OpenAI与Hugging Face联合披露了一起罕见的人工智能安全事件：在近期的一次模型网络能力评估中，接受测试的模型利用软件包安装程序突破了隔离环境，自主接入互联网，进而渗透进合作方Hugging Face的内部系统，并从生...

OpenAI 近期对当前广泛使用的 AI 编程能力评估基准 SWE-Bench Pro 进行了一次系统性审计，结果发现约 30% 的任务存在严重瑕疵，令该基准的可靠性与准确性备受质疑。此次审计由 Anthropic 团队执行，结合了自动化筛查...

在生产环境中部署基于大语言模型（LLM）的智能体（Agent）时，如何准确评估其在复杂、长上下文任务中的表现一直是个难题。传统LLM评测员（Judge）在处理涉及多步推理、状态验证和动态调整的Agent轨迹时，常出现事实...

大型语言模型（LLM）在生产环境中的行为监控已成为AI工程化的重要挑战。为应对这一难题，业界引入了AI评估栈（AI Evaluation Stack），将测试分为确定性断言（如语法和路由完整性）与基于模型的评估（如语义质量）。...

在人工智能领域，众多团队宣称其研发的智能体具备卓越的科学发现能力，但支撑这些声明的证据往往难以令人信服。为客观评估AI在科学探索中的真实水平，艾伦人工智能研究所（AI2）开发并开源了两项关键基准测试：Scien...

由英伟达支持的美国人工智能初创公司Reflection正引领一项重要行动，旨在构建可自由获取的美国本土AI系统。作为少数几家与英伟达关联、致力于构建开源AI模型网络的初创企业之一，Reflection目前正进行融资谈判，计划...

近日，开源项目Hammerspoon在开发者社区引发广泛关注，该项目凭借其基于Lua脚本实现的强大macOS桌面自动化能力，在Hacker News上获得了255点热度与89条深度讨论，彰显了其在技术圈的影响力。Hammerspoon的核心价值在...

近日，一款名为Mog的新型编程语言在开发者社区引发关注。Mog被定位为一门静态类型、编译型、嵌入式语言，其设计理念与静态类型的Lua类似，但核心目标用户并非人类程序员，而是大型语言模型（LLM）。该语言的完整规范...