Genie 配合 Genie Ontology,準確率達 1.6 倍,Token 用量不足一半
Genie 配合 Genie Ontology,在 Databricks 與 Turing 合作建立的企業數據 Agent benchmark 中,任務通過率達 91%,高於另外兩個前沿 Agent 的 45% 和 58%。
Genie 配合 Genie Ontology,在 Databricks 與 Turing 合作建立的企業數據 Agent benchmark 中,任務通過率達 91%,高於另外兩個前沿 Agent 的 45% 和 58%。
n8n v1.23.0 在 4 核心、8GB VPS 上進行負載測試,100 個並發用戶時吞吐量為 81 RPS,p99 延遲升至 3140ms,記憶體 RSS 為 638MB。
JioHotstar 評測六種協助 AI 編碼智能體瀏覽大型程式碼庫的方案,發現結構化程式碼搜尋適合明確工程任務,語義檢索則較能處理含糊需求。測試採用 SWE-bench 和 CodeScaleBench 子集,並以 Claude Sonnet 作為解題模型;加入檢索層未能持續改善任務完成情況或減少 token 消耗。團隊建議保留檔案系統工具作為基準,按任務特性選用檢索方式。
Adobe 在 Adobe Max 的 Sneaks 專場展示 Deep Brush、Hands-On 和 Scene Sweep 三項 AI 研究項目,分別用於場景感知繪畫、透過動態介面調整物件,以及編輯影片中的角色。
Samsung Galaxy A37 5G 定價 $490,賣點包括快速有線充電及 6 年軟件與保安支援,但缺少同價競品提供的部分功能。手機不支援透過 Quick Share 使用 AirDrop,也沒有無線充電或 Emergency SOS 衞星通訊。若以原價購買,Pixel 10A 或折扣 Galaxy S25 值得考慮;若減至 $400,A37 仍可能物有所值。
iPhone 11 升級至 iOS 27 後,操作動畫更流暢,日常任務速度和 CPU 評分亦有所提升。單核心評分由 iOS 26 的 1,721 升至 1,750,多核心評分由 3,499 升至 3,838。iPhone 11 不支援新版 Siri AI,但仍可使用標準 Siri。
o3、Claude 4.5 Opus 與 Gemini 2.5 Flash 的比較顯示,三者分別擅長深度推理、分析寫作,以及速度與成本效率。評測涵蓋50道數學題、30項編碼任務、20道邏輯題及10項商業分析;o3 解決23/30項編碼任務,並在高推理力度下答對全部邏輯題,Claude 在商業分析得分最高。
作者在 16GB GPU 上比較 Claude Code 與 OpenCode:Qwen3.6-35B-A3B 用 3 分鐘 44 秒完成編碼任務,Sonnet 5.5 用 2 分鐘 42 秒,兩者都產出可用程式碼。
文章以同一個 HTTP 問答端點,分別實作 Spring AI、LangChain4j on Spring Boot 及 LangChain4j on Quarkus,並用一套共享整合測試比較三種技術棧。
2026 年 AI 聲譽管理評選將 Reputation Resolutions 列為首選,並比較相關服務公司、軟件平台與傳統 ORM 的差異。Reputation Resolutions 可追查 AI 答案引用的來源並移除或更正內容;Birdeye 著重監察 AI 能見度,Minc Law 則提供法律途徑處理誹謗內容。
Bolt.new 與 Lovable.dev 都能將提示詞轉化為網頁應用程式,但 Bolt.new 在瀏覽器內透過 WebContainers 執行 Node.js,Lovable.dev 則採用雲端 Agent,並原生整合 Supabase。
2027 Chevrolet Bolt 評測獲 8/10,售價 $28,995,是美國市場最便宜的電動車,但預計不久後便會再次停產。新車配備 65-kilowatt-hours LFP 電池,EPA 預估續航距離為 262 miles,並採用 NACS 充電接口。車款不支援 Android Auto 或 Apple CarPlay。
妙動科技的雙輪足式跟拍機械人 Beni 已於 11 月 10 日全球現貨發售,國內起售價為 4999 元。作者試用半個月,發現它可在移動中自動追蹤拍攝對象,適用於家庭及滑板、霹靂舞、網球等城市運動場景。測試亦指出,速度超過 5m/s 後智能避障會受限,跟隨上台階則需手動開啟「自主台階躍障」功能。
Nod 表示,其 10 月的 216 次 WhisperBench 測試均未植入錯誤記憶。Nod 稱,若用戶要求及相關規則未涵蓋擬議操作,系統會先要求輸入。這項結果只反映該基準測試,並不保證智能體在所有情況下都不會產生錯誤記憶。
在 RAGTruth 的 900 條測試回應中,詞彙重疊檢查偵測 RAG 幻覺的 AUROC 為 0.778,高於 DeBERTa NLI 模型的 0.716。詞彙檢查在全部 2,700 條測試回應中的 AUROC 為 0.785,而集成檢測器整體表現未勝過單獨使用詞彙檢查。作者建議把廉價檢測器用作分流訊號,而非封鎖答案的門檻。
iFixit 拆解搭載 PROLED XDR 的 MacBook Pro,評分為 5/10,較 M5 MacBook Pro 高一分。新邏輯板仍可使用 Touch ID,背光標誌則採用四枚 LED。
IMD 首屆《2026 年世界數碼及人工智能排名》將香港列為全球第 11、亞洲第 4;按新方法回算,香港 2025 年排第 9。香港效率由回算的 2025 年第 12 升至第 5,勞動力發展列第 2;治理則由第 17 跌至第 34,數碼及 AI 管治子項排第 50。新排名取代《世界數碼競爭力排名》並納入 AI 指標,舊制的全球第 4 名不能直接與今年排名比較。
OPPO Reno17 Pro支援全焦段4K超清長實況,在4K 60幀模式下可生成總長6秒的動態素材。手機提供17款風格實況調色盤,支援人景雙曲線精調,並可用慢動作、防抖及水平矯正功能處理影片。ColorOS 17支援將實況照片流轉至關聯的平板和手錶,也可在相冊分享界面直接發送調整後的版本。
OPPO Reno17 Pro以全焦段4K超清長實況和清晰人像拍攝為賣點,定位五千以內的實況照片手機。4K 60幀模式可拍攝並匯出6秒長實況,亦支援添加貼紙及拼接畫面。手機搭載ColorOS 17,並支援實況主體追蹤。
Theseus Lab 開源評測 DeliverBench 測試七個 Agent 系統接手完整項目,11 個項目的最高平均最終交付分為 65.0/100。以 90 分作為子任務通過門檻,最高通過率為 50.0%;評測關注跨文件依賴鏈的一致性,而非單步正確性。文章提出以證據錨點、影響範圍清單和修復傳播斷言,檢查上游變更是否傳至下游交付物。
PoA 論壇以 16 個評分通道為 6 個從未提交的合成答案評分,測量評分準則漂移,過程不影響真實評決或任何人的報酬。三項測試案例的評分一致;其餘分歧集中在評分者是否認可攻擊者可操控的成本曲線。即時評分差異主要來自各通道收到的答案組合不同。
Hamza Ahmad Aslam 評測 Gemini 4 Carbon,對照 Google 的主張、外部實測與早期用戶回饋,指出它在多個獨立排行榜靠前,但未居大多數榜首。
推薦理由:文章分開整理 Google 自行測試、外部排行榜與早期用戶回饋,呈現 Carbon 在排名、速度、幻覺率及使用成本上的取捨。
阿里雲 AI 網關 Serverless 企業版在 1 MB、10 MB 請求的 10~100 並發測試中,平均網關處理時延均低於自建開源 Higress。1 MB 請求時延最高降低 97.1%,10 MB 請求最高降低 90.2%。Serverless 企業版由平台管理底層資源,並提供 99.95% 服務等級。
DeepSeek R1 在已公佈的推理基準測試中整體匹配或超越 OpenAI o1-preview,但 AIME 2024 的準確率優勢來自較長的推理鏈,並不代表 token 用量相同。
這項測試比較 ONNX Runtime Web 1.27.0 上 WebGPU 與 WASM 執行 RVM 影片摳圖的速度,發現 WebGPU 遮罩到第 13 幀變成空白。
作者以同一個包含程式碼缺陷分析、合約欄位抽取及需求驗證的企業任務,測試八個 Kimi API 型號;只有 kimi-k2.7-code-highspeed、kimi-k2.7-code 和 kimi-k2.5 回傳完整 JSON。
Ziva.sh 測試 GPT-6 Luna 對 10 個 Godot 初學者問題的 150 個普通聊天回答,未發現 Godot 3 API 錯誤。其中 4 個回答有解析錯誤、3 個有隻在執行時出現的錯誤,另有 2 個提供錯誤設定指示。
作者以 Unlimited OCR 2 單次請求解析 59 頁 IRS 僱主税務指南;設定 crop_mode=false 後,處理時間由 6 min 45 s 降至 3 min 44 s,與 PDF 文字層的差異由 38.1% 降至 4.2%。
Claude Fable 5.2 以視覺輸入和通用推理規劃雙臂操作,文中列出的 RoboDojo 平均成功率為 64.9%,高於 Fable 5.1、Opus 5.5 和 GPT-6 Astra。
SoccerDream AI 審計其平台 46,189 條已結算預測,發現實際賽果中平局佔 24.20%,但只有 360 次(0.78%)被單獨輸出為平局標籤。文中計算的模型標籤對數損失為 13.4625,市場隱含機率的對數損失為 0.9683,平局召回率則為 41.16%。作者建議儲存 p_home、p_draw、p_away 機率,並以對數損失及逐類召回率評估系統。
Claude Fable 5.2 每百萬輸入及輸出 tokens 收費 $8 及 $40,是 Claude Opus 5.5 的兩倍;Anthropic 公佈的基準中,Opus 5.5 在 AA-Briefcase Elo 項目得分較高。
AiPy 在 600 行含有髒數據的銷售明細和三個任務場景實測中,綜合評分為 9.22/10,高於通用大模型的 5.65 和傳統腳本的 4.85。端到端任務中,AiPy 無需編寫程式碼或人工介入,並直接交付可用報告;通用大模型需 120 行程式碼和 5 次人工介入,傳統腳本則需 180 行和 8 次。
HUAWEI Mate X7 的辦公與耐用性評測涵蓋屏幕、影像、續航及日常使用,並指出它採用單鉸鏈橫向內摺結構,並非三摺手機。手機配備8英寸內屏、6.49英寸外屏及HarmonyOS 6,支援文檔對比、全局批註和跨裝置協同。實驗室測試顯示,相較上一代,內屏抗衝擊能力提升20%、耐彎折能力提升100%;實際表現會受使用環境等因素影響。
作者以 68 條客服問題,分別對 GPT-6 Luna、GPT-6 Sol 和 GPT-5.6 Terra 各測三輪;Luna 在 204 個評分項目中有 187 項完全答對或妥善處理邊界情況。
iamTheDev 按安裝、工具描述、錯誤回報和每週實用度四項指標,為 20 款 MCP 工具評分,最高分為 18/20,沒有工具滿分。Context7、Playwright、GitHub 和 Sentry 均得 18/20;RollingGo Hotel MCP 得 16/20,因用途較專門而刻意列在榜末。
這項桌面測試比較 Three.js 0.186.1 與 Unreal Engine 5.9 Preview Wasm 的瀏覽器載入,指出選擇應取決於項目需求,而非通用效能排名。測試共量度 48 次 Chrome 頁面載入;在測試場景中,Three.js 傳輸量較小、首次提交較早,但結果不代表同等畫質的場景或完整項目。
作者用 Python 審核 Hugging Face 官方排行榜,於 2026 年 11 月 11 日統計 59 個基準、1,389 項結果,全部沒有 verified 標記。
Artificial Analysis 發佈 Endpoint Accuracy Index v1.1,涵蓋 103 個無伺服器端點,其中 24 個得分在統計上低於自託管參考部署。
谷歌更新 Android Bench 2.0 榜單,Kimi K3.1 Pro 任務通過率達 24.0%,是 Kimi K3 的兩倍;DeepSeek V4.1 Flash 1017 完成一輪測試的成本為 9.9 美元。兩者分別搭配 kimi-code 和 opencode;該基準測試面向 Android 應用開發,設有 30 項長週期任務。
QuickSilver Pro 使用 OpenCode 比較 Kimi K3.1 Pro 與 Claude Opus 5.5 執行六項 Python 任務,兩者在各自 12 次測試中均通過全部隱藏測試。