Qwen4-Max Preview实测：4800万条数据26分钟跑完，强！
Qwen 系列模型在开源社区一直有很好的口碑，最近阿里发布了Qwen4-Max 预览版。 但最近忙深圳 GEO 大会，直到今天才有空测试。 跑了几个实际项目，感觉是国产第一梯队。....
AI NEWS JOURNAL
搜索 AI 资讯
检索标题、摘要与正文，把分散的信息连起来。
ToolTurns：多轮对话中 LLM 智能体的基准测试
arXiv:2611.14925v1 公告类型：新 发表摘要：使用工具的语言模型正越来越多地应用于对话场景，但大多数大规模工具使用基准测试都聚焦于孤立的请求。我们提出了 ToolTurns 基准，包含 2,620 个问题，涵盖 1,827 种工具和 11,004 个 API 端点，涉及 47 个类别。每个对话均从一个有意描述不充分的请求开始，并通过两个依赖上下文的后续请求延续，以测试澄清、工具使用以及对话上下文的保持能力。我们还引入了一个开源用户模拟器，该模拟器可通过对话揭示被隐藏的上下文并生成后续请求，并配备了一个检查—修正流水线来改进其对话轮次。在九个语言模型中，表现最佳的智能体能够解决 69.6% 的单个请求，但仅完成 39.8% 的完整对话。根据这一评估协议，所有受测模型在后续请求上的成功得分均低于初始请求，而对话质量评分与任务成功率对模型的排名可能大相径庭。成对的轮次级评估表明，检查—修正流程能减少检测到的对话缺陷，且盲测的人类评价更倾向于修订后的对话轮次。ToolTurns 为评估智能体能否在使用工具的多轮对话中持续达成任务目标提供了测试平台。
豆包工作接入DeepSeek、Kimi等多款模型；黄仁勋被曝另一段婚外情，英伟达正讨论罢免案 | AI圈又发生什么了
1.豆包工作接入Kimi、GLM等多款模型，推出限时优惠 今日，豆包工作接入了Kimi 3.1 Pro、GLM 5.3、DeepSeek V4.1 Flash等多款模型，用户可以根据不同工....
Anthropic玻璃翼计划被质疑！近4万个候补漏洞，只修了217条
程浅 发自 凹非寺 量子位 | 公众号 QbitAI 最近AI找Bug这事儿有点太割裂了。 这一边，AI一朝出手倒查所有，先挖出了个PHP底层重大安全漏洞，又扒出948....
实测Gemini 4 Carbon：已玩嗨，Google就这样悄悄重回牌桌
作者｜周一笑（微信smiletalker）编辑｜王兆洋（Geisterspiele）Gemini 4 Carbon 深夜正式开放，第一时间实测之后，我不禁发出感慨：它最好的上线时间其实是两周前。因为差了这么几天，它就被 Fable 5.2 抢走了各种 Benchmark 第一。然后我就发现，这个感慨本身，其实最能说明它在今天模型竞争里的位置，以及这个模型对Goo...
SetPrint：通过响应变化的集合对应进行黑盒大型语言模型指纹识别
arXiv:2611.12950v1 公告类型：新 题要：黑盒大模型指纹识别旨在仅通过观察对输入查询的输出响应，判断目标模型是否源自某个源模型。揭示这种关联的一种方法是扰动每个查询，并观察两个模型产生的相应响应，从而得到两组对应的响应变化。这两组数据提供了两种互补的信息来源：每组内部响应变化之间的关系，以及两组之间响应变化的对应关系。然而，现有方法并未充分挖掘这两方面的信息。我们提出了 \textbf{SetPrint}，一种无需训练的方法，能够同时捕捉组内关系和组间对应。SetPrint 将每个响应变化相对于其所在组的平均变化进行表示，然后比较由相同扰动引发的两个模型的变化。在 LeaFBench 上，SetPrint 的性能始终优于现有的无训练黑盒指纹识别方法。进一步分析表明，这些优势源于组内关系和组间对应两方面。
百度发布文心5.5Flash Preview:2800亿参数、百万Token上下文，权重11月25日开源百度发布文心5.5 Flash Preview，总参数量2800亿，每Token激活140亿，支持最长100万Token上下文。模型在编程、3D建模、知识工作与内容创作表现突出，Terminal-Bench、AutomationBench等基准成绩具竞争力。编程为核心升级亮点，覆盖真实代码库修复迭代到完整构建复杂应用，并能在长周期开发任务中规划与执行。 刚刚 0
百度推出参数量达2800亿的文心5.5Flash Preview基础模型，每个Token激活140亿参数，支持最长100万Token上下文，在编程、3D建模、视频创作等场景表现突出。该模型在长周期开发任务中具备更强规划与迭代能力，并针对游戏开发进行专项训练；在3D建模方面优化对Blender、CAD工具的使用，可基于文本生成精准模型；视频创作方面覆盖科普、漫剧等15万+创作环境，支持全流程生成。模型已上线千帆平台，输入输出定价分别为忙时2元/8元、闲时1元/4元，限时五折，权重将于11月25日开源。
CulturalCrosswords：一个由答案约束和网格填空组成的多语言基准测试集
arXiv:2611.10044v1 公告类型：新 提要：当多个答案都能符合谜题时，精确匹配评分可能会惩罚有效的回应。CulturalCrosswords 测试了答案约束如何影响大型语言模型（LLM）解答文化类谜题，这类谜题的解答依赖于特定社群的知识。我们从42种语言的众包谜题中构建了53份填字游戏，并在每套线索的五个版本上评估了11种 LLM 配置：普通批次、带长度提示的批次、带长度和部分答案提示的批次，以及要求提供答案列表或完整网格的填字游戏。在包含备选答案的962条线索中，与参考答案的一致性在加入长度约束后提升了22.8个百分点，而仅接受备选答案并给予相应分数时仅提升8.4个百分点。因此，部分收益似乎源于对所需答案形式的选择。填字游戏输入使所有交叉处具有兼容答案的比例提高了9.7个百分点；要求填写完整网格则揭示了各模型之间的显著差异。该基准测试区分了与参考答案的一致性，与生成能够相互匹配并占据正确单元格的答案的能力。
深度丨从独占61%企业开源账单到巨头分成，开源模型开始商业化下半场
11 月 5 日，OpenAI 前首席技术官 Mira Murati 创立的 Thinking Machines Lab（TML）交出了第二代模型 Inkling 2 Small。这家成立一年半、正以 400 亿美元投前估值洽谈 50 亿美元融资的硅谷明星实验室，急需用一款足够硬核的新模型向投资人证明自己。评测机构很快给出了“中国以外最高分开源权重模型”的头衔；但当同行翻开...
大模型的数据生意：人类如何蒸馏自己
蒸完人类上下几千年的数据之后，大模型开始 “蒸人”。文丨高洪浩 陈佳惠编辑丨高洪浩 黄俊杰成都中和与天津侯台都是城郊结合处的老村镇。一群人在这里为大型互联网公司训练大模型，大多月薪不足 1 万元。他们每天从阅读大模型生成的答案开始：核对事实，检查有没有答非所问，打分、比较优劣，有时还要亲手写一份示范。做完一条，再看下一条。模型要学的任务，从财务分析、修改程序，扩展到生物制药、芯片设计，人也得为这些任务准备示范和评分标准。这些重复、琐碎的工作，构成了今天大模型训练中最重要的一环——数据生产。“这家公司最大的创新就是数据。” 一位负责数据评测的人士这样评价 Anthropic。2025 年，当网上...
MiniMax 闫俊杰的这个访谈太犀利了
MiniMax 创始人闫俊杰的这期新播客，非常不错。有不少增量信息，能帮我理解国内大模型的发展态势，以及 MiniMax 的思路。 如果没记错的话，这也是近半年来，国内几家头部大模型创业公....
国行版苹果 AI 开始测试；ChatGPT 搜索量已达到谷歌 20%；Seedance 被曝五成收入来自海外｜极客早知道
国行 Apple 智能开始测试：iOS 27.3 首个开发者 Beta 版已推送11 月 4 日，苹果向开发者推送 iOS 27.3 首个 Beta 版，国行 iPhone 用户开始测试首批 Apple 智能功能，包括实时翻译、照片消除、写作工具和通知摘要等。国行 Apple 智能与阿里巴巴达成合作，在部分体验中接入千问。国内用户可直接在 Siri、写作工具和视觉智能...
DeepSeek“逢崩必更”，Harness又发新版了
AI应用风向标（公众号：ZhidxcomAI）作者｜毕伟豪 编辑｜漠影每逢崩溃，必有更新。智东西11月4日报道，昨天，DeepSeek Harness悄悄更新了GitHub仓库，推出了一个v0.2.2-alpha.3预发布版本。这次更新围绕代码审查、自动化任务管理、SDK和插件生态等方面进行了扩展。有趣的是，就在昨天DeepSeek出现了网页及API服务部分中断的...
腾讯混元重磅发布Hyra 2.0，让AI Agent全面参与科学大模型与硬核研发
三个月前，腾讯混元推出通用科研极简Agent循环系统Hyra1.0。其开源模型Hy3驱动Hyra解决加法组合学悬置五十余年的核心难题——和集与差集最优指数，创下国产开源模型首次全自动解决数学开放问题纪录。此后国际AI巨头纷纷竞逐数学与理论计算机科学。“AI刷题”路径已走通，自动化科研下一步受关注。
折腾了整整1年，毫无保留地分享一下我这套Agent自动化系统
上周六的时候，DeepSeek发了他们一篇很长的技术文章，叫《Super-agent设计探索：迈向更自主的Agent系统》，细细读完了，非常棒的架构，对很多开发者来说，都非常非常值得学习。 ....
FilingLoop：用于企业披露审查与修订的LLM智能体评估与演化
arXiv：2610.37905v1 发布类型：新 摘要：诸如美国证券交易委员会EDGAR等公开披露数据库通过网络访问企业申报文件，为知情投资提供支持。借助语言模型智能体对这些文件进行审查时，需要发现相关文档中未明示的缺陷、获取缺失的企业信息，并验证所请求的修订是否符合有据可依的要求。然而，现有的金融问答评测难以充分反映此类交互能力。我们提出了\textbf{FilingLoop}，一个用于企业披露审查与修订的交互式基准测试及自进化智能体框架。FilingLoop以美国证券交易委员会的历史往来函件为基础，从96家公司的文件中重构出380项以首次公开募股审查为主的任务。
FlatCake：一种用于大语言模型推理的扁平化KV缓存存储架构
arXiv:2610.38355v1 发布类型：新摘要：KV缓存复用能够加速大语言模型的推理，但现有系统将主机DRAM和NVMe SSD视为分层结构，其中DRAM充当中间缓存。然而，实际的大语言模型工作负载打破了这一分层结构的两个前提。首先，双模态复用使DRAM的时间过滤失效，因为工作负载要么由具有较长复用距离的一次性块主导，要么由超过DRAM容量的数GB级智能体会话主导，从而将SSD置于关键的读取路径上。其次，DRAM的暂存与按驱逐顺序布局导致SSD恢复出现瓶颈。为在途前缀保留主机暂存缓冲区会在负载下引发争用，进而中止预取操作；而增量式驱逐则会将会话的块分散到整个SSD上，阻碍大规模顺序读取。我们 p
Seq@K：在序列反馈下的语言模型评估
arXiv:2610.37859v1 发布类型：新 摘要：语言模型驱动的智能体与以往的智能系统存在根本性差异，其能够在上下文中从自然语言中学习。这一能力使智能体能够根据反馈逐步优化自己的回答，而这正是现代智能体工作流中普遍采用的操作模式。然而，学术界目前主要依据Pass@1或Pass@K等指标对模型进行排名，这些指标无法反映模型如何利用先前尝试的反馈信息。我们提出了Seq@K，这是一种自然的评估方案，用于衡量模型在每次先前失败后获得反馈的情况下，是否能在K次连续尝试内解决问题。与那些考察长期规划的多轮智能体基准测试不同，Seq@K将重点聚焦并形式化了从……中进行迭代优化的核心能力。
现在，您可以在 Gemini 聊天中直接生成并编辑 Google 文档文件了。
现在，您可以在 Google Gemini 内部直接生成、预览并编辑 PDF、Google 文档、Google 表格、幻灯片演示文稿、Markdown 文件、TXT 文件以及代码。全新的文件编辑功能自今日起面向所有 Gemini 用户开放；其中，PDF 的预览与编辑功能同时支持网页端和移动端，而其他所有文件格式目前仅限于网页端使用。
谷歌开始用Agent“武装”Android，应用可直接接入Gemini
文丨苏扬 编辑丨徐青阳 Android正在为AI智能体打开更多入口。 美国当地时间10月28日，谷歌举行Android Dev Summit 2026开发者峰会，发布了....
