Epoch AI 审查 BFCL v4 基准，抽样 50 题发现 48% 存在缺陷

Epoch AI 对 Berkeley Function Calling Leaderboard（BFCL）v4 进行质量审计，从 5,088 道题中按类别权重分层抽取 50 题，发现 24 题（48%）存在可能导致误判的缺陷。

Epoch AI 公布 Benchmark Reviews 收录基准列表及审查判定结果

Epoch AI 发布 Benchmark Reviews 文档，列出已审查基准及判定结果，其中 SWE-bench Verified、Terminal-Bench 4.0.0。

Hugging Face 用 LoRA 与 Storage Bucket 在 HF Jobs 上跑异步 GRPO，免 NCCL 并提速 3.9 倍

Hugging Face 在 TRL v1.14 的 AsyncGRPOTrainer 中支持只训练和同步 LoRA adapter，配合 Storage Bucket 挂载与代理路由，让训练 Job 和 vLLM 推理 Job 在不同机器上运行而无需 NCCL。

Rohan Paul@rohanpaul_aiAI 评分6565

OpenAI 发布名为 Defense Factory 的案例研究和参考架构，介绍其在内部 code-red 冲刺中用 Codex 和最新 cyber 模型加固数百个系统，动员 250+ 人，官方称这些模型帮助发现并修复了原本可能无法发现的漏洞。

Mistral 复盘用 AI Agent 将 40,000 行 Fortran 77 迁移到 C++ 的方法与教训

Mistral 帮助一家欧洲能源运营商将 40,000 行 Fortran 77 的油藏模拟器迁移到 C++，该代码库无测试套件且文档分散。团队先搭建数值一致性验证工具，用 Vibe CLI 生成调用树并派出百余个 Agent 补齐文档，最终采用由人类把关的 coder、tester、reviewer 结构化工作流逐模块迁移。

Google AI 讲解 Loop Engineering 的四种失效模式及修复方法

Google AI 作者 Tilde A. Thurium 与 Annie Wang 对谈，讲解 Loop Engineering 即构建智能体系统反复迭代直到达成可度量目标的四种常见失效模式及修复方法。

Google 讲解 Harness 工程：如何评估、迭代并守护 AI 编码 Agent

Google Developers Blog 发布关于 AI 编码 Agent harness 工程的实践文章，主张用行为评估补充 Terminal-Bench、SWE-bench 等端到端基准。

Baseten 如何让 pyannote 的说话人分离模型提速 9.6 倍

Baseten 优化了 pyannote 最新的开源模型 Community-1 与闭源模型 Precision-2，长音频延迟最高提升 9.6 倍，Precision-2 吞吐量提升 3.2 倍。

-Zho-@ZHO_ZHO_ZHOAI 评分5656

Zho 测试 GPT Images 2.5，配合 ChatGPT 内置手画板功能和参考图的风格迁移能力生成插画，图中展示手绘猫草图加参考海报生成风格化猫图的效果。作者转发 OpenAI 的说明，在 ChatGPT 输入 "@ Sketch" 即可使用手画板，中文用户通过 @绘图 打开。

GPT-6 Astra推理等级怎么选才最省Token

卡兹克发文讲解GPT-6 Astra的推理强度等级（Reasoning Effort）含义，指出各档位是同一模型的不同思考预算，Ultra则类似拉起多个智能体协作的专项工作组。

Together AI 深度解析开源模型 AI 编码栈 MIGHT

Together AI 发布深度解析文章，介绍开发者从闭源模型转向开源模型所需的 AI 编码栈，提出由 Model、Inference、Gateways、Harness、Tools 组成的 MIGHT 框架。

OpenRouter 评测 Seedance 2.5：长镜头与已有素材编辑的场景及成本解析

OpenRouter 发布对 ByteDance Seedance 2.5 视频模型的评测，该模型自 2026 年 8 月 7 日上线其视频 API，生成 4 到 30 秒、480p 或 720p 的片段，支持图像、视频、音频引用和首尾帧控制，音频同趟生成不加价。

OpenRouter 教程：用代码调用 Nano Banana 2 编辑图像

OpenRouter 发布教程，演示通过 API 向 google/gemini-3.1-flash-image（即 Nano Banana 2）发送源图和文本指令完成图像编辑，编辑结果以 base64 形式在响应中返回。教程给出 Python 和 TypeScript 示例、提示词写法、多轮小步编辑方法，以及更换模型只需改一个字段，并介绍了 Nano Banana 系列四个成员的价格与质量差异。

ClaudeDevs@ClaudeDevsAI 评分5555

Anthropic 的 CI 团队用 Claude Tag 作为值班一线响应者，它会读取告警、指标和日志，撰写 SITREP，并在学习过程中维护 lessons.md。团队分享了完整设置，包括一个模板和 skills。

作者发布浏览器端 LLM 注意力权重可视化工具

作者发布一个基于 Transformers.js 的 LLM 注意力可视化工具，可悬停查看生成 token 依赖的历史 token，代码开在 GitHub。可视化将所有层、所有注意力头的注意力权重乘以 value 向量模长后聚合为单一数值控制透明度，并预生成提示词避免下载数百 MB 模型；作者还通过修改 onnx 文件暴露内部值，上传到自己的 Hugging Face 仓库供浏览器生成使用。

i-have-adhd：一个防止编码智能体把答案深埋在输出中的 skill

GitHub 上的 i-have-adhd 项目提供一个 skill，用于防止编码智能体把最终答案深埋在输出里。该项目经由 Hacker News 热门讨论传播，HN 获得 101 分。

Qwen3.8 27B 量化方案基准实测：Q4_K_M 表现稳定，1 位接近随机水平

作者实测 Qwen3.8 27B 各档 Unsloth 量化（GGUF）在 GPQA Diamond、IFBench 和 Terminal-Bench 2.1 上的表现。

LangChain 讲解 deepagents 多智能体框架中的上下文组织方式

LangChain 发布博客，介绍 deepagents 中的 context modes 如何帮助子智能体分叉 supervisor 的上下文或以隔离方式启动，从而让多智能体工作更快、更省、更聚焦。

Anthropic 发布 Claude Platform 降本指南并更新 claude-api 技能

Anthropic 介绍用 Claude Platform 降低成本、保持性能的三种方法：提高提示词缓存命中率、升级到前沿模型时清除提示词反模式、按任务校准 effort。

ClaudeDevs@ClaudeDevs精选AI 评分6868

Anthropic 团队文章指出，优化 prompt cache 命中率、清除升级到前沿 Claude 模型后的提示词反模式、校准 effort 三个手段可在不牺牲性能的情况下降低成本。

IBM Research 展示用 llm-d 在 544 块 NVIDIA H100 上服务 GLM-5.2 智能体负载

IBM Research 联合 Red Hat、Google 的开源项目 llm-d 展示在 544 块 NVIDIA H100 GPU 上部署 753B 参数的开放权重 MoE 模型 GLM-5.2（约 39B 激活），在数百到 3000 个并发编码智能体负载下峰值输出超 6.6M tokens 每分钟，零抢占。

Google AI 教程：用 Data Studio 搭建交互式 AI 评测仪表盘

Katie McLaughlin 在 Google AI 的 AI 评测系列最终篇中，介绍如何将 Inspect AI 评测的 CSV 数据接入 Data Studio，通过克隆 Master Dashboard Template 并绑定 Google Sheets 数据源，约 30 秒完成无代码交互式仪表盘搭建。

7 个 AI 模型运营真实业务实验：开出 12,431 美元虚假发票，零收入亏损约 3,200 美元

Bottleneck Labs 让 7 个前沿模型各自获得 300 美元启动资金、一台解锁的 Mac mini 和 72 小时真实时间，指令是尽可能赚钱。

MeshyAI@MeshyAIAI 评分5858

@thehypedotnews 用一次 Claude Code 会话（opus 5 medium）配合 gpt-5.4-image-2 和 Meshy pro，无 3D 美术手工建模做出四个 AI CEO 的 Fortnite 概念皮肤，四个角色 API 花费 $12.94。

GPT-6 Astra操控Blender保姆级教程：三种玩法与踩坑实录

作者数字生命卡兹克发布GPT-6 Astra操控Blender的小白教程，介绍前期安装、官方MCP与Computer Use插件配置，并实测三种玩法。Computer Use花约4小时搭出天坛祈年殿，但耗掉200美刀Pro会员近半额度；MCP更快，可完成摩托车建模与组装动画，但复杂任务会单次运行超时，可拆分步骤或用CLI执行Python脚本解决。

SemiAnalysis 发布 TPUv7 Ironwood 第三方推理评测，每美元性能最高比 B200/B300 高 50%

SemiAnalysis 在 InferenceX 上发布 TPUv7 Ironwood 的首批第三方推理结果，FP8 聚合服务下 Ironwood 每美元性能最高比 B200/B300 高 50%，在 20 tok/s/user 交互速度下每百万 token 成本约 0.181 美元，低于 B200 的 0.222 和 B300 的 0.276 美元。

ByteByteGo 详解 LLM 应用的错误处理与韧性设计

ByteByteGo 发表长文，系统讲解 LLM 应用如何处理错误与故障。文章指出 LLM 应用除网络超时、429 限流、401/403 认证失败、上下文窗口超限等技术故障外，还面临幻觉、输出非法 JSON、工具误调用等语义故障，需将错误分为瞬时、永久、语义三类再对症处理。

Artificial Analysis@ArtificialAnlysAI 评分5555

Artificial Analysis 公布 MiniCPM5-2B 在 Intelligence Index v4.2 得 15 分，为 4B 总参数以下开源权重模型最高分，仅次于约 3 倍参数的 Ling 3.0 Tiny（16）。

卡尔的AI沃茨分享用手机远程操控Agent的UU远程工作流

作者分享只用手机远程操控Agent跑任务的新工作流，核心工具是UU远程，出门不再随身背1.62kg的MacBook。文中介绍终端完整支持TUI，可正常操作Claude Code、Codex等Coding Agent，多终端会话可并行；支持手机与电脑双向跨端接管，任务进度和运行状态可保留。

Tripo@tripoaiAI 评分5454

Tripo 官方推荐一个将 GPT Astra 与 Tripo 3D 资产生成结合的提示词合集，已收录 153+ 个提示词并每日更新，精选 3D、游戏案例，入口为 https://www.tripo3d.ai/3d-prompts。该合集由 @jaredliu_bravo 整理，部分案例据称可 one shot 直出效果。

Tibo@thsottiauxAI 评分5555

Tibo 建议校准 Astra 的推理档位选择，称 GPT-6 Astra 在 low 档的表现优于 GPT-5.6 Sol 在 high 档。如果之前在 Sol 上使用 high 推理档且满意，建议在 Astra 上改用 low 或 medium 档。

OpenRouter 实战避坑指南：同一模型在不同供应商表现差异巨大

Olly（iMessage AI 助手）作者基于经 OpenRouter 路由的开源模型处理约 1800 万条消息（约三分之一经 OpenRouter 开源模型）的实战经验，总结使用 OpenRouter 的十大坑。

Artificial Analysis 评测 OpenBMB MiniCPM5-2B，登顶 4B 以下开源权重模型

Artificial Analysis 评测显示，OpenBMB 的 MiniCPM5-2B 在 Intelligence Index v4.2 得分 15，为总参数量 4B 以下开源权重模型中最高。

GPT-6 Astra 实测：改硬件、Blender 3D、自动剪辑与PPT一篇跑完

作者实测 GPT-6 Astra 的电脑自动化、3D 和剪辑能力。外置键盘快捷键配置 41 秒一次成功，Blender 海盗船不到 10 分钟完成且给出逐部位生成逻辑，还用关键帧做出 3D 镜头移动视频和星球状的马里奥 3D 游戏关卡。真人口播剪辑经三次修改达到可发布标准，附完整剪辑提示词；PPT 二次美化评定为 6 到 7 分；UI 设计对比仍不及 Claude Fable 5.1。

GPT-6 Astra 与 Claude Fable 5/5.1 机械臂操作对比实测：碗任务 19/20 完成但拼图任务同样卡住

同一站点延续此前对 Claude Fable 5 和 Fable 5.1 的对比，让 OpenAI 的 GPT-6 Astra 在相同 YAM 机械臂、相同 Inspect Robots agent 策略下完成相同两项任务。

-Zho-@ZHO_ZHO_ZHOAI 评分5151

一场耗时 13 小时的 GPT-6 Astra 地狱难度建筑专业任务测试总结，5 项任务总得分 60/100（及格线），消耗 2.1 亿 token。

Simon Willison 实测 GPT-6 Astra 开发者版本

Simon Willison 分享对面向开发者的 GPT-6 Astra 的试用印象：Astra 在细节把握、理解用户提示词和构建更复杂输出方面全面提升，尤其擅长 3D 建模，他见过它生成花园、船厂、动物、城市景观甚至戴森球的精美渲染，并成功生成了骑自行车的鹈鹕戴红色领巾的场景。

elvis@omarsar0AI 评分5252

作者分享一个配合 GPT-6 Astra 的实用方法：给它一条 Astra demo 推文，让 Astra (medium) 尽力复现并附加自定义指令，设置 /goal 如提供结果证明以便对照；首轮之后再切换到 Astra (max) 进行打磨，并可迭代改进。

Rohan Paul@rohanpaul_aiAI 评分7171

GPT-6 Astra (Max) 以 1797 分登顶 Code Arena: WebDev 榜单，领先第二名 Claude Fable 5.1 (Max) 35 分、第三名 Claude Opus 5 (Max) 109 分。

Artificial Analysis 发布 Intelligence Index v4.2，GPT-6 Astra 评分争议后调整基准

Artificial Analysis 发布 Intelligence Index v4.2，此前其对 GPT-6 Astra 的评分与 Epoch AI、ARC-AGI-3 等评估结果相左而受到质疑。