LifeVal 基準測試以 ChatGPT 用戶回饋塑造,聚焦日常個人助理任務
LifeVal 是一項評估 AI 個人助理日常任務表現的基準測試,設計方向參考了數以千計 ChatGPT 用戶的回饋。材料提及的任務例子包括尋找托兒服務,但未交代完整任務清單、評分方法、參測系統或結果。企業可把基準測試作為比較參考,並以自身工作流程中的代表性任務測試候選工具。
LifeVal 是一項評估 AI 個人助理日常任務表現的基準測試,設計方向參考了數以千計 ChatGPT 用戶的回饋。材料提及的任務例子包括尋找托兒服務,但未交代完整任務清單、評分方法、參測系統或結果。企業可把基準測試作為比較參考,並以自身工作流程中的代表性任務測試候選工具。
作者修正 RAGProbe 評分器後重跑測試,發現 gpt-oss 20B 的分層防禦將成功的檢索文件攻擊由 7 次降至 0 次,聊天攻擊則由 38 次降至 29 次。不過,防禦效果未能在 56 個真正新攻擊上重現,成功攻擊數僅由 15 降至 13(p = 0.77);文件攻擊結果只基於 11 次攻擊。
一項 Solidity 深度掃描在 EVMbench 的五份公開審計中,找到 20 個已知高危發現中的 14 個。按同一評分副本計算,Azimuth 的結果為 15 個,舊版掃描流程則找到 8 個;這些審計來自 2023 至 2025 年,並非新合約測試。
OpenAI 建立 LifeVal 評測,追蹤模型處理日常生活任務的表現,涵蓋照護、健康、教育、家務、個人理財、購物及政府服務。評測以 3,995 名受訪者的調查,瞭解人們最希望個人助理協助的範疇。GPT-6 Astra 在多項任務的最佳記錄得分為 100%。
Claude Opus 5.5 能繪製符合許可申請要求的建築圖紙。提供的正文未包含圖紙細節或相關測試資訊。
Dave Barron比較六款企業程式碼審查工具,並按功能將它們分為四類。工具包括 GitHub Copilot code review、GitLab Duo、Cursor Bugbot、Qodo Review、SonarQube 和 Snyk Code,涵蓋平台內建審查、獨立 AI 審查、靜態分析,以及安全掃描與 SAST。
作者實測 AgriciDaniel/claude-seo,評估其以 MCP 提供結構化 SEO 稽核的做法及在生產內容管線中的限制。倉庫列有 26 個 sub-skills 和 19 個 sub-agents;一次經 B-Lost relay gateway 的多供應商回退測試中,token 消耗減少 40%。
作者比較 11 款氛圍編碼工具,涵蓋免編碼建構工具至終端智能體。文章對照各工具的優點、缺點及最適用情境,協助讀者為下一個項目選擇 AI 工具。
Dev Stack Hub 比較 11 款 AI 應用程式建構器、編碼編輯器與終端 Agent,按各工具的強項和不足整理不同項目的選擇。比較依據包括功能完整度、迭代便利度、資料與身份驗證、程式碼控制,以及部署和維護;判斷來自已公開的能力文件,並非實測結果。
EleutherAI 與 Hugging Face 合作推出 FineBooks BHL OCR Leaderboard,以 2,165 頁專家校訂歷史書籍文本評測 14 款開放權重 OCR 模型。
這套選舉預測基準先評分答案的推理,再於結果認證後加入勝選者準確率、校準曲線及 Brier score。每份答案由固定評審按具體程度、證據根據及校準度評分,各項為 0 至 100;預測答錯仍可能得高分,含糊答案則總是低分。評分不衡量預測是否正確,樣本亦不足以支持對模型預測能力作出強結論。
SemiAnalysis 發佈 GDPx,讓前沿 AI 模型在模擬職場完成專業任務;Claude Opus 5.5 的完成率最高,為 12.0%。GDPx v1.0 包含 11 個領域的 206 項任務,每項任務預設時長為 8 小時,並以模型各自的原生工具環境測試,評估模型與工具鏈的組合表現。
iQOO Neo12 的遊戲適配涵蓋性能、散熱、屏幕、續航及專屬功能,配備自研電競芯片 Q3、185Hz 屏幕和 9000mAh 電池。《崩壞:星穹鐵道》最高畫質下運行 1 小時平均幀率為 59.7 幀,《使命召喚手遊》原生 185 幀下平均幀率為 185 幀;重度遊戲可連續運行 5.2 小時。支援超 50 款原生 185 幀遊戲,部分遊戲的 QNSS 超分超幀功能需後續 OTA 升級適配。
VAKYR 檢驗足球賽事的即時入球概率是否準確,分析 341,846 次頁面實際顯示的讀數。模型平均報出 24.9% 的入球概率,實際入球率為 24.7%,顯示值的誤差低於 1 個百分點。按概率分成十組後,最高與最低組的實際入球率相差約 17 個百分點;服務免費,並可在瀏覽器使用。
作者以三款本地程式碼模型測試四段使用 Python random 生成不可猜值的程式碼,評估模型偵測弱隨機數生成器的能力。模型合共標記 23/60 次(38%),兩段使用 secrets 的安全對照程式碼則 0/30 次被標記。作者推測模型較會辨認已知危險的函數名稱,而非值的用途,但尚未測試這個假設。
Hugging Face 官方基準排行榜截至 2026-11-03 收錄 57 項基準及 1,274 個排行榜項目,並新增 97 個項目。deep-swe、MMLU-Pro 和 aime_2026 均出現新的榜首模型;排行榜資料來自公開 API,參賽項目多由模型開發者自行申報,並非獨立評測。
DeepSeek-V4.1-Flash-1017 的 IQ2_XXS GGUF 標示 2.00 bpw,若計入 Engram 則整體為 2.66 bpw。作者核對分配檔及 GGUF shards,指出 Engram 有 196.6B 參數,以 4.5 bits 儲存,佔 IQ2_XXS 下載容量 44.4%。
LongCat-2.5 提供 OpenAI 與 Anthropic 相容 API、1M tokens 上下文窗口,並按思考模式將温度固定為 1.0 或 0.7。
作者在 us-east-1 對 opus5 和 opus5.5 部署進行負載測試,記錄延遲、節流及部署間吞吐量的差異。短提示詞的單次請求延遲約為 3.0s ~ 4.5s,較長提示詞可達 6s 以上;並發量增加後,429 回應會迅速出現。部分部署另有靜態 401 問題,而同一模型版本在不同預置吞吐量部署上的穩定最高吞吐量差異顯著。
文章比較 Sequenzy、Klaviyo、Customer.io、ActiveCampaign、Braze 和 Stripo 六款 AI 原生電郵營銷工具,評估它們生成完整流程、使用業務數據、支援 AI Agent 操作及服務 10,000 個聯絡人的每月成本。
作者評估了 120 次智能體運行,發現強制檢查清單能令智能體補寫驗證記錄,卻不能確保交付正確。qwen3:14b 修正程式錯誤的次數,從提示清單時的 20 次中 10 次,降至強制清單時的 20 次中 8 次;qwen3.6:35b-a3b 則兩種情況均修正 20 次,但強制清單只令驗證記錄由 0 次增至 20 次。
Windsurf 與 Cursor 以不同方式把 AI 融入編碼流程:Cursor 著重保留熟悉的編輯體驗,讓用戶按需要呼叫 AI;Windsurf 則更着重智能體式開發,嘗試跨檔案理解目標並自主執行多步修改。Cursor 較適合重視可靠性及低摩擦採用的團隊,Windsurf 則為能持續檢視及引導生成修改的開發者提供更高自主度。
Engadget 評測 Dell XPS Googlebook 後給予 6.5 / 10,認為其硬件設計出色,但 Googlebook OS 的應用支援和整體實用性不足,因此不建議購買。
VOXA 比較 ElevenLabs、Murf 與 Speechify 的 AI 語音成品成本,指出三者分別按 credits、字符及訂閲收費,因此應換算至完成音訊時長再比較。
REDMI Book 14 2027 評測顯示,這部搭載英特爾酷睿5 320、採用 Intel 18A 製程的筆記簿電腦,以 72Wh 電池在 PCMark10 現代辦公續航測試中錄得 26 小時 54 分鐘,機身重 1.28kg。它配備 14 英寸 2.8K 螢幕,支援 120Hz 刷新率,並加入超級小愛 2.0。
一加Ace 7 Pro和一加Ace 7搭載雙路冰河風冷系統,文章將兩者列為3k-4k價位風冷遊戲手機的優先選擇。實測中,兩款手機均可在《三角洲行動》達到最高185幀;185幀遊戲續航分別為7小時和6.8小時。國補後,一加Ace 7 Pro 12+256版本售3149元,一加Ace 7同版本售2761.65元。
Robin 檢查多個博客平台的 robots.txt、原始 HTML 和標題搜尋結果,發現 dev.to、Substack 和 Gumroad 的 robots.txt 沒有禁止 GPTBot、OAI-SearchBot、PerplexityBot 和 Google-Extended;Medium 只禁止 GPTBot,Indie Hackers 則禁止全部四種。
Eglantine 模擬器在 PC 上運行《馬裏奧賽車世界》,配合 NVIDIA DLSS 5 神經渲染,畫面效果接近 3D 動畫電影。演示使用 GeForce RTX 5060 Ti 和英特爾酷睿 i9-13900K,可穩定運行在 60 幀;但人物邊緣仍有鋸齒,賽車燈光束也會出現噪點波動。
創作者 ChillyWillMD 展示在電腦上以英偉達 DLSS 5 神經渲染運行《馬力歐卡丁車͏ 世界》,RTX 5060 Ti 可達 60 幀。DLSS 5 改善光照後,遊戲畫面觀感接近《超級馬力歐》大電影。
極創科技的履帶式爬樓運輸機器人載重100公斤,經1小時44分鐘登頂中天門,全程無需更換電池。機器人耗電約1.5度電,剩餘電量40%;最大載重200公斤,額定載重150公斤,整機售價約5萬元。
Kumiko 應用設計器以同一款金屬加工廠維修應用測試五個模型,發現多數紅色測試結果源於生成器規則和測試設計,而非模型本身。修正後,Sonnet 5.5 三個步驟均通過,花費 $0.322;首次測試則花費 $0.454,建構步驟未通過。Qwen3.8-27b 未能回覆首次呼叫,其他四個模型尚未按修正後的設定重測。
小鵬汽車公佈 MONA L05 純電 635 Max 版高速及市區混合路況續航實測結果,實際行駛 566.1km,續航達成率為 89.15%。測試在空調 24 攝氏度、中檔風速、節能駕駛模式、胎壓 2.9bar 及高檔動能回收設定下進行;該車 CLTC 標定續航為 635km。
SemiAnalysis 於 2026 年 11 月 2 日發佈 GDPx,評估涵蓋 11 個專業領域的通用智能體能力。首版包括 206 項任務,由 14 個專業數據夥伴協作建立;Claude Opus 5.5 以 12.0% 居首,Gemini 4 Carbon 和 GPT-6 Astra 分別以 10.9% 和 9.6% 排第二、第三。
作者測試 Houdini 22 的 Gaussian Splats 原生匯出至 Three.js,結果顯示 PLY 寫出成功仍不足以確保網頁端正確還原。
SemiAnalysis 推出 GDPx,這項基準測試衡量智能體在 11 個領域的能力。Opus 5.5 以 12% 得分排名最高,測試領域包括晶片設計、網絡安全及 RSI。
作者在 Friday 託管版上測試 14 項編碼任務,發現由 Claude Code 交接至 Codex,較重新開始的 Codex 工作階段中位數少用 21% tokens。
OpenMontage 的演進重點並非變得好用,而是透過分鏡審批、預算管控和全流程回放,讓 AI 影片製作由難以掌握變得可管理。截至 2026-11-01,GitHub 星標為 74,127;預設單次生成預算上限為 10 美元,單筆超過 0.5 美元須經人工批准。文章亦指出,項目仍沒有 tag release,獨立測試有 9 項失敗、4 項錯誤,並缺少 API key 儲存指引。
《影之刃零》支援路徑追蹤全局光照與 NVIDIA DLSS 4.5,新浪科技使用七彩虹 iGame RTX 5080 Vulcan OC、iGame RTX 5070 Ultra OC 及 iGame RTX 5060 Ti Advanced OC 16GB,測試遊戲幀率、延遲和畫面表現。此次測試加入更多顯示卡型號,當中包括 RTX 5060 Ti。
Anguo 更新 rk-bench v0.2.0 的 RK3588 排行榜,公佈 YOLOv8n、YOLOv5s(ReLU)和 YOLO11n 的 INT8 對 FP 實測,提速分別為 1.96×、1.84× 和 1.40×。
作者以「大腸癌會否引發帕金森病」測試豆包、DeepSeek 和 Gemini,並交叉核對文獻及 DOI,發現三者各有錯漏,沒有一家可單獨信任。三個模型對醫學結論的大方向相近,但核查揭示 DOI 錯誤、研究方向混淆及對研究結果轉述過度等問題。文章建議嚴肅問題使用循證提示詞、多模型比對並逐篇核對論文摘要,健康與診療問題仍須向專業醫生求證。