搜索
7月2日，字节 Seed 发布了一个 Agent评测项目 EdgeBench。看起来又是一个 benchmark，但它问了一个其他榜单不问的问题。EdgeBench 的切口就是把盲区里的东西放进评测，解答一个问题：把Agent扔进一个陌生环境，12小时后，你能变强多少？
为了解决这一问题，来自 University of Arizona、Zoom 与 Stony Brook University 的研究团队推出了 VISTA（VIsual Spec-To-App Benchmark）, 首个面向 Visual Spec-to-Web-App Coding Agents 的端到端 Benchmark。
今日，据路透社报道，Meta创始人兼CEO马克·扎克伯格（Mark Zuckerberg）当地时间7月2日在公司内部全员会上承认，过去至少四个月，AI智能体技术的研发进展并未如他预期般提速，Meta押注AI新组织架构的布局“至今尚未落地见效”。路透社称，这一信息来自其听取的一段会议录音。
OpenAI首席研究官Mark Chen释放了一个强烈信号：OpenAI 并不认为scaling laws已经失效，恰恰相反，预训练、数据工程、推理训练和更长任务链条，仍是通向AGI的主干道路。
近日，国际能源研究机构AixEnergy发布《Market Outlook》报告，提出一个值得关注的判断：AI基础设施首先是一项能源决策，其次才是一项技术决策。报告认为，决定未来全球AI版图的关键因素，正从芯片、模型和算法，转向稳定、低成本且能够快速接入的能源系统。海湾国家凭借廉价电力迅速崛起，美国受制于电网瓶颈，中国则依托新能源和产业链优势加速布局，东南亚正试图成为新的算力高地。
我们最近在重新思考一件事：到底什么样的 Benchmark，才值得今天继续做？
从v0.7开始，我先给 Humanize PPT 划了一条边界。把渲染PPT页面外包给下游的Skill。Humanize PPT负责把大纲，逐页意图，视频和图片素材的坑位和演讲稿，整理成结构化的 JSON 与 Markdown，再交给下游 Skill 原生渲染。
这是葬AI起号以来工作量最大的一篇文章。为了严肃评测国产模型的能力，我自研了一个Benchmark，完整测试了智谱、Qwen、Kimi、Minimax、Deepseek这些最新国产模型，还引入了境外势力Claude作对照组。
今年开年以来，不管是硅谷、还是国内的 AI 投资圈子，都不太敢投 AI 应用了。
根据我长期使用的观察，0.3 倍率说是用 Kiro 逆向出来的 Claude，2.0 倍率说是正经 Claude Max 号池接出来的。听起来后者肯定更靠谱。我一开始也这么想的。毕竟倍率差了快七倍，价格摆在那，总不至于拿假货糊弄人吧。