AI Pulse

我已在 @paperswithcode 上将“连续语言模型”添加为一种方法，方便你查阅以下综述中提及的所有论文及更多相关内容。点击此处查看：

Meta 出了一篇很棒的论文，里面有关于如何调优 LLM 评判器的实用建议。这篇讲的是如何在已部署的编码智能体上，让 LLM 代码评判器保持校准和测试。

LLM 评判器通常负责判断智能体的代码改动是否合格。但每当智能体发生变化，它们的提示词就会过时。AutoRefine 利用团队已有的信号来修正提示词，比如测试是否通过、改动是否被合并。

在 Meta 已部署的智能体上，评判器与真实结果的一致性从 0.16 提升到了 0.51。

与论文对话：

我们完成了 530 万美元融资，为 AI 智能体提供可运行的计算机，配备专属邮箱、电话、iMessage 和 WhatsApp。本轮融资由 @peakxvpartners 领投，@rauchg、@sternhenri、@jefrankle、@cjc 和 @daniel_levine 跟投。

今天我们将在 @inkbox_ai 上推出托管智能体。你的智能体在通信渠道旁运行，因此不会错过任何回复。空闲时会休眠，因此你无需为停机时间付费。

自 YC 发布以来的 4 个月里，我们已为 AI 智能体处理了数百万条消息。

推出 Hedra Model Factory：一个自主推理与训练平台，用于构建面向真实世界的模型。前沿研究背后的递归自我改进循环一直被少数实验室所垄断。我们正在向机器人、制造、生物和国防领域的团队开放。

我们的研究人员来自斯坦福大学、NVIDIA 和 Meta 超级智能实验室。现在，我们与您的团队并肩合作，对您的模型进行后训练和优化。

Gemini Robotics 2.5 来了。🤖 我们最新的实体 AI 能够学习数百种日常技能——从叠衣服、端送糕点，到在工厂车间自主分拣汽车零件。以下是它的能力概览 🧵

10 秒生成 4K 图像！⚡ 来认识一下 MiniMax H3-Image。1600 万像素分辨率。

令人惊艳的真实感。精准的提示词遵循与编辑能力。最多支持 16 张参考图。

全部在 10 秒内完成。而且它是开放权重的。🚀 现已通过我们的 API、MiniMax Code 和 Hailuo AI 上线——发布周期间 16MP 及以上分辨率生成享受 5 折优惠！

迫不及待想看看你们的创作。🔥

我们刚刚达成了以下里程碑：

- @huggingface 平台上的 AI 开发者突破 2000 万
- @huggingface Hub 上托管的模型、数据集、智能体轨迹和强化学习环境总容量达到 300PB（仅上周用户就新增了 9PB）

此外，10 月是我们日活跃用户数、月活跃用户数和营收表现最好的一个月。

开源 AI，冲！

Gemini 4 Carbon 来了。这是我们性能最强的模型，在网络安全能力和跨复杂知识工作、软件工程、科学推理的长周期智能体工作流方面具备前沿性能。

Gemini 4 Carbon 现已通过 Gemini API 和 AI Studio 面向付费 API 用户及 Google AI Ultra 订阅者开放。今天就来试试：

推出 PAN 2：一个面向物理智能的开放基础世界模型。

语言模型预测下一个词。PAN 2 预测下一个世界：每个动作之后会发生什么，以时间、物理和空间为基础。

致力于打造在行动前先模拟“如果……会怎样？”的 AI。

更多细节：

介绍 GR00T 2：我们最先进的开源 System One 机器人模型。它完全在机器人的机载计算平台上运行，完全无需连线，而且每一份权重都归你所有。

GR00T 2 的特性：
1. 长时程任务：灵巧操作与全身控制可串联 20 多个步骤、持续 5 分钟以上，例如完成化学实验或端到端组装模型飞机。
2. X-Adapt：从易获取的数据源（人类可穿戴设备和仿真）进行适配，并零样本部署到多种真实机器人上。
3. 统一认知：原生集成前沿智能体，实现高级物理推理、稳健的错误恢复和安全监控。

这是一场开源盛宴！我们不仅发布模型权重和 X-Adapt 方案（12 月推出），还发布我们的智能体框架、仿真引擎、标注引擎、硬件设计，甚至训练数据（10 万小时，约等于 11 年的经验），所有这些今天都已可用！

一切可移动的事物都将实现自主。任何人都能成为机器人专家。锁定目标，与我们一起构建！

深入了解请见推文串：

我们正把防御 OpenAI 过程中积累的经验，转化为面向客户的实用工具。本周四，欢迎参加「前沿网络安全」线上主题演讲，我们将发布最新的网络安全公告。

我们借助自家前沿模型，在自身代码和基础设施中发现并修复了重要漏洞。这些经验正指导我们打造工具和操作手册，帮助其他安全团队强化防御能力。

@gdb 将分享我们的经验，以及为什么随着模型能力提升，安全团队应持续让最新模型发挥作用。太平洋时间 11 月 12 日上午 10 点准时收看：

在 @NASAJPL、@GoogleDeepMind、@Meta 和 @nvidia 从事机器人记忆研究多年后，我和 @clarkzhango 一直在追问：为什么 AI 还是会遗忘？

今天，我们与 @deepakmishraVC 共同宣布成立 @GraphonAI，并且在种子轮融资仅 6 个月后完成了 3500 万美元 A 轮融资。

• ATM-Bench、ATM-Bench Hard 双榜第一
• LoCoMo 得分 94%
• DolphinBench 得分 84%，成本降低 10 倍
• 在 7 项基准测试中开辟了全新的成本-精度前沿

新闻：纽约州州长凯西·霍赫尔（Kathy Hochul）将启动一项计划，通过州政府对 AI 系统进行独立测试，并通过今年早些时候宣布的一项公私合作伙伴关系，培养新一代 AI 安全研究人员。该计划将由 Jeannette Wing 教授和 Greg Morrisett 教授领导：

把你身边的世界变成一间可离线使用的互动语言课堂！在 Google AI Edge Gallery 中的 XR Language Teacher 里，举起你的摄像头，就能和 AI 导师进行语音对话。该应用由 Gemma 4 提供支持，使用 @antigravity 构建。

阅读博客：立即体验：

卧槽，GitHub 上有人开源了个能下全网视频的工具 —— OmniGet！！

支持 YouTube、X、抖音、TikTok、小红书、B站等 1800 多个网站，复制链接就能下。

但它可不只是视频下载器： - 批量下载、播放列表下载 - 视频、图片、音频一键采集 - AI 字幕提取、Whisper 语音转文字 - 音视频格式转换、压缩、剪辑 - Udemy、Coursera 等课程资源处理 - 108 个内置工具，还支持 MCP Server，能接入 AI Agent

最关键的是：免费、开源、无广告。Windows、macOS、Linux 都支持，不用折腾命令行。

无论是 YouTube、X 视频下载，抖音去水印素材采集，还是 AI 视频创作、字幕提取，都能在这一个工具里做。

仓库：

目前 @huggingface 上最热门的模型是一个名为 Idol 的图像转 3D 模型。🔥 它由总部位于西班牙的 @speridlabs 公司开发。🇪🇸

> 600M 参数，从头开始预训练。
> 需要不到 7.2GB 的显存
> 3 秒内生成 1M 个溅射点
> Apache 2.0 许可证

向 Speridlabs 致敬，感谢他们发布了如此出色的开源版本！

在下方找到链接

Hedra 推出 Model Factory，将递归自我改进循环应用于机器人、制造、生物和国防领域。来自斯坦福大学、伯克利大学和伊利诺伊大学厄巴纳-香槟分校的研究人员（曾任职于 NVIDIA、Meta 超级智能实验室）与客户团队一起对模型进行后训练。

重新训练后的 H3 在 Google DeepMind 的 Physics-IQ 上得分 34.9，而 H3 Max 为 30.3。灵活的 GPU 沙盒、由 Hedra 研究人员指导的自主训练，以及在部署后持续改进的模型。

目前最大规模的博士级网络安全数据集现已免费开放，可用于训练你自己的网络安全模型。这是迄今为止为 AI 训练构建的最全面的完整网络安全知识库。

- 30 多个领域
- 95 GB
- 507 个文件
- 涵盖红队、蓝队、Web 安全、AI/LLM 安全、取证、合规等……
- 完整的 PortSwigger Academy（全部 31 个主题）、HackTheBox、MITRE ATT&CK、OWASP、真实漏洞赏金模式，以及防御手册、SOC、检测工程、取证、NIST/CIS/MITRE D3FEND，全部集中在一处。
- AI 安全、云、容器、物联网、加密、逆向工程

非常适合微调下一代网络安全 AI 模型。我看到已经有人在用它微调模型了。

推出 NovaAtom-Lite，一款面向药物研发的全原子结构预测模型。它能预测蛋白质、核酸及其结合分子的结构，包括它们如何相互嵌合。

NovaAtom-Lite 在 FoldBench 抗体-抗原结构预测任务上（DockQ ≥ 0.23）的表现优于 IsoDDE 和 AlphaFold 3：
NovaAtom-Lite：79.07%（n=172）
IsoDDE：75.58%
AlphaFold 3：47.90%（n=167）

我们的评估采用 5 个随机种子 × 5 个样本，按模型自身的排序分数选出排名第一的预测结果。更精准的结构预测，为你的下一次实验提供更可靠的起点。

今日起可通过 Geodesic API 和 NovaDDE 使用。
🔗 API：
🔗 NovaDDE：
🔗 模型说明卡：

社区讨论：多数人认为Anthropic不该下场做表格、白板这类通用办公工具，微软在Excel领域有40年积累，没人需要新的Excel竞品，把资源用来修复现有产品的用户问题才更有价值。有人反驳称如果微软、谷歌不加快迭代，Claude完全有能力颠覆Office和Workspace，成为企业运营的核心平台。也有评论指出，模型厂商下场做应用本质是在蚕食API客户的业务，说明常规营收增长已经放缓，这类项目大概率半年后就会被放弃，这种半吊子的增量做法只会让用户困惑。

很遗憾，智能爆炸看来终究还是会在 2027 年发生。

这篇帖子的大部分内容是在分析 METR 的新报告（不过其他证据来源也很重要）。如果他们是对的，那就意味着 AI 驱动的加速比 AI 2027 情景提前了 5 个月。我感到害怕、悲伤和愤怒。

下一个估值十亿美元的 AI 公司，可能不会去做大语言模型，而是为所有大语言模型打造记忆层。

想想看。GPT 和 Claude 每个月都在变得更聪明，但 AI 智能体在长期运行的任务中仍然难以保持上下文。Graphon 刚刚融资 3500 万美元来解决这个问题。

它的技术能够连接事实、追踪关系，并随时间保存信息。AI 智能体的未来不只是智能，而是拥有记忆的智能。

从你已经在用的 AI 编程助手中获得更整洁、更符合标准的前端代码。Modern Web Guidance 可接入 Google Antigravity、Cursor、GitHub Copilot、WebStorm、Codex、Kimi、Grok 等工具，并引导你的助手采用当前的 Web 最佳实践。

只需一条命令即可将其添加到你的项目中：`npx modern-web-guidance @ latest install`

分享我在卡塔尔最近一场黑客马拉松上做的“本地 AI 入门”演讲幻灯片！了解更多关于： * 本地 AI 的优势 * 在哪里能找到最好的模型 * 量化 * 稠密模型与 MoE 模型的对比 * 使用 @Llama_app

现在你可以从 Qwen 3.8 27B 获得 Opus 5.5 级别的质量。你只需要先教它怎么做这份工作。我们让一个前沿模型处理了数千个真实的支持案例，只保留那些达到我们标准的案例，然后用这些案例在 Qwen 上训练了一个小型 LoRA。现在它运行在我们自己的硬件上。没有 API 费用，没有速率限制，也没有人能单方面改变规则 👇

📌 我们正在把公司的工作从 OpenAI 迁移到我们自己拥有的开源模型。在我最新的视频中，我详细展示了我们是如何做到的。

沃顿商学院教授 Ethan Mollick 在 X 平台分享了 Gemini 4 Carbon 的早期体验。他表示，这是一款非常优秀的模型，在 Argon 的基础上做了改进。

Mollick 认为，拥有一款与 Claude、GPT 思考方式不同、同时能力依然很强的 AI 是有价值的，它有自己的优势和劣势。

他分享了一个有趣的演示：给 Carbon 一段视频片段，它用 3js 复现了这个场景。原视频片段的作者信息和可交互的 3js 复现链接都已附上。

亚马逊公开了工程师团队正在使用的内部AI架构，这套架构帮助团队将AI相关成本削减了98%。

这套架构的核心观察是：AI智能体（AI Agent）的大部分工作不是生成文本，而是做选择——该调用哪个工具、把请求发到哪里、哪个选项最合适。过去每一次这样的选择，都要交给Claude Sonnet这类顶级大模型处理：读取超长提示词、生成完整回答，只为了得出一个选项，全程按顶级模型的费率计费。

亚马逊的做法是把所有这类决策任务交给一个微型决策模型。这个模型完全不具备文本生成能力，输入当前场景和可选选项后，它只会输出选中的选项，以及对应的置信度。

这套架构的切换过程非常稳妥。两个模型在真实流量下并行运行，每次两者判断不一致时，就由人工核验谁的结果正确。如果微型模型出现问题，切回Claude Sonnet只需要45秒。

实测结果显示，微型决策模型的准确率超过了Claude Sonnet，运行速度快4倍，成本低44倍，每年能为团队节省数百万美元。

这套方案有明确的适用边界：它只适用于纯选择类任务，所有需要生成文本、解释说明的工作，仍然要交给大模型处理。

X平台用户@0xCodila发文称，Claude Fable 5.2是史上最强的AI模型，99%的人不会使用它，或是在它上面浪费钱，理由大多是“太贵了”“不适合我”。 该用户表示，只要用对方法，就能以极低的成本把它变成你的第二大脑，并附上了相关教程链接。

独立创作者Diana_Osire在X平台分享，原本需要8小时的合作方调研工作，借助AI员工Viktor不到10分钟就完成了。她在X平台教授AI工作流，Viktor帮她调研了10家公司，还为排名前三的公司起草了外联文案。

本周她想确认，针对长期合作是否会选出同样的三家公司。她从单篇内容的候选名单出发，设想了每家公司的首次演示场景，思考如果用户持续关注到第三个月能学到什么。她在Slack中让Viktor针对三个月合作周期，对同样的10家公司重新排序。

Viktor把两份候选名单并排放在她的工作簿里。一家应用开发公司从第8名升到第2名。如果向这家公司提案，她会提议每月发布一篇内容：为自由职业者搭建客户录入应用，展示推广方式，再根据反馈迭代优化。

她仍在评估这个潜在合作方。Viktor标出了一个提案前需要确认的细节：这家公司是否为创作者的长期合作付费。她最初选出的前三家中，有两家保持了排名。对于新进入前三的公司，她现在有3个月度内容创意可以在联系前权衡。

在提案系列内容之前，她想知道看过第一篇内容的用户，为什么会持续关注到第三篇。Viktor可免费试用，提供100美元额度。

用户 @witcheer 在社交平台 X 上分享了自己在 Nous Portal 平台上为 Hermes Agent 搭建的个人助手配置。用户可以通过 Hermes 移动端应用和这个助手对话，它能处理提醒、清单、计划、草稿等各类能让生活更便利的事务。

这套配置的具体参数如下：主模型采用 GPT-6 Luna；提醒工具从第一条消息开始就加载；助手在发送消息、预约、购买或删除内容前都会先询问用户；会将用户的长期偏好保存到记忆中；照片处理、压缩和风险命令检查这类任务固定分配给低成本模型，即使用户切换主模型，这些功能的成本也不会变化。

作者说明，所有参数选择都来自自己通过 Portal API 完成的实际运行测试，相关数据都记录在 README 文档中，同时附上了 Hermes 配置的安装链接。

X 用户 @vikktorrrre 发帖称，自己向 FishAudio 提出需求，想要一个能处理品牌咨询、过滤无效邀约的语音代理，对方真的直接做出了成品。 整个过程没有复杂的配置步骤，他只需要描述清楚自己想要的功能，就得到了一个可以让真实用户直接对话的 AI 代理。他在帖中感叹，这种能力如果开放给各类商家，能实现的想象空间非常大。

@mardehaym 在X平台分享了4条关于AI输出评估的实操笔记，适合资源有限的小团队落地。

第一条是建答案库。先挑20个你们团队现在已经在手动回答的问题，把每个问题的正确答案写下来，再解释为什么这个答案是对的，这就是你的标准答案库。

第二条是用模型打分。找另一个模型对照标准答案库，给每个回答打1到100分。低于90分的回答交给人工审核，90分及以上的直接放行。

第三条是持续迭代测试集。人工发现的每一个错误回答，都要加进测试集里。每次修改提示词、更换工具或者更换模型之后，都要跑一遍完整的测试集。

第四条是校验打分模型本身。每周要人工抽查一部分打分结果，同时跟踪有多少回答被转交给人工处理。系统看起来更准确，可能只是因为人工接手了更多难题。

被打分模型判错的回答，往往是最有价值的测试案例。它能直接告诉你下一步该优化什么。

X用户@GMIDave分享了用Claude为Mercor平台不同岗位生成定制简历的完整操作流程。

具体操作步骤如下：打开Claude，粘贴以下提示词：“为我生成一份一页纸的专业且友好的简历，用于申请Mercor上的[填写目标岗位]职位。岗位描述：[粘贴岗位JD]。我的背景：[如实描述自身情况]。重点突出与该岗位最相关的技能和经验。不要使用表格，控制在一页内。”

每次申请不同岗位时，替换提示词中的目标岗位和对应岗位描述，如实填写自身背景，将生成的简历保存为PDF，申请对应岗位时上传匹配的简历即可。

@GMIDave给出的实用建议是：每个岗位都生成专属的定制简历，不要所有申请都用同一份通用简历。

近期使用 T3 Code 的用户逐渐增多，有用户深度体验十余天后给出了整体满意的评价。该用户此前因 T3 Code 不支持 OMP、早期界面粗糙，曾多次尝试后放弃，转而使用 bb 和 Synara。

目前 T3 Code 的界面打磨已经比较舒适，该用户表示，自己已经对外观过于接近 Codex 的 bb、Synara 产生了审美疲劳。

深度使用后，该用户总结了三个核心优势：第一，支持数十种 Agent 工具，底层依托各家原生 CLI，无需修改 hooks，完全沿用原有 CLI 的配置与模型设置，不同工具间互不干扰，在原 CLI 中可直接查看 T3 内生成的会话。

第二，支持多 Agent 灵活调度，同一条对话中主 Agent 可自由拆解并分发任务，既可以在同一 Provider 内跨模型分配工作，也可以跨 Provider 调度不同模型完成不同环节的任务。

第三，自带 T3 Connect 内网穿透能力，无需复杂组网配置，即可实现三台电脑与移动端的无缝互联，支持用一台电脑直接操控另一台电脑，iOS 与 Android 移动端的交互体验也较为顺畅。

Gemini 4 Carbon正式发布。我已经从谷歌拿到了提前访问权限，试用了一段时间。

这是谷歌迄今为止最强的模型。Argon面向复杂任务，Carbon则针对最棘手的问题。在长周期、多步骤的任务中，它的优势非常明显。

生成内容时，它会同时检查代码和屏幕上的输出结果，自己修正错误，适用范围从完整应用到3D世界。如果数据缺失或者有误，它不会编造内容，而是直接告知你。

Antigravity平台上线了/swarm预览功能。输入一条提示，就能生成一支协同工作的智能体团队。

Carbon负责架构设计、协调和监督，并行智能体负责编写和测试每个模块，所有过程都可以实时查看。

它支持100万token上下文，还可以调整思考深度。Ultra订阅用户已经可以在Gemini应用、搜索中的AI模式、Antigravity和AI Studio中使用该模型，开发者也可以通过Gemini API调用。

接下来几天，我会逐一分享提前访问期间的试用体验。

创作者@YourAlphaMom在@makeugc平台对两款AI视频生成模型Seedance 2.5和Kling 4.0做了同提示词实测对比，两者单条生成价格相差16倍。

测试全程使用纯文本生成，没有加入任何图片或视频参考素材。两款模型各生成两次，最终展示的都是各自第一次生成的结果，因为创作者认为第一次的效果更好。

本次测试中，Seedance 2.5一次就生成了符合要求的内容，在真实感和整体质量上大幅领先。Kling 4.0基本遵循了提示词的要求，但遗漏了部分细节，单条生成成本约为Seedance 2.5的1/16。

创作者表示，即便Kling 4.0价格更低，也不推荐用它生成这类画面，因为两者在屏幕上呈现的效果差距过于明显。

X平台用户@Rizi_ru发布了一段10秒英文舞蹈视频的生成提示词，要求生成写实风格的10秒视频：同一位女性跟随欢快浪漫的英文流行音乐优美起舞。 她要完美踩拍完成时尚的西式舞蹈动作，包含流畅的胯部动作、优雅的手势、轻柔的转身和雅致的步伐，金色长发自然飘动，面带自信愉悦的笑容。 提示词要求保留她的酒红色连衣裙、红色高跟鞋、面部特征以及海景背景不变，最终成品需要自然的肢体动作、写实的舞蹈效果、完美的音乐同步度和电影级画质，该视频由Pixverse制作。