變動及容錯等問題。
Fireworks AIAI 評分5353 企業如何邁向專門化智能並訓練自有模型
Fireworks AI 的文章梳理企業邁向專門化智能的路徑，從租用封閉式前沿模型、加入開源模型，逐步走到微調自有模型。在 UIPad 測試中，Kimi K3 與 GPT 5.6 Sol 整體同為 87.7 分，但 Kimi K3 執行成本為 $56，GPT 5.6 Sol 為 $115；按題型分流，可把座標題交給 Sol，其餘題目交給 K3。
Suno：BlogAI 評分5151 Suno Voices：提升人聲品質的 6 個技巧
Suno 分享了使用 Voices 製作高質素人聲的 6 個技巧，涵蓋安靜錄音、事前練習及按曲風配搭聲線。可行的話，建議錄製至少一分鐘的人聲參考；較長錄音能讓 Suno 學習更多內容，令整首曲目的人聲結果更一致。Voices 現已可在 Web、iOS 和 Android 使用，並提供免費試用及付費方案。
Claude：BlogAI 評分5656 Anthropic 分享 AI 驅動程式碼現代化項目的籌備方法
Anthropic 的前線部署工程師分享企業籌備 AI 驅動程式碼現代化項目的六步方法，涵蓋界定目標、驗收條件、變更上線政策、前置準備、智能體工作流程及正式執行。文章建議以 Claude Code 建立按項目調整的工作流程，先在小部分程式碼上端到端試行，再擴展至完整程式碼庫。試行期間可量度 tokens 用量以估算成本，並把計算量大的驗證安排在較簡單的檢查通過後執行。
Suno：BlogAI 評分1717 為何要在 Suno 發佈你的音樂作品
Suno 鼓勵創作者發佈音樂作品，讓作品接觸數以百萬計的聽眾。發佈有助創作者獲得聽眾回饋、瞭解哪些內容引起共鳴，並改善下一首作品。公開作品亦可讓社羣其他創作者重新混音，為彼此帶來靈感。
Claude：BlogAI 評分5959 Anthropic 銷售團隊如何以 Claude Managed Agents 重建銷售查詢流程
Anthropic 以 Claude Managed Agents（beta）建立購買智能體，協助企業客戶瞭解方案並從查詢走到購買。智能體每日處理數千段對話，回答定價、安全及數據問題，並按情況引導結帳、即時答覆或轉交銷售代表。轉交銷售團隊的客戶轉化為銷售機會的比例，是舊表單線索的兩倍以上，成交時間約快五天；客戶可在開始時選擇與智能體或銷售代表洽談。
Google Cloud：DatabasesAI 評分5959 Google Cloud 講解如何以 AlloyDB AI 和 Memorystore for Valkey 實作 AI 智能體長期記憶
Google Cloud 介紹以 Memorystore for Valkey 和 AlloyDB AI 分別處理短期會話快取與長期記憶的 AI 智能體雙層架構。
小米 MiMo：官網發佈與博客AI 評分5454 MiMo-V2.5 系列全流程推理優化實踐
小米 MiMo 團隊介紹 MiMo-V2.5 系列的全流程推理工程優化，涵蓋 KVCache 管理、排程、Prefill/Decode 執行流程及多模態推理。多模態 Encoder 的 QPS 由 15 增至 30，平均延遲由 78.39 ms 變為 80.28 ms；1 小時影片的 Encoder 端到端延遲由 156 s 降至 23 s。
Cerebras：BlogAI 評分5353 Cerebras 教 AI 智能體以自然語言測試 Cloud Console
Cerebras 建立內部 console-prompt-tests 框架，讓 LLM 智能體透過真實瀏覽器，以自然語言執行 Cloud Console 端到端測試。框架可從 PDF 測試計劃或 DOM 基線生成測試，並檢查 PR 覆蓋、評估發布風險和分類失敗；自動修復僅用於 UI 漂移，模型提出修改後須經實時重跑驗證，合併仍由人員批准。發布流程亦會生成發布説明，整個流程約需 20 分鐘。
Databricks：BlogAI 評分5555 Databricks 分享挑選首批高影響力 Genie Agents 的方法
Databricks 分享一套挑選首批 Genie Agents 的方法，建議團隊按五項準則評估候選工作流程，篩選適合作為試點的項目。準則涵蓋業務影響、需求頻率與重複性、數據與元數據準備度、範圍清晰度，以及治理和風險適配度；各項按 1–5 分評分，總分 20–25 可立即開發，14–19 需進一步完善，低於 14 則暫不適合。若沒有業務負責人或高層主管積極支持，即使評分高也應暫緩。
AWS Machine Learning BlogAI 評分5555 Amazon Bedrock AgentCore Evaluations 教學：評估多智能體系統的可解釋性與有用性
AWS 示範如何透過 Amazon Bedrock AgentCore Evaluations，衡量多智能體系統的有用性、任務成功率、業務準確性與可解釋性。文章以虛構零售商 AnyCompany Retail 的供應鏈決策方案為例，逐層結合內置評估器、自訂業務規則及六項可解釋性評估。框架支援開發階段的按需評估及生產環境的線上持續監察，並分開衡量業務準確性與解釋透明度。
AWS Machine Learning BlogAI 評分5858 LangChain 與 Amazon Bedrock Knowledge Bases 的 Agentic retrieval 實作教學
AWS 文章示範如何以 LangChain 在 Amazon Bedrock Knowledge Bases 建立 RAG 應用，並比較標準檢索與 Agentic retrieval 處理多部分問題的方式。
AWS Machine Learning BlogAI 評分5959 Amazon Quick 如何透過 MCP 伺服器自動化跨帳戶資源推廣
AWS 示範以部署在 Amazon Bedrock AgentCore 的 Quick Resource Migrator MCP 伺服器，自動化 Amazon Quick 資源的跨帳戶推廣。
Hacker News：AI 熱帖AI 評分1919 我在共同帶領面向法律及治理從業者的 AI 安全訓練營時學到甚麼
作者分享共同帶領面向法律及治理從業者的 AI 安全訓練營時學到的內容。現有資料只有標題及 Hacker News 貼文資訊，沒有文章正文，無法確認具體心得。
IT之家AI 評分3232 北京首都機場免費 Wi-Fi 使用攻略發布：一次認證有效 3 個月
北京首都機場發布免費 Wi-Fi 使用攻略，旅客完成認證後，認證有效期可達 3 個月，期內再次到訪可自動連線。認證方式包括手機短信、護照、現場 Wi-Fi 取號機，以及首都機場官方微信及小程序一鍵登入；T2、T3 設有 46 台取號設備。Wi-Fi 覆蓋航站樓及停車樓所有旅客可達區域，每名旅客可獨享 15M 帶寬。
IT之家AI 評分5858 如何用好 GPT-6 系列 AI 模型？OpenAI 發佈指南講解選擇模型與優化提示詞
OpenAI 發佈 GPT-6 系列模型指南，介紹按工作負載選擇模型、優化提示詞及調整推理強度的方法。指南推薦 GPT-6 Astra 處理高難度推理、GPT-6.1 Sol 處理複雜編程、研究和電腦使用，GPT-6 Luna 則用於大規模特定任務及明確的日常重複工作。提示詞應交代期望結果、受眾、上下文、限制及完成標準；最高推理強度適合複雜分析、除錯或深度研究。
LlamaIndex：產品、工程與評測AI 評分5555 使用 LlamaIndex 構建並評估 QA 系統
LlamaIndex 提供一套無需 ground-truth labels 的 QA 系統評估流程，依次生成問題、答案與來源節點，再檢查查詢、回答及來源是否匹配。
LlamaIndex：產品、工程與評測AI 評分4040 如何使用 LlamaIndex 和 MongoDB，打造可查詢私有資料的 ChatGPT
LlamaIndex 與 MongoDB 可將私有資料接入 LLM，透過索引檢索相關內容，讓模型據此回答問題。示範以 100 頁的《GPT-4 Technical Report》PDF 查詢，結果指出 GPT-4 在 Uniform Bar Exam 的成績位居考生前 10%。LlamaIndex 也可將文件與索引持久化至 MongoDB，方便後續查詢。
LlamaIndex：產品、工程與評測AI 評分4343 較弱的 LLM 智能體需要更多限制與更好的工具
LlamaIndex 發現，較弱模型驅動的 ReAct 智能體在金融分析資料任務中較難取得相關結果。限制智能體互動，並提供更多能明確執行複雜操作的工具，可改善這類模型的查詢表現。相比之下，GPT-4 較能可靠地運用 ReAct 執行多種複雜資料查詢。
LlamaIndex：產品、工程與評測AI 評分5353 LlamaIndex 與 Weaviate 入門：建立基於 Weaviate 部落格的問答系統
LlamaIndex 與 Weaviate 的教程示範如何為 Weaviate 部落格內容建立問答系統。流程包括載入並切分文件、將內容寫入 Weaviate 向量庫，再由 query engine 執行語義搜尋及答案合成。
LlamaIndex：產品、工程與評測AI 評分5656 使用 LlamaIndex 和 TruLens 構建並評估大語言模型應用
TruLens 最新版本加入對 LlamaIndex 大語言模型應用的追蹤功能，讓開發者評估和記錄實驗，並檢視輸入輸出、模型呼叫及檢索內容。文章示範以回饋函數檢查語言匹配、答案相關性和檢索片段相關性，並在 TruLens 儀錶板查看彙總結果及個別互動紀錄。文中的錯誤回答案例顯示，檢索到相關性不足且不含答案的上下文時，應用可能產生模型幻覺。
LlamaIndex：產品、工程與評測AI 評分4444 如何使用 LlamaIndex 和 Ray 構建並擴展強大的查詢引擎
LlamaIndex 與 Ray 示範構建查詢引擎，根據 Ray 文件及網誌文章回答問題並生成洞察。流程以 Ray Datasets 平行處理索引建置，並用 Ray Serve 部署查詢引擎，涵蓋文件載入、解析、嵌入向量生成及儲存。
LlamaIndex：產品、工程與評測AI 評分3131 LlamaIndex：運用 Text2SQL 與 RAG 分析產品評論
LlamaIndex 示範以 Text2SQL 結合 RAG 分析產品評論，從資料庫查詢並整理產品洞見。示範資料由 GPT-4 生成，涵蓋 iPhone13、SamsungTV 和 Ergonomic Chair，並存於記憶體 SQLite 資料庫。流程先把自然語言問題拆成主、輔助查詢，再以 Text2SQL 擷取資料，最後透過 List Index 根據輔助問題生成答案。
LlamaIndex：產品、工程與評測AI 評分4141 使用 LlamaIndex 評估 RAG 系統的理想分塊大小
LlamaIndex 示範使用 Response Evaluation 評估 RAG 系統的理想分塊大小，並比較不同設定下的平均回應時間、Faithfulness 與 Relevancy。實驗以 Uber 2021 年 10-K 文件生成問題，使用 GPT-3.5-turbo 產生回答，再以 GPT-4 評估回答的忠實度與相關性。
LlamaIndex：產品、工程與評測AI 評分4747 我如何使用 LlamaIndex 打造 Streamlit LLM Hackathon 勝出應用 FinSight
作者使用 LlamaIndex 打造 FinSight，這款在 Streamlit LLM Hackathon 勝出的應用，可從公司年報提取洞見並生成摘要。其 Annual Report Analyzer 以 RAG 和 FAISS 記憶體向量資料庫處理年報，並把查詢拆成子問題，檢索多處脈絡。
LlamaIndex：產品、工程與評測AI 評分5353 用 LayoutPDFReader 掌握 PDF 解析：抽取章節、標題、段落和表格
文章介紹 LayoutPDFReader 解析具文字層的 PDF，保留章節層級、段落、表格和清單結構，並據此生成供 RAG 使用的分塊。文中示範以 LLMSherpa API 讀取 PDF，並用 LlamaIndex 建立向量索引及執行查詢。工具目前不支援 OCR，只能處理帶有文字層的 PDF；原文亦指出，並非所有 PDF 都能完美解析。
LlamaIndex：產品、工程與評測AI 評分4949 LlamaIndex：提升 RAG，挑選最佳嵌入模型與重排序模型
LlamaIndex 使用 Retrieval Evaluation 比較 RAG 流程中的嵌入模型與重排序模型，並以 Hit Rate 和 MRR 評估檢索表現。
LlamaIndex：產品、工程與評測AI 評分3535 用 PaLM、KOSMOS-2 與 LlamaIndex 打造自己的 ChatGPT 視覺原型
作者以 KOSMOS-2、Google PaLM API 和 LlamaIndex 建構 Streamlit 多模態原型，讓使用者上載圖片並就圖像內容對話。KOSMOS-2 生成圖片描述，PaLM 負責對話，LlamaIndex 串接流程；示範版每個工作階段最多可傳送 20 則訊息。
LlamaIndex：產品、工程與評測AI 評分5959 使用 LlamaIndex 微調 Cohere Reranker，提升檢索表現
LlamaIndex 示範微調 Cohere reranker，並報告自訂 reranker 在該測試中的檢索指標有所改善。
LlamaIndex：產品、工程與評測AI 評分5656 LlamaIndex 解析多模態 RAG 評估方法
LlamaIndex 介紹多模態 RAG 的評估方法，建議沿用文字型 RAG 的檢索與生成兩階段框架，並分別計算文字和圖片的檢索指標。生成評估則可使用能處理文字及圖像上下文的 LMM 作裁判，衡量相關性與忠實度；文中亦介紹其 beta Multi-Modal Evaluator abstractions。