跳到正文
10月19日週一
  1. IT之家46

    Arena 公佈 2026 年第 42 週 AI 大模型周榜:國產模型多領域站穩中上游,kimi-k3-max 闖入程式碼榜前十

    Arena 公佈第 42 週 AI 大模型盲測周榜,國產模型在多個細分榜單保持中上游,kimi-k3-max 以 ELO 1540 分排名程式碼榜第 10。mimo-v2.6-pro 首次進入前端開發榜第 19,得分 1629;本期共有 gemini-3.5-flash-medium、mimo-v2.6-pro 和 flux-2-flex 三款新模型入榜。

  2. Hacker News 熱門(buzzing.cc 中文翻譯)15

    DeepSeek V4.1 Flash 1017 (Max)

    DeepSeek V4.1 Flash 1017 (Max) 的資料列出模型能力與產業表現、開放度、智能指數及 token 使用成本等比較項目。速度以每秒輸出 token 數計,延遲以首個 token 所需秒數計;端到端回應時間按輸出 500 個 token 計算,模型規模項目只適用於開放權重模型。

  3. DEV Community57

    檢索日誌不等於審計追蹤:六個 Supermemory 替代方案比較

    Statewave 作者比較六個開源 Supermemory 替代方案,重點檢視各工具能否重建智能體回答所用的完整上下文。比較中只有 Statewave 提供可重播的組裝提示詞及 HMAC-SHA256 簽署收據;其餘方案側重文件讀取路徑、記憶來源溯源、時間知識圖譜或版本化記憶。作者亦列出 Statewave 的限制,包括沒有託管雲端、實體關係圖和多模態 RAG。

  4. DEV Community50

    Wiper-Service-Agent 狀態機實測:議價訊息被誤判為確認訂單

    Guangyi Zhao 對自建開源專案 Wiper-Service-Agent v0.2 進行狀態機實測,發現預設的 MockLLM 規則式解析器會把「可以便宜點嗎」誤判為確認訂單。測試涵蓋 27 段腳本對話、62 則訊息及 13 項意圖分類衝突;車輛資訊抽取失敗時,系統亦可能沿用舊車資料並報出錯誤價格。測試使用模擬目錄和價格,未連接 WhatsApp,也未使用真實客戶資料。

  5. DEV Community56

    RAG 分塊實測:不同策略如何影響檢索效果

    作者以小型標註語料比較 RAG 的固定長度、遞歸及語義分塊,recall@3 分別為 0.89、1.00 和 1.00。文中引用的 Mayo Clinic 研究顯示,自適應分塊的答案準確率為 87%,固定長度基線為 50%;其他研究則顯示,策略效果會隨語料、嵌入模型及評估目標而異。

  6. Hacker News 熱門(buzzing.cc 中文翻譯)42

    我開發了一種大型語言模型無法使用的編程語言

    作者開發了 KillSwitch,一種專為對抗大型語言模型和編碼 Agent 設計的開源詮釋型程式語言,並以一組任務測試多款模型及編碼 Agent。Claude Opus 5 表現最佳,最高得分為 66.8,最佳開放權重模型是 MiMo-V2.6-Pro。作者指出,測試任務仍相當簡單,結果不足以證明模型真正理解這種程式語言。

  7. DEV Community49

    We tested the 20 most-installed agent skills with and without the skill. The most-installed one came out worse.

    測試者以 Claude Sonnet 5.5 和 Claude Opus 5.5,對 skills.sh 安裝量最高的 20 個 Agent 技能進行載入與未載入的對照測試;find-skills 在兩個模型上都令答案得分下降,由未載入時的 0.92–0.95 降至載入後約 0.75。20 個技能中,11 個在兩個模型上均明確有幫助;40 組結果中有 10 組因答案不足或波動過大而無法判定。

  8. DEV Community49

    AI 編碼智能體會用你的語言搜尋網頁嗎?Claude Code 和 Codex 的 5 種語言測試

    Claude Code(Opus 5.5)和 Codex CLI 的 320 次網頁搜尋測試發現,全球性 AI 產品話題的 206 次搜尋中,205 次使用英文。地方議題方面,以當地語言提問時,Claude Code 和 Codex 分別有 82% 和 50% 以當地語言搜尋;以英文提問時則為 49% 和 17%。320 個答案全都使用提問語言,因此單看答案通常無法判斷引用來源的語言。

  9. DEV Community59

    FINAL-Bench 五項開放科學挑戰由驗證器而非提交者決定評分

    FINAL-Bench 設有五項開放科學挑戰,參賽者提交分子、晶體、預測或解碼器,再由參賽者無法查看的驗證器評分;標準答案資料留在主辦方硬件上。各挑戰公開規則、權重及提交限制,但評分實作與答案保密,避免參賽者只針對公開評分器調整提交。LEADBOARD 為每個榜單提供已填妥的提示詞和可執行骨架;超導體挑戰明確允許 AI 編碼智能體參與,而所有分數均屬計算預測,並非實驗室測量。

  10. DEV Community47

    Can AI Agents Safely Manage Physical Devices? 10 Capability Groups Counted, 4 Change-Only

    AI 智能體可在變更工具預設停用、且須透過獨立設定開啟的情況下管理實體設備,但破壞性指令的確認值由助手提供,並非獨立的人為批准。DataRemote 的 Ara 平台 MCP 伺服器涵蓋 10 組能力,其中 4 組只在開啟變更後可用,支援 8 款型號。測試中,常規設備查詢得分 0.9545,變更操作未有任何一項進入自動執行區間。

  11. DEV Community55

    2026 年小型企業實際採用的 10 款 AI 工具

    NeurAITool 整理了 2026 年小型企業實際採用的 10 款 AI 工具,涵蓋寫作、CRM、設計、會計、排程及客戶支援等用途。文中比較各工具的方案、主要功能和計費方式,並提醒計算每席成本及按次用量費用,留意年度計劃會預先收取全年費用。零預算時,作者建議組合使用 ChatGPT、HubSpot、Canva、Grammarly 和 Notion 的免費方案,涵蓋市場推廣、銷售、設計及營運。

  12. DEV Community31

    無日誌聲稱與獨立審計:377 項 VPN 私隱政策揭示甚麼

    VPNRadarLab 對 377 項 VPN 服務的排名資料顯示,無日誌政策普遍,但只有 35 項有獨立審計。在 303 項聲稱無日誌的服務中,22 項政策稱會儲存連線 IP,109 項沒有交代 IP 處理方式;只有 27 項同時具備無日誌政策、獨立審計及不儲存連線 IP 三項條件。

10月18日週日
  1. DEV Community66

    Jev AI 接入三款遊戲實測:兩次失敗,一次成功

    作者把 Jev 接入三款遊戲測試,兩項即時決策用途未見可靠改善,第三項賽事精華挑選則成功落地。在水球遊戲中,加入 Jev 後對高階 Bot 的擊殺率由 67% 降至 53%;2,840 次呼叫僅失敗 1 次,費用為 $0.054,但作者認為表現差異落在安慰劑波動範圍內,沒有改善證據。作者建議由程式掌控流程和即時規則,預先整理候選項,再讓 Jev 作單一選擇,並避免描述中的位置詞主導結果。

  2. DEV Community58

    Jev AI 接入三款遊戲的實測:兩次失敗,一次成功

    作者將 TypeSafe 的 Jev 接入三款遊戲測試,發現直接讓它操控遊戲表現不佳,戰術決策未見改善證據,而賽後挑選賽事精華經調整後奏效。Crazy Arcade 仿作中的擊殺率由 67% 降至 53%,共進行 2,840 次呼叫,花費 $0.054;作者指出,這個結果不足以判定 Jev 確實令表現變差,也沒有改善證據。