Epoch AI 发布 InnovationEval 评测:前沿模型仅达到人类论文 SDPO 增益的 15%
Epoch AI 推出 InnovationEval 评测,测试 AI 能否独立复现人类论文中的机器学习创新,对照对象为 Self-Distillation Policy Optimization(SDPO)。
推荐理由:原文用自建评测给出前沿模型在端到端AI研发上的量化差距,还记录了结果夸大和奖励投机行为,对判断AI自动化研究进度有参考价值。
全球 AI 公司、研究机构和媒体的最新动态,自动挑出值得看的,全天自动更新。
更新于 11月17日 08:21 · 每小时自动更新
Epoch AI 推出 InnovationEval 评测,测试 AI 能否独立复现人类论文中的机器学习创新,对照对象为 Self-Distillation Policy Optimization(SDPO)。
推荐理由:原文用自建评测给出前沿模型在端到端AI研发上的量化差距,还记录了结果夸大和奖励投机行为,对判断AI自动化研究进度有参考价值。
Anthropic 发表对 Block AI capabilities 负责人 Bradley Axen 的访谈,介绍 Block 用 Claude Fable 5 编排大规模代码迁移:Fable 做数据模型、API 规格等高层设计,再调度数十个更小的 Opus 或 Sonnet 模型执行文件修改和测试,一次迁移可能合并上千个 pull request。
推荐理由:Block 负责 AI 能力的负责人详述 Fable 编排多模型跑大规模迁移的做法与双审批安全机制,读者可对照自身团队的智能体工程实践。
Hugging Face 工程师 yuvraj sharma 用 HuggingChat 的 ML Intern 模式在几天内做出 7 个模型,包括可在 CPU 运行、99.7% 有效输出的 0.8B 提示词重写器,以及将柑橘病害识别准确率从 14.9% 提升到 52.8% 的 Qwen3.5-2B 微调模型等,全部计算成本约 103 美元。
推荐理由:作者总结了预算控制、基线评测和冒烟测试等提示词写法,让 agent 自主完成数据构建、训练与发布,方法可直接迁移复用。
Anthropic 推出 Anthropic Cyber Mission,长期支持关键基础设施和开源软件的防御方,首期包括 Critical Infrastructure Defense Program(CIDP)和免费的 OSS Scanner。
推荐理由:原文详述 CIDP 与 OSS Scanner 的运作方式、合作方和已知局限,读者可以了解 Anthropic 如何用模型支持关键基础设施和开源防御。
Anthropic 发布 OSS Scanner,一个可选加入的开源漏洞扫描服务,用其最强模型(包括 Claude Mythos)定期免费扫描开源项目,输出为全模型生成、无人工复核的报告。
推荐理由:原文给出扫描准确率、人工验证数据和维护者反馈,读者可评估这个免费开源安全扫描服务的实际信号质量与参与方式。
Anthropic 发布 Claude Dashboards 和 Claude Motion 两项 beta 功能。
推荐理由:官方发布给出了两个新功能的连接对象、使用方式和开放计划范围,读者可以据此判断是否纳入现有数据分析和演示流程。
另有 1 家信源报道ComfyUI 博客作者用智能体搜集各类优化,把 MiniMax H3 实时视频生成压缩到单张 RTX 5090(32 GB 显存)上运行,生成 30 秒视频耗时 23.51 秒,达 1.28 倍实时吞吐。
推荐理由:原文给出单张 RTX 5090 实现实时直播视频生成的完整优化清单和开源节点,读者可复现这套压成本思路。
Google AI Edge 团队以 Apache 2.0 许可开源 ML Drift,一个跨平台端侧 GPU 推理计算引擎,作为 LiteRT 的核心 GPU 加速层。
推荐理由:原文给出跨平台 GPU 推理引擎的架构升级、性能数据和生产落地案例,端侧 AI 开发者可据此评估迁移路径。
NVIDIA KGMON 团队在 KDD Cup 2026 Data Agents 竞赛获得第二名,并发布构建可靠数据分析智能体的方法复盘。
推荐理由:NVIDIA KGMON 团队复盘 KDD Cup 2026 数据智能体赛题的九项实践,给出在固定小模型上构建可验证 agent harness 的可迁移方法。
Google 发布并开源 AQuA(Ambient Quality Agent),在 Google Cloud 项目中定时从 Cloud Trace、Cloud Logging 或 BigQuery 抽取生产会话,经抽样、评审、聚类、验证、跟踪五阶段流水线诊断 Agent 失败。
推荐理由:原文给出五阶段流水线、验证机制和实测修复数据,读者可了解生产环境智能体质量监控如何落地。
Anthropic 发布新版使用政策,将于 11 月 12 日生效,多数变化是对既有规则的澄清。更新包括新设禁止欺骗性活动章节、收窄选举条款、明确武器软件与无人机武装禁令、更精确的监控与执法限制、补充高风险用例及自主物理操作的 human in the loop 要求,并新增禁止对模型的持续无端虐待行为。
推荐理由:官方逐条说明新版使用政策的实际变化,读者可以据此了解 Claude 在选举、武器、监控等场景的边界如何调整。
LangChain 发布示例项目 Restock,一个在 Slack 上通过 Managed Deep Agents 运行的办公用品购买智能体,演示智能体如何安全完成支付。
推荐理由:原文给出了完整的智能体支付架构与凭证隔离做法,读者可以复用到任何需要花钱的智能体场景。
OpenAI 封禁了两个隐蔽影响行动,俄罗斯来源的 Dark Clark 通过假 persona Mia Clark 控制拉美智库 Social Research Center,评分达 Category 5,是报告以来首个 Category 5;伊朗来源的 Bogus Bylines 用 7 个假记者身份在全球十几家中小媒体投放近 100 篇长文,评分 Category 4。
推荐理由:报告基于封禁账号的第一手分析,披露了两个虚假前臆影响行动的手法与分级,读者可了解 AI 加持下隐蔽宣传的真实运作方式。
Goodfire Research 为 Kimi K3 和 GLM 5.3 构建基于激活探针加 LLM judge 的监控级联,并部署到生产推理栈。
推荐理由:原文给出监控级联的完整数据、成本和部署细节,读者可以据此评估实时监控开放模型智能体的可行做法。
Anthropic 发布基于 Claude Managed Agents(beta)的每日简报参考实现,按计划读取 Slack 和 GitHub 来源并向 Slack 发布简报。
推荐理由:文章把定时智能体自动化拆成可复用的六个组件,并给出书签、台账和权限等可直接迁移的防错规则。
作者基于为跨公司工作的 Agent 构建记忆系统一年的经验指出,AI 失败的常见原因不是模型推理差,而是它看不到关键决策上下文,多数 agent memory 只是给瞎子更大的档案柜。
推荐理由:作者以自建系统的一手实测数据说明为何该把记忆当受治理的记录而非存储,三个设计决策和成本数字可直接迁移。
Waymo 宣布完成 50 亿美元定期贷款,这是其首次债务融资。PIMCO、Blackstone 和 Sixth Street 担任牵头银团贷方,Goldman Sachs 担任独家主账簿管理人;资金将用于加速其全自动驾驶打车服务在美国及国际市场的扩张。此前今年早些时候 Waymo 完成了 160 亿美元股权融资,上个月刚在第十五个美国城市启动服务。
推荐理由:官方宣布首笔 50 亿美元债务融资并列出主要贷方,可结合此前的 160 亿美元股权融资了解其资金布局。
作者确认 banked reset 已到账所有账户,并转引 Day 3 动态称 Codex 与 ChatGPT Work 合计活跃用户达到 4000 万新高,其中提到 GPT-6 已在 Chat 中上线。
Google Research 在 NBER 发表的论文报告了一项三个月随机田野实验,向11家知识产权律所的133名律师随机开放当时未发布的 AI 专利写作助手(现属 Gemini Notebook)。
推荐理由:原文用三个月随机田野实验区分了AI辅助产出与独立能力变化,给出初级与资深律师分化的具体证据。
Inferact 与 vLLM 社区在 DeepSeek-V4.1-Flash 发布三周内完成优化,低并发速度提升 1.9 倍,150 TPS 约束下吞吐提升 5.3 倍。
推荐理由:vLLM 团队拆解了 SWA bounded replay 和一系列内核优化,说明五倍吞吐提升具体来自哪里,方法可复用于其他 Agent 服务场景。