Jev 能否替代 RAG 中的 reranker？在 Milvus 短名单上实测三种方案
在 Milvus 短名单上对 80 条 SciFact 查询实测三种方案：qwen3.7-text-rerank 将 nDCG@10 提升 0.0446，Jev 提升 0.0778，排名最优。但 Jev 的 P50 重排延迟是 qwen 的 10.2 倍，单次运行成本约为 6.7 倍。以 0.5 为阈值直接按概率过滤时，top-5 精确率 49.4%，但有 18.8% 的金标准相关文档被滤除。
#评测/基准
#评测/基准
今日 18 条Milvus(@milvusio)AI 评估 · 30/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 30/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 LangChain BlogAI 评估 · 56/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 56/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 LangChain 实测 TypeSafe AI 的 Jev 能否成为更好的 Agent 评估器
LangChain 用 Deep Agents 构建天气 agent，在 LangSmith 数据集上对比 TypeSafe AI 的 Jev 与 GPT-5.6 Luna、GPT-5.6 Terra、Claude Sonnet 4.6 三种 LLM 评委。
Qdrant(@qdrant_engine)AI 评估 · 44/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 44/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Qdrant 实验：向量检索候选深度如何影响重排序效果
Qdrant 在五个公开数据集上实验了向量检索的候选深度：若最终只要 5 条结果，先召回 100 个候选能给重排序或融合阶段更多素材。把 limit 从 10 提到 500，最优可能的 nDCG@10 最多提升 0.28，但实际得分变化不超过 0.01——有时文档已被召回，只是排名不够高。
卡尔的AI沃茨AI 评估 · 44/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 44/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 实测阶跃星辰 Step 5 Preview：网页复刻追平第一梯队，价格只要三分之一
阶跃星辰新模型 Step 5 Preview 实测显示前端 UI 复刻能力已追上第一梯队，排名较上个版本提升 13 名，与 K3 和 Grok 打平，价格仅为 K3 的三分之一。用一句话提示词即可复刻 Apple 官网首页，接入 Claude 框架后能从 72 页 PDF 中逐条提取数字、审计含 14 张工作表 1800 多条公式的 Excel 模型并揪出 22 个单元格错误。
沃垠AIAI 评估 · 62/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 62/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 实测阶跃星辰 Step 5 Preview：五项任务表现如何
作者冷逸把阶跃星辰 Step 5 Preview 的 API 接入 WorkBuddy 实测，覆盖前端网页、塔防游戏、3D 互动游戏、跨平台适配和运营报告 PPT 五类任务，其中塔防游戏一次性生成且可通关，3D 游玩与关卡设计离 GPT-6 仍有差距。
Harrison Chase(@hwchase17)AI 评估 · 16/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 16/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 LangChain 测试 Jev 作为语义评判器：面向大规模 trace 的在线评估
LangChain 测试了 Jev 作为语义评判器（jev as a judge），并与 LLM judges 在准确率、可重复性、延迟和成本四个维度上做对比，以验证 System One 模型能否为智能体评估提供新思路。该方案定位为便宜、快速的语义评判器，尤其适合需要给大量 trace 打分的在线评估场景。
袋鼠帝AI客栈AI 评估 · 65/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 65/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 阶跃 Step 5 Preview 实测：接入 Claude Code 连跑三小时交付五个项目
作者参与阶跃新一代旗舰模型 Step 5 Preview 内测，将其接入 Claude Code 完成五个项目：three.js 昆明 3D 网站跑了近 3 小时、把自研 Mac 截图工具 Ta 移植成 Windows 版、手机端 MD+HTML 阅读器墨读、广告小游戏复刻，以及网页虚拟机械臂接入 GLM-5.3-Flash 画画。
腾讯混元AI 评估 · 38/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 38/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 腾讯混元联合清华北大提出 WebCraftBench：让智能体实测 AI 生成的网页
腾讯混元联合清华、北大提出网页生成评测基准 WebCraftBench，把软件测试方法引入评测：用智能体真实操作网页，结合代码覆盖率与美观度、易用性、需求符合度三维打分。基准含 369 条真实需求、5,088 条验收标准，覆盖 17 个前沿模型生成的 6,273 个应用，在 197 组人类偏好对比中一致率达 85.3%。
GitHub(@github)AI 评估 · 26/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 26/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 GitHub 分享从原型到生产的 LLM 评测实践
GitHub 指出，语言模型在干净 benchmark 上表现优异，仍可能在真实场景的关键 case 上失败。GitHub 分享了帮助其从有前景的原型结果走向生产的评测实践。
NVIDIA AI(@NVIDIAAI)AI 评估 · 32/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 32/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 NVIDIA Dynamo AIPerf：测量 LLM 端点的 TTFT、ITL、延迟与吞吐
NVIDIA Dynamo AIPerf 用于在流量增长时衡量 LLM 端点的 TTFT、ITL、延迟和吞吐，并可用可重复的真实流量模式进行测试。该工具面向规模化场景，帮助回答 LLM 端点在高负载下的性能表现。
Mustafa Suleyman(@mustafasuleyman)AI 评估 · 29/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 29/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Muse Image、MAI-Image-2.6 与 GPT Images 2.5 刷新文生图性价比前沿
Artificial Analysis 指出，近几周 Muse Image、MAI-Image-2.6 和 GPT Images 2.5 显著推动了文生图在价格与速度两条帕累托前沿的移动，生成高质量图像比以往更便宜、更快。Mustafa Suleyman 转发称这是全球图像生成领域最佳的性价比表现。
奇舞精选AI 评估 · 22/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 22/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 奇舞周刊第597期：Agent 工程与研发实践
奇舞周刊第597期汇编多篇 Agent 工程实践：淘宝百亿补贴数据分析助手 Agent 在自然语言与 SQL 间加入业务语义层，结合多 Agent 编排、知识检索与执行校验，案例查询耗时从 30—120 秒降至 3—10 秒。
Yangyi(@Yangyixxxx)AI 评估 · 22/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 22/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Jev 做分类任务：邮件分类与线索评分的最佳使用场景
Jev 在分类任务上表现突出，做邮件分类和对线索评分都很好用。有用户为验证 Jev 的判断速度，让其进行邮件分类，并与各家 AI 的高速模型 Luna、Sonnet、Flash 对比，Jev 结果领先。
Hamel HusainAI 评估 · 55/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 55/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 AI Evals 常见问题大全：从错误分析到评估器验证
Hamel Husain 整理了他与 Shreya 在向 5000+ 名工程师和 PM 讲授 AI Evals 时收到的最常见问题，组成一份按主题分类的 FAQ。
Vercel NewsAI 评估 · 38/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 38/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Vercel Sandbox 支持运行 Terminal-Bench 等 Harbor 评测
Vercel Sandbox 现已支持运行 Harbor 评测，Harbor 是 Terminal-Bench 背后的开源评测框架，其注册表还包含 SWE-bench、tau3-bench 和 OSWorld 等基准。
阿真IreneAI 评估 · 65/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 65/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 豆包 Seed-2.1-pro 0915 版本多模态 Coding 与长任务实测
豆包 Doubao-Seed-2.1-pro 升级到 0915 版本，官方称重点提升 Coding、Agent 与多模态能力。作者实测了用平面图和作品资料生成三维电子展馆网页、从零策划含 Office 三件套的完整游戏项目、以及借助 Blender MCP 生成白模运镜参考视频再交给 Seedance 出片等案例。
Epoch AIAI 评估 · 60/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 60/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Epoch AI：GPT-6 Astra 在数学基准上领先，软件工程并非如此
Epoch AI 用 Epoch Capabilities Index（ECI）及面向数学和软件领域的 ECI 变体，对比 GPT-6 Astra、Claude Fable 5.1、GPT-5.6 Sol 和 Kimi K3 四款近期模型，结果显示 GPT-6 Astra 在数学基准上领先，但在软件工程上并非如此。
Fireworks AI(@FireworksAI_HQ)AI 评估 · 41/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 41/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Fireworks AI 实测：DeepSWE 智能体成本 99.6% 命中缓存，单任务 $0.43 对 $6.52
Fireworks AI 在 Astra 与 DeepSeek V4.1-Flash 上运行 DeepSWE，输入 token 与输出 token 比例为 174:1，其中 99.6% 为缓存命中，缓存命中占账单的 60%。两者质量相同，但单任务成本分别为 $0.43 与 $6.52。
DeepLearning.AI(@DeepLearningAI)AI 评估 · 52/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 52/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Claude Fable 5.1 在 Artificial Analysis Intelligence Index v4.2 中并列第一
Claude Fable 5.1 在 Artificial Analysis 的 Intelligence Index v4.2 上守住第一，并与 OpenAI 的新模型在更新后的基准测试中并列。
Hunyuan(@TXhunyuan)AI 评估 · 44/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 44/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 腾讯混元发布 EvolveScaler：可执行状态机生成的信息演化评测基准
腾讯混元推出 EvolveScaler，把世界定义为可执行状态机再渲染成自然语言，模拟记录被撤回、更正、回填的"信息演化"。该基准含 117 个原型、159 个问题算子、5 个难度层级，单样本事件量最高约 1,200。14 个前沿模型在最难层级上 avg@5 中位数降至 11.3，而用它训练可在 8 个分布外基准上平均提升 5.25。
Elastic BlogAI 评估 · 19/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 19/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Elastic 在 2026 年 AV-Comparatives EPR 测试中拿下唯一满分
Elastic Security 在 AV-Comparatives 2026 年 Endpoint Prevention and Response（EPR）测试中获得唯一的 100% 防护得分，并在 14 家厂商中实现最低的建模运营占用与零误报。
eric zakariasson(@ericzakariasson)AI 评估 · 13/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 13/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 是否已有针对 bot / AI worker 的 benchmark？对 grok bot、muse、hermes、openclaw 等的评测
有人在 X 上发问是否已存在针对 bot / AI worker 的 benchmark，并点名 grok bot、muse、hermes、openclaw 等待评测对象，但未给出任何实测数据、指标或结果。该帖获 404 点赞、74 条回复、11 次转发，浏览量达 42370。
大淘宝技术AI 评估 · 24/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 24/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 淘天自研编码器 S266 斩获 MSU 2025 视频编码器大赛 6 项冠军
淘天音视频技术团队自研的 H.266/VVC 编码器 S266 在第19届 MSU 世界视频编码器大赛（MSU 2025 FullHD 赛道）包揽 1 FPS、5 FPS、30 FPS 三个速度档位的 VMAF 冠军，S26X 则在 1 FPS 档位拿下 SSIM、PSNR 和主观评价三项第一，累计 6 项冠军及 1 项季军。
夕小瑶科技说AI 评估 · 47/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 47/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 实测5款国产世界模型：蚂蚁 LingBot-World 2.0、阿里 HappyOyster 1.0、腾讯混元 HY-World 2.1、爱诗 R1 与开源 Zing-0.5 各有什么能耐
夕小瑶科技说实测了5款已开放体验的国产世界模型：蚂蚁 LingBot-World 2.0、阿里 HappyOyster 1.0、腾讯混元 HY-World 2.1、爱诗 R1 和 8月26日开源的 Zing-0.5，从漫游、导演、联合控制三类能力评估输入还原度、运动一致性、物理合理性与导演表现。
Browser Use(@browser_use)AI 评估 · 65/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 65/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 DeepSeek V4.1 Flash 在浏览器任务上成本比 Sol 和 Opus 低 50 倍
Browser Use 引用 Gregor Zunic 的评测称，DeepSeek V4.1 Flash 在 60 个高难度浏览器操作任务上处于帕累托前沿，性能接近 Sol 和 Opus 的同时，记录到的智能体成本低 50 倍。该评测还表示，跑完整个数据集的成本低于运行 Sol 的单个任务。
Perplexity(@perplexity_ai)AI 评估 · 24/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 24/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Perplexity 评测 13 个检索模型：pplx-embed-v1-4b 在 Web Ranking 与 Combined 居首
Perplexity 用 Recall@1000 为主要指标，在三个相关性数据集上评测了 13 个检索模型。pplx-embed-v1-4b 以 65.73 和 69.11 分别在 Web Ranking 与 Combined 上领先，Nemotron-3-Embed-8B 则在 Citation 上以 61.68 居首。
Perplexity(@perplexity_ai)AI 评估 · 18/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 18/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Q2D-Web 用 agent 引用、生产网页排名与 LLM 判断扩充的相关性集合测试模型表现
Q2D-Web 采用三套相关性集合：agent 引用、生产环境网页排名，以及用 LLM 判断扩充的合并集合。这三套集合旨在降低漏判、减少对单一标注流程的依赖，同时测试相关性定义如何影响模型表现。
Perplexity(@perplexity_ai)AI 评估 · 27/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 27/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Perplexity 推出 Q2D-Web 基准与公开榜单，评测 agentic RAG 检索
Perplexity 推出 Q2D-Web（Query2Doc-Web），用于评测 agentic RAG 系统检索能力的基准和公开榜单。该基准测试嵌入模型在使用 AI 智能体重写搜索查询时，在大规模网页搜索上的表现。
Greg Brockman(@gdb)AI 评估 · 66/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 66/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 OpenAI GPT-Image-2.5 的 Sunburst 与 Flare 登顶图像 Arena 榜单
Arena.ai 数据显示，OpenAI 的 GPT-Image-2.5-Sunburst 在 Text-to-Image Arena、Image Edit Arena 和 Multi-Image Edit Arena 三个榜单均排名第一，Flare 排名第二。
Cursor(@cursor_ai)AI 评估 · 30/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 30/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Cursor 公布 CursorBench 完整评测结果
Cursor 公布了 CursorBench 的完整评测结果，成绩页面已在 cursor.com/cursorbench 上线。该结果帖获得 39267 次浏览、98 个点赞与 14 条回复。
Latent.Space(@latentspacepod)AI 评估 · 13/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 13/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Latent.Space 推出 Frontier AEO 追踪器，解析 Astra 与 Fable 的优先来源
Latent.Space 发布 Frontier AEO 追踪器项目，用于分析 Astra 优先关注什么、使用哪些来源，以及从 Sol 到 Astra、从 Opus 到 Fable 发生了哪些变化。相关答案已收录在 latent.space/p/aeo。
SemiAnalysisAI 评估 · 61/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 61/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 SemiAnalysis 首次第三方实测 TPUv7 Ironwood 推理：每美元性能最高领先 B300 96%
SemiAnalysis 发布 TPUv7 Ironwood 在 InferenceX 预览版上的首批第三方推理结果，在与 B200/B300 的同等条件对比中，Ironwood 每美元性能最高提升 50%。
Browser Use(@browser_use)AI 评估 · 44/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 44/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Astra 在 Browser Use Benchmark v2 上以 77.3% 大幅领先 Opus 5 与 GPT-5.6
Astra 在 Browser Use Benchmark v2 上取得 77.3%，远高于 Opus 5 的 50.5% 和 GPT-5.6 Sol xhigh 的 49.1%，在 60 项任务中有 22 项满分，而 Opus 5 无一满分。该消息由 Gregor Zunic 发布，并提到 fable 拒绝的任务过多。
AI产品黄叔(@PMbackttfuture)AI 评估 · 20/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 20/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 GPT 6 前端生成能力实测：孩子几轮对话做出「咪咪小镇」
有用户用 GPT 6 给孩子做「咪咪小镇」项目，给出参考后几轮对话就生成了界面，孩子被界面吸引。室内原本没有 3D 场景，孩子用一句话提出让居民能"现实进去"、每栋楼都要能看到里面，随即也生成了。该帖称 GPT 6 的前端能力比之前强多了。
Windsurf(@windsurf_ai)AI 评估 · 48/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 48/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 GPT-6 Astra 现已登陆 Devin Desktop 与 Devin CLI
GPT-6 Astra 已在 Devin Desktop 和 Devin CLI 上线。在 FrontierCode 1.1 上，Astra 的成绩与 Fable 5 相差 0.4 分以内，成本却低 64%，并在内部测试基准上刷新 SOTA，能生成更全面的测试、更清晰的报告和更好的视频证据。
LlamaIndex 🦙(@llama_index)AI 评估 · 36/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 36/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 LlamaIndex 实测：每页贵 5 倍的文档抽取系统真的更准吗？
LlamaIndex 评测了 14 个前沿系统在 370 份企业文档上的表现，将准确率与每页成本对照后发现，成本更高并不等于抽取更准。Agentic Plus 以不到第二名 1/3 的成本取得最高准确率，Agentic 与 Cost Effective 也常胜过每页贵数倍的系统。注册 LlamaParse 可获 10,000 免费额度试用 Extract。
Philipp Schmid(@_philschmid)AI 评估 · 22/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 22/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Gemini 3.8 Flash 多模态任务实用性获赞，图像推理与数据提取排第一
Gemini 3.8 在多模态任务上的真实世界实用性被评价为无可匹敌，Gemini 3.8 Flash 被称为新的最爱 Gemini 模型。其在图像推理和数据提取上排名第一，目标检测排名第二，速度比 Gemini 3.7 Flash 快 30%。
向阳乔木推荐看AI 评估 · 58/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 58/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Qwen3.8-Max-0902 七个项目实测：网页、游戏与 PPT 表现如何
作者用千问办公对阿里 Qwen3.8-Max-0902 做了七个场景实测，涵盖投行报告转滚动网页与 PPT、烹饪知识网站、3D 迷宫寻宝、8-bit 横版过关、声控游戏、在线德州扑克和骑自行车 SVG 动画。
Stanford AI Lab(@StanfordAILab)AI 评估 · 46/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 46/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 OpenAI GPT-6 Astra 发布，Terminal-Bench-Science 成头号评测基准
OpenAI 发布 GPT-6 Astra，其在 Terminal-Bench-Science 0.1 上的成绩从 GPT-5.6 Sol 的 22.4% 跃升至 64.6%，提升 42.2 个百分点。
Patrick Loeber(@patloeber)AI 评估 · 23/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 23/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Gemini 3.8 Flash 征询早期反馈：该在哪些方面改进？
Gemini 3.8 Flash 正在公开征集早期使用反馈，询问用户希望在哪些方面改进。该帖获得 945 条回复、1233 次点赞和 188485 次浏览。