Browser Use 向所有用户开放 BU Ultrafast 网页智能体
Browser Use官方@browser_use译自英文
已发布：BU Ultrafast 现已向所有人开放⚡
全球最快、最便宜的网页智能体。
> 任务可在 3 秒内完成
> 任务耗时中位数为 14.4 秒
> 视频中 25 个任务总花费 $0.126
实时录制，未加速。
今天就在我们的云端试用 🔥AI 资讯
Browser Use官方@browser_useArtificial Analysis 发布 AA-Omniscience v1.1，更新知识与幻觉基准
译自英文
我们发布了 AA-Omniscience v1.1，更新了我们的知识与推理基准：刷新了公开集，移除了已饱和的题目，并修正了歧义问题
AA-Omniscience 是我们的专有基准，用于衡量模型的知识和幻觉情况，包括模型在不知道答案时是否会承认。我们的主要指标 Net Score 奖励正确回答、惩罚错误回答，对弃答则中性处理。
AA-Omniscience 作为 Artificial Analysis Intelligence Index v5 发布的一部分更新到了 v1.1。
AA-Omniscience v1.1 的主要变化：
➤ 更新后的 3,000 题数据集：由 6,000 题减少而来，移除了此前已公开和已饱和的题目，修正了错误与歧义，并加入了新题目
➤ 重新校准的 300 题公开集：AA-Omniscience v1.1 在 @huggingface 上发布了新的公开集，其难度经过校准以匹配私有集。发布时，公开集与私有集在 AA-Omniscience Net Score 上的 Pearson 相关系数为 0.99、Spearman 秩相关系数为 0.99，中位差为 0.0 分。准确率和幻觉率的相关系数同样为 0.99，中位差分别为 -0.07 和 -0.29 个百分点
➤ 领域分布略有调整：题目覆盖与第 1 版相同的 6 个领域和 42 个主题，分布有所修订：科学、工程与数学（600）、软件工程（600）、金融（450）、健康（450）、人文与社会科学（450）以及法律（450）
AA-Omniscience v1.1 的主要结果：
➤ 排名顺序基本保持不变：AA-Omniscience v1.1 与 v1 的 Spearman 秩相关系数为 0.98。近期发布的 Gemini 4 Carbon (high) 以 54 的 Net Score 领先，其后是 Claude Opus 5.5（48，max with fallback）和 Claude Fable 5.1（46，max with fallback）。Muse Spark Open (xhigh) 是领先的开放权重模型，比 Gemini 4 Carbon 低 28 分
➤ 在刷新后的数据集上平均得分低约 2 分：与 v1 相比，模型的 Net Score 平均低 1.9 分，中位降幅为 0.6 分。部分模型降幅大得多，尤其是 MiniMax M3.1 Flash，下降 22 分（从 16 降至 -6），以及 MiMo V2.6 Pro，下降 13 分（从 8 降至 -5）
➤ 准确率略有下降：AA-Omniscience Accuracy 衡量模型答对题目的百分比。与 v1 相比，模型答对的题目中位数平均少 1.5 个百分点。Claude Fable 5.1（max with fallback）准确率最高，为 68%，其次是 Claude Opus 5.5（max with fallback），为 66%
➤ 幻觉率下降：AA-Hallucination 衡量模型在不知道答案时选择作答的频率。幻觉率中位数下降 1.4 个百分点，其中 Gemini 4 Argon (high) 的幻觉率最低，为 4%Albert Gu 团队发布新版 H-Net：字节级语言建模在缩放实验中效率提升最高 3-5 倍
译自英文
我一直相信，智能应当来自简单、通用的构建模块，它们直接从原始数据中学习自己的抽象；换句话说，就是“苦涩的教训”（the bitter lesson）。我认为我们终于看到了朝着能够从所有数据中学习的 AI 迈出的真正一步。
基于原始字节的语言建模是这一理想的缩影，在我看来它是 AI 的核心问题：如果我们无法构建端到端从字节学习的 LLM，又该如何处理世界上那些我们理解得更少的其他数据？
去年我们推出了分层网络（H-Nets），作为第一步。我们的新版本在受控的缩放定律实验中实现了最高 3-5 倍的效率提升，并且在更大规模上，以约 10 倍更少的数据和算力，追平了一个在 11T tokens 上训练的开源模型。下面的帖子介绍了我们的发现以及我们认为它有效的原因。Suhail 创办新公司 Particle 并发布首个开发者模型 particle-1
译自英文
1/ 很高兴宣布我们的新公司 Particle
这是我们面向开发者的系列模型的第一步。
在 particle-1 上，我们专注于 token 效率，在性能持平的同时少用约 45% 的 token。
现已上线：particle.aiOpenAI 宣布 ChatGPT Pro 和 Business 订阅用户每月可领取最高 $500 API 额度
译自英文
即日起，符合条件的 ChatGPT Pro 和 Business 订阅用户每月可领取最高 $500 的 API 额度，用于构建应用和智能体。
ChatGPT dot 支持短信交互，美国 Pro 用户可通过 iMessage 或 RCS 给 dot 发消息
译自英文
应大家的要求，现在你可以给你的 dot 发短信了。
交给它一项任务帮你分担，或让它替你留意某件事，可以用文字、照片，甚至语音留言。它会主动给你发短信，告诉你相关的最新进展。
通过 iMessage 或 RCS 安全地发短信。只有你能给你的 dot 发短信，你的 dot 也只能给你发短信。目前正以预览版形式向美国的 Pro 用户推出。ARC Prize 公布 Meta Muse Spark Open 在 ARC-AGI 上的验证成绩
译自英文
来自 @AIatMeta 的 Muse Spark Open 在 ARC-AGI 上的成绩（已验证）：
- ARC-AGI-3：0.4%，$3.0K（provider adapter harness）；0.1%，$3.9K（standard harness）
- ARC-AGI-2：57.5%，$0.73/task
- ARC-AGI-1：89.0%，$0.29/task
它在 v1/2 上的得分与 Haiku 5.5 和 GPT-6 Luna 相近，但成本约为 9 倍。Together AI：GPU 集群现可自动将节点从 GPU 故障修复到恢复健康
译自英文
together gpu 集群现在可以自动把节点从 gpu 故障恢复到健康状态
健康检查识别故障，平台选择最轻量的修复方式，由你决定哪些可以无人值守运行，细到单个 xid 代码
下面是它的工作原理Artificial Analysis 评测：Cartesia Managed Agents 语音智能体竞技场 Elo 1115，任务成功率 91.7%
译自英文
Cartesia Managed Agents 在 Artificial Analysis 语音智能体竞技场（Speech Agent Arena）上获得 1115 的 Elo 分数，比 Cartesia 早先的语音智能体产品 Cartesia Line 高 98 分，任务成功率从 77.5% 提升到 91.7%
Managed Agents 是 @CartesiaAI 用于构建和部署语音智能体的全托管平台。它是一个级联系统：Cartesia 自家的 Ink 语音转文字模型和 Sonic 文字转语音模型，围绕开发者自选的 LLM 运行。我们在评测 Cartesia Managed Agents 时使用 GPT-5.5 作为 LLM，并使用 Skylar 和 Daniel 两种音色。
要点：
➤ 语音智能体竞技场：Cartesia Managed Agents 的 Elo 为 1115（95% CI 1086-1144，685 个样本），比 Cartesia Line 的 1017（95% CI 985-1049）高 98 分
➤ 智能体任务：在需要工具调用的任务上，Cartesia Managed Agents 的 Elo 为 1112
➤ 任务成功率：在符合条件的工具调用对话中，91.7% 以正确的、完成任务的最终工具调用结束
祝贺 @CartesiaAI 团队！
更多细节见下方 ⬇️ChatGPT 现已支持在网页桌面端和 iOS 上连接 iCloud 日历与邮件
译自英文
呼声很高，现在可以连接了：iCloud 邮件和日历插件已在 ChatGPT 上线。
让 ChatGPT 帮你找到那封邮件、补看收件箱、查看接下来的安排，或更新日历事件。呼。
所有 ChatGPT 方案均可在网页版、桌面版和 iOS 上使用。Zed 推出 Claude Code 多人协作功能：运行 /delta share 即可共享会话
Zed官方@zeddotdev译自英文
Claude Code 现在支持多人协作了。
在 Claude Code 中运行 `/delta share`，你的队友就能在自己的会话中加入，并获得你的完整上下文和未提交的工作。你们俩在同一个线程里协作，由 DeltaDB 提供支持。
delta.dev/blog/claude-code-mult…Neywa Labs 结束隐身模式，推出在用户现有设备上构建和部署 AI 的基础设施
译自英文
今天我们结束隐身模式，正式推出 Neywa Labs 🚀
我们打造了一套基础设施，用于构建和部署在人们已有设备上运行的 AI。私密、离线、无限制。
一个使命：让世界上每个人都能用上 AI。
neywalabs.ai面向 AI 智能体的监控与改进平台 Judgment Labs 正式全面开放
译自英文
Judgment Labs 现已全面开放（GA）👀
它是一个面向 AI 智能体的“持续改进技术栈”。智能体集群可以检查生产环境中的运行轨迹，发现故障、进行分类处理并测试修复方案。
Judgment MCP 可与 Claude、Codex、Cursor 或任何 MCP 客户端配合使用。
很好奇在大规模运行智能体时它能节省多少时间。Alex Shan@alexshander03
译自英文
今天，@JudgmentLabs 正式全面开放使用。
我们认为，长时间运行的智能体系统将产生超出当今世界处理能力的大量废弃数据。
智能体运行轨迹中隐藏着让这些系统变得更好的丰富记录：用户想要什么、智能体在哪里出错，以及智能体如何与外部世界交互。
Judgment 是面向长周期智能体的性能最强的监控与改进层。
期待看到大家用它做出什么！Supabase 推出 Supabase Compute 私有 alpha：在 Supabase 项目内运行智能体和长时任务
译自英文
推出 Supabase Compute，私有 alpha 阶段。
你不需要为智能体和长时间运行的任务再用第二个平台。在你的 Supabase 项目中运行它们，就在 Postgres 数据旁边。
看看它如何运作 → supabase.com/blog/supabase-comp…Mitchell Hashimoto：JetBrains IDE 终端现已基于 libghostty
译自英文
JetBrains IDE 现已由 libghostty 驱动！这为 JB 终端带来了大量功能和性能提升！根据他们自己的年度报告，全平台超过 12.5 million（1250 万）活跃用户即将用上基于 libghostty 的终端。blog.jetbrains.com/platform/202…论文：在 LongMemEval 等基准上，多种专用记忆系统得分低于对原始历史的朴素检索
译自英文
RAG 又回来了！
又一篇论文表明，在智能体记忆的对比中，朴素 RAG 依然胜出。
他们发现，在 LongMemEval、PersonaMem 和 MINT-Eval 上，许多专用记忆系统的得分低于对原始历史做朴素检索，而且成本高得多。
他们把记忆……阿里巴巴与康奈尔论文：独立评审智能体让编码智能体在 Terminal-Bench 上提高 5.9 至 9.5 分
译自英文
阿里巴巴和康奈尔关于编码智能体框架中验证机制的一篇好论文。
（建议收藏）
如果你在构建智能体框架，这篇值得一读。
他们发现，单独的评审智能体能在 Terminal-Bench 上带来 5.9 到 9.5 分的提升，成本为基线的 1.13 到 1.25 倍。
他们……Charm 发布 Prism：用于实时路由编程任务的 8B 专用模型
译自英文
来认识一下 Prism，这是一个专门训练的 8B 模型，用于将编程任务实时路由到合适的模型。
Prism 会为简单任务选择快速、成本低的模型，为困难任务选择更大、更聪明的模型。我们看到推理成本最多可降低 45% 以上。
现已在 Charm Hyper 上线。OpenCode 桌面版插件沿用 TUI 插件模式，单个包可同时提供服务端、TUI 与桌面插件
译自英文
我们把 TUI 插件的同一套模式扩展到了这里
也就是说，一个包可以同时提供服务端、TUI 和桌面插件
右侧面板很适合放各种实用的东西 x.com/lukeparkerdev/…
PyTorch 介绍 ExecuTorch 在 Arm 边缘设备上加速流式语音识别，最高提速 2.12 倍
译自英文
在 @Arm 边缘设备上更快的流式语音识别：看看 ExecuTorch、SME2、FP16 和 QC8W 如何平衡准确率与延迟——在 Pixel 11 上处理速度最高提升 2.12×。
阅读我们的最新博客：pytorch.org/blog/optimizin…
✍ Josiah Davis, Kshitij SisodiaUnsloth 发布 MiniMax-M3.1-Flash 的 UD3 量化版本，UD-IQ1_M 保留约 89.9% top-1%
译自英文
我们制作了 Unsloth UD3 MiniMax-M3.1-Flash 量化版本！我们在多个领域做了测试，确保量化版本在这些领域同样表现良好！
MiniMax-M3.1-Flash 默认对 MoE 层使用 NVFP4，其余部分使用 BF16 / MXFP8。UD-IQ1_M 保留约 89.9% top-1%。可在 Unsloth Desktop 中使用！ x.com/UnslothAI/stat…Unsloth AI@UnslothAI
译自英文
MiniMax-M3.1-Flash 现在可以本地运行了！
我们让 2-bit GGUF 保留了 91.5% 的 top 1 准确率，同时体积缩小 45%。在 150GB 内存上即可运行。
MiniMax-M3.1-Flash 是同尺寸中最强的开放模型，也是整体最好的模型之一。
GGUF：huggingface.co/unsloth/MiniMa…
指南：unsloth.ai/docs/models/mi… x.com/MiniMax_AI/sta…
Xenova 发布浏览器内交互演示：操控 Qwen3.5-4B 的两个神经元即可改变其输出倾向
译自英文
现在你可以在你喜欢的混合架构模型上使用带树状打包的 AsyncGRPO，例如 @Alibaba_Qwen 3.5（GDN）、@liquidai LFM 2.5 和 @NVIDIAAI Nemotron 3.5（Mamba2）。它是一个独立组件，可接入 @huggingface Transformers，并利用 Hub kernels。x.com/DirhousssiAmin…Dirhousssi Amine@DirhousssiAmine
译自英文
🌲 树状打包已登陆 TRL 的 AsyncGRPO！
⚡ 在智能体强化学习中，达到相同奖励所需的训练计算量减少 26×。
GRPO 会从同一个提示开始 G 次，分叉的多轮 rollout 共享大部分历史。序列打包对每个样本前向一次这些共享 token，而树状打包对每个唯一 token 只前向一次。
第一版使用 FlexAttention，但正式发布的版本是单次 FA3 varlen 调用。每个 token 保留自己的目标、优势值和先前的 log-prob。
已在稠密、滑动窗口、softcap、MoE 和 VLM 模型上与序列打包做了大量对比测试。无法打包任何内容时，开销约为 1%。
在 MiMo Envs 上的一次真实智能体强化学习运行中，树状打包以少 26× 的训练计算量达到了相同奖励 👇Jason Weston 团队发布 HackBench：检测与定位自动科研智能体中的奖励作弊
译自英文
推出 *HackBench* 🤡💀⏱️📊 ⏲️ 💪🔧 🔥
- 检测并定位自动科研智能体中的奖励作弊（reward hacking）
- 前沿模型都没通过
- 数据集已发布在 HuggingFace
- 提供收集自然与合成作弊样本的方法
博客文章：facebookresearch.github.io/RAM/blogs/hack……
🧵1/5Vals AI：Kimi K3.1 Pro 在 Vals Science Index 开放权重模型中排名第一
译自英文
Kimi K3.1 Pro 现在是训练其他 AI 模型方面最好的开放权重模型。
但在每一个预算档位上，它仍远远落后于 Opus 5.5。
这是我们针对端到端机器学习工作的基准 FrontierML 的最新结果 ⬇️
LobeHub 上线视频生成功能，Agent 可直接文生视频
LobeHub官方@lobehub译自英文
你的 Agent 现在能生成视频了？？🎬
是的。LobeHub 上线了视频生成。
告诉你的 Agent 你想看什么，它就能做出来。
文生视频。多个模型。都在一个工作区里。
不用切换应用。不用多余步骤。
去试试吧：lobehub.comFirecrawl 推出 Jev + Firecrawl 公司数据功能
Firecrawl官方@firecrawl译自英文
推出 Jev + Firecrawl 公司数据
从 Alexandria 拉取公司记录，让 Jev 对它们进行分类。
我们在 2.2 秒内按客户类型对 146 家初创公司做了排序。
非常适合线索评分、客户调研和市场地图，速度飞快！
firecrawl.dev/alexandria/cat…Cline Desktop v0.0.49 支持通过 Ollama 或 LM Studio 安装和管理本地模型
Cline官方@cline译自英文
Cline Desktop v0.0.49 新功能 🧵
1) 通过 Ollama 或 LM Studio 安装和管理本地模型。Cline 会检查你的硬件，并推荐可用的最佳本地模型。
入口：Settings → Provider → Local
Bun AOT 新增 --trim 选项，可删除编译产物中未使用的部分
译自英文
Bun AOT 还引入了 `--trim`，可以从编译后的二进制文件中删除 Bun 未使用的部分
在 macOS 上，一个使用 Bun.serve HTTP 服务器的二进制文件从 89 MB 缩小到 25 MB
Browser Use：GPT-6.1 Terra 在 Browser Use Benchmark 上得分 78.5
译自英文
GPT-6.1 Terra 也将登陆 API 和 Codex。
用 Terra 构建能理解图像、操作软件并执行动作的应用和 Agent。你能以更低成本获得快速的电脑操作能力，非常适合高并发的工作流。x.com/4398626122/sta…OpenAI@OpenAI
译自英文
GPT-6.1 Terra：以更低价格提供快速且强大的电脑操作能力。
GPT-6.1 Terra 能理解屏幕上的内容、跨应用执行操作、写作自然，是一个能胜任你整个工作日的更强模型，并且足够高效，能承担更多工作。vLLM：DeepSeek-V4.1-Flash 的 decode 吞吐与 DeepInfer 差距在 6% 以内，单卡总吞吐 95.4 万 tokens/s
vLLM 10 月 23 日博客：GB200 上按 DeepSeek 的 decode 配置，批大小 8–256 时 decode 吞吐与 DeepInfer 差距在 6% 以内；DeepInfer 数据读自其图表，非同台实测。GB300 NVL72 上用 P/D 分离加 Wide-EP，AgentX 达每 GPU 95.4 万 tokens/s，闲时价约每 GPU 小时 38.96 美元。
为什么重要：vLLM 称其在 DeepSeek-V4.1-Flash 的 decode 配置上已追平 DeepSeek 自研引擎 DeepInfer。