Eugene Yan 详解长上下文问答系统评测：指标、数据集与六个基准
Eugene Yan 发布长文讲解如何评测长上下文问答系统，提出忠实性与有用性两个正交维度，并介绍证据位置、多跳推理、幻觉等长文本特有挑战。文章覆盖 NarrativeQA、NovelQA、QASPER、L-Eval、HELMET、Loong 六个基准，指出传统 n-gram 指标与人工判断相关性差、应改用 LLM 评估者，且 RAG 在证据分散于多文档的 Loong 任务上反而降低表现。
全部AI 动态
全部动态
今日 395 条Eugene Yan：WritingAI 评分6868 Eugene Yan：WritingAI 评分5959 Eugene Yan 实践：用 Semantic IDs 训练可对话引导的 LLM 推荐混合模型
Eugene Yan 用 RQ-VAE 把 Amazon Reviews 2023 游戏品类的 66k 商品编码为语义 ID，再微调 Qwen3-8B，构建一个无需检索、单一模型即可同时理解自然语言和商品 ID 的推荐混合模型。
Eugene Yan：WritingAI 评分7575 Eugene Yan：三步构建产品级 LLM 评估（Product Evals）
Eugene Yan 撰文总结构建产品 evals 的三个步骤：标注小数据集、对齐 LLM 评估器、运行评估 harness。
Eugene Yan：WritingAI 评分2828 Eugene Yan 2025 年度回顾：LLM×RecSys 与个人目标复盘
Eugene Yan 发布 2025 年度回顾，完成 6 篇技术写作并上线 4 个原型应用，其中 AI Reading Club 已登陆 Kindle iOS app，LLM-RecSys 混合模型可依据自然语言与 item ID 直接推荐。
Eugene Yan：WritingAI 评分7575 Eugene Yan 详解如何与 AI 协作并让工作复利
Eugene Yan 分享与 AI 高效协作的工作流与复利方法，提出五条原则：提供良好上下文、把品味编码为配置、让验证变得简单、委托更大任务、闭合反馈循环。具体做法包括用 INDEX.md 注解组织上下文、将 CLAUDE.md 当作入职文档、把每周任务沉淀为 skill 并通过会话记录迭代、用 hooks 和 evals 左移验证、用 tmux 并行 3-6 个会话并挖掘过往会话记录更新配置。
Eugene Yan：WritingAI 评分5454 Eugene Yan 解析构建网络安全评测的模式并对比七大基准
Eugene Yan 撰文解析如何评估模型发现与利用安全漏洞的能力，归纳出沙箱目标、难度输入、工具和评分器四个通用组件，并提出按攻击链分级的部分给分方式。
Epoch AI：研究、数据与评测AI 评分4343 Epoch AI 研究合集：华为 AI 芯片、GPT-6 Astra 与 AI 推理成本下降
Epoch AI 估算华为 2026 年 AI 算力产量不足 Nvidia 的 4%，若无法获得外国存储芯片，2028 年份额可能降至约 1%。OpenAI 的 GPT-6 Astra 以 166 分登顶 Epoch Capabilities Index，Math-ECI 达 170 创纪录，但 SWE-ECI 164 仍落后 Claude Fable 5.1 的 167。
Epoch AI：研究、数据与评测AI 评分1616 Epoch AI 播客：AI 基准测试是否注定失败？
Epoch AI 播客栏目上线多期讨论，其中一期主题为“Are AI benchmarks doomed?”，探讨 AI 基准测试的困境。其他话题涵盖 AI 数学能力可能长期呈锯齿状发展、欧盟与 AI 宏观经济学的复杂性、经济学对 AGI 的启示、AI 进展预测至 2040 年，以及 AGI 时间线是 3 年还是 30 年的分歧。
Epoch AI：研究、数据与评测AI 评分1919 Epoch AI Newsletter 盘点：AI 最重要数字更新、基准测试九大问题与算力融资瓶颈
Epoch AI 的 Newsletter 栏目汇总了多期内容，包括 8 月 27 日对 AI 最重要数字的更新、8 月 14 日基准测试可帮助回答的 9 个大问题，以及 8 月 12 日以 Anthropic 为案例探讨融资是否会瓶颈 AI 算力。
Epoch AI：研究、数据与评测AI 评分3939 Epoch AI 数据洞察：GPT-6 Astra 领跑数学基准、AI 芯片走私与 arXiv 论文 AI 使用率
Epoch AI 数据显示，OpenAI 的 GPT-6 Astra 以 166 分登顶 Epoch Capabilities Index，Math-ECI 达 170 创纪录，但 SWE-ECI 164 仍落后 Claude Fable 5.1 的 167。
NVIDIA Technical Blog：Agentic AI / Generative AIAI 评分4545 用 AI 智能体和 NVIDIA Isaac ROS 加速 ROS 2 节点
NVIDIA 为 ROS 2 Lyrical 贡献了 CUDA buffer backend，配合 rosidl::Buffer 抽象，让 ROS 2 节点在满足同主机、同 CUDA 设备、同 Linux 用户及受支持 RMW 实现等条件时以零拷贝方式交换 GPU 常驻数据，否则自动回退 CPU 路径。
Epoch AI：研究、数据与评测AI 评分3131 Epoch AI 研究汇总：华为 AI 芯片、GPT-6 Astra 数学基准与 AI 推理成本骤降
Epoch AI 发布多项研究：GPT-6 Astra 以 ECI 166 分登顶能力指数，Math-ECI 170 创纪录，但 SWE-ECI 164 仍落后 Claude Fable 5.1 的 167。
NVIDIA Technical Blog：Agentic AI / Generative AIAI 评分4040 NVIDIA 机密计算如何支撑 TensorRT LLM 高性能生产级 AI 推理
NVIDIA 用机密计算（CC）在 Blackwell GPU 上跑生产级 LLM 推理，TensorRT LLM 通过 CC 感知优化把吞吐保留在基线的 96.1%–98.2%，平均 TPOT 开销仅 1.2%–4.3%。测试基于单台 DGX B200（8 张 B200）、DeepSeek-R1-0528-NVFP4、32K 输入/1K 输出、TP=8，并发 1–16。
Epoch AI：研究、数据与评测AI 评分5959 Epoch AI 基准中心：追踪 402 个模型、87 项基准并公布 GPT-6 Astra 预发布评测
Epoch AI 的基准评测中心汇总其 Capabilities Index（ECI）、402 个模型的跟踪数据和 87 项基准。
NVIDIA Technical Blog：Agentic AI / Generative AIAI 评分5555 NVIDIA 与 SGLang 团队发布 SWE-Serve 基准，揭示本地测试通过不等于实机服务可用
NVIDIA 联合 SGLang 团队推出 SWE-Serve 基准，从 83 个已合并的 SGLang pull request 中构建 53 个可执行任务，用于评估智能体对推理服务软件仓库级改动的真实效果。
Epoch AI：研究、数据与评测AI 评分4141 Epoch AI 开放 AI 数据集：追踪 3600 多个机器学习模型与 AI 算力
Epoch AI 更新其公开数据库，追踪 1950 年至今超 3600 个机器学习模型，并覆盖 AI 数据中心、AI 芯片销售、GPU 集群等数据。其 GPU 集群数据库收录超 500 个集群与超算，机器学习硬件数据涵盖超 170 款 AI 加速器。所有数据以 Creative Commons 署名许可免费使用与分发。
Epoch AI：研究、数据与评测AI 评分4747 Epoch AI 报告：AI 训练算力年增 4.5 倍，推理模型推动 ECI 前沿年增 14 分
Epoch AI 的趋势报告显示，自 2010 年以来知名 AI 模型的训练算力每年增长 4.5 倍，算法效率则每年提升 3 倍，训练成本年增 3.5 倍、功耗每年翻倍。
Cursor BlogAI 评分5656 Firetiger 团队加入 Cursor
Cursor 宣布 Firetiger 团队加入 Cursor。Firetiger 由 Rustam Lalkaka 和 Achille Roussel 于 2024 年创立，构建的智能体可在软件上线后监控发布、发现回归、调查事件并将发现反馈给编程智能体。
Cursor Blog精选AI 评分7979 Cursor 宣布被 SpaceX 正式收购
Cursor 官宣已被 SpaceX 正式收购，始于 4 月与 SpaceXAI 合作的收购流程正式完成。Cursor 表示将使用全球最大的 GPU 集群，以更低成本构建和提供能力更强的模型，并提及周三发布的 Grok 4.6 初步展示了合作成果；Cursor 将继续帮助用户少写代码、专注于更有挑战性的问题。
推荐理由：收购方官方亲述交易完成与后续算力、模型计划，读者可借此了解 Cursor 未来产品与成本走向。
Cursor BlogAI 评分5959 Cursor 介绍 Git 存储系统 Continuity 与 Origin 平台的设计
Cursor 工程师 Vicent Martí 撰文介绍其 Git 存储系统 Continuity：以 S3 中兼容对象存储的预写日志（WAL）作为唯一事实来源，本地副本为 NVMe 上的普通 Git 仓库，通过 S3 CAS 与 UDP gossip 实现乐观复制，无需路由表和共识选举，所有 push 线性化且完全持久化前不确认。
Cursor Blog精选AI 评分6969 Cursor 推出自托管机器，云端智能体可在自有基础设施上执行工具
Cursor 发布云端智能体自托管机器功能，工具执行可迁移到团队自管的基础设施，智能体循环、推理和规划仍留在 Cursor 云端。
推荐理由：原文给出了自托管机器的适用场景、worker 机制和沙箱合作生态，读者可以据此判断是否把智能体执行迁回自有环境。
Cursor Blog精选AI 评分7474 Cursor 推出 Projects：用协调智能体承接大规模开发工作
Cursor 推出 Projects，让开发者以项目为单位承接功能开发、迁移和长期维护等工作，可维持数月上下文、向数千个子智能体委派任务并自动处理周期性工作。每个 Project 默认在云端运行并同步共享上下文，协调智能体只负责委派而不写代码，还可订阅 Slack 频道、按计划运行或跟踪 PR。
推荐理由：官方介绍了 Projects 的协调智能体机制和内部使用数据，读者可以对照自己的多 PR 工作流评估是否适用。
Cursor Blog精选AI 评分7373 xAI 发布 Grok 4.7，编码与知识工作能力提升且价格不变
xAI 发布 Grok 4.7，定位为面向编码和知识工作的最强模型，价格和速度与 Grok 4.6 相同，输入每百万 token $2、输出 $6。
推荐理由：官方给出了 Grok 4.7 的基准成绩、价格和防护数据，读者可以据此与 Grok 4.6 等模型比较编码和安全表现。
Cursor Blog精选AI 评分6161 Cursor 推出软件开发 Bots：Rollouts 与 Security Reviewer
Cursor 推出两款软件开发 Bots，Rollouts 全程监控变更从 PR 到生产环境、自动标记回归并支持回滚，Security Reviewer 在每个 PR 上像安全工程师一样审查代码并支持一键修复。
推荐理由：原文来自官方，详细说明了两个 bot 的工作机制和适用场景，读者可对照自身部署与安全审查流程评估可用性。
Cursor Blog精选AI 评分6161 Cursor 详解智能体 harness 效率优化，token 成本降低 7%
Cursor 团队发布文章，介绍过去几个月为提升长时间智能体运行的 token 效率所做的 harness 改动，整体将用户 token 成本降低 7% 且智能体质量未下降。
推荐理由：Cursor 团队逐项拆解了降低智能体 token 成本的 harness 改动，给出系统提示精简、动态工具加载与缓存断点等可借鉴的做法。
Dario Amodei：Blog（网页）AI 评分22 Google Scholar 页面加载失败提示与登录验证界面
Google Scholar 当前无法完成操作，页面提示“系统暂时无法执行此操作，请稍后重试”。界面同时要求用户完成人机验证以证明不是机器人，并提供登录入口以访问个人资料、我的图书馆、指标、快讯和设置等功能。
Dario Amodei：Blog（网页）精选AI 评分6868 Dario Amodei 撰文回应 DeepSeek 并为芯片出口管制辩护
Anthropic CEO Dario Amodei 发文认为 DeepSeek 的发布不削弱美国对华芯片出口管制的理由，反而使其更重要。他提出缩放定律、移动曲线、转移范式三个动态，称 DeepSeek-V3 是沿预期成本下降曲线的合理结果而非独特突破，R1 则复现了 OpenAI o1 的思路。
推荐理由：作者以成本曲线分析逐条回应 DeepSeek 低成本冲击的说法，读者可借此检验出口管制论点的实际依据。
Dario Amodei：Blog（网页）精选AI 评分6767 Dario Amodei 撰文呼吁加速 AI 可解释性研究
Dario Amodei 发表长文《The Urgency of Interpretability》，主张可解释性研究与模型能力正在赛跑，必须在强大 AI 到来前理解模型内部机制。
推荐理由：作者本人是可解释性研究的当事方，文中给出技术进展、2027目标和政策主张，读者可以据此了解这个方向的路线图。
Dario Amodei：Blog（网页）精选AI 评分7575 Dario Amodei 发布长文阐述 AI 指数级进展下的政策主张
Anthropic CEO Dario Amodei 发表长文，认为 AI 规模化定律推进迅速而政策制定太慢，呼吁在监管与公共安全、宏观经济与税收、科学创新、国家权力与公民自由、地缘政治五个领域重构政策。
推荐理由：Dario Amodei 以第一人称提出五领域 AI 政策主张并附 Anthropic 立法提案，读者可以据此了解行业头部公司对监管的立场。
Dario Amodei：Blog（网页）精选AI 评分7171 Dario Amodei 提出放缓前沿 AI 能力步伐的三步计划
Anthropic 创始人 Dario Amodei 撰文呼吁在继续推进 AI 的同时放缓模型能力提升速度，给安全工作留出时间，并称 recursive self-improvement 自今夏起已在行业内加速、6–12 个月内类似 OAI-HF 的智能体群体可能造成更大规模破坏。
推荐理由：作者以当事方身份提出分阶段放缓前沿模型能力的三步计划，并宣布 Anthropic 单方面承诺引入嵌入式第三方评估者。
Dario Amodei：Blog（网页）精选AI 评分6868 Dario Amodei 长文《Machines of Loving Grace》展望强大 AI 如何造福世界
Anthropic CEO Dario Amodei 发表长文，描绘强大 AI 若一切顺利可能在 5-10 年内压缩未来 50-100 年生物医学进步的愿景。他定义强大 AI 为超过诺贝尔奖得主智力、可自主完成数天至数周任务的系统，并提出以智能的边际回报为核心的分析框架，聚焦生物学与健康、神经科学与心理健康、经济发展与减贫、和平与治理、工作与意义五大领域。
推荐理由：Anthropic CEO 本人撰写的长文，系统给出强大 AI 在五个领域造福社会的具体预测与分析框架，观点源自第一手思考。
Dario Amodei：Blog（网页）精选AI 评分7474 Dario Amodei 发文《技术的青春期》：剖析强大 AI 的五类风险并给出应对路线
Anthropic CEO Dario Amodei 于 2026 年 1 月发表长文，认为强大 AI（能在数据中心复现数百万个超越诺奖得主水平的智能体）可能最快 1-2 年内到来，人类正进入类似青春期的考验期。
推荐理由：Dario 以当事方身份系统梳理五类 AI 风险及 Anthropic 已落地的对齐、可解释性和监管实践，可帮助读者建立务实的风险框架。
Cohere Labs：官方研究博客AI 评分3434 Cohere 发布 Embed 5 系列前沿嵌入模型，Pro 与 Fast 档位已可用
Cohere 推出 Embed 5 系列前沿嵌入模型，定位为当前最优的检索（state-of-the-art retrieval），已在 Pro 和 Fast 两个档位上线。该系列属于 Cohere 的语义表示模型产品线，官方称其为新一代前沿嵌入模型家族。
Cognition 模型 / Devin 博客（网页）精选AI 评分6767 Cognition 完成 2B+ 美元 E 轮融资，估值 480 亿美元
Cognition 宣布完成逾 20 亿美元 E 轮融资，估值达 480 亿美元，由 Andreessen Horowitz 和 Accel 领投，Founders Fund、General Catalyst、Avenir 等跟投。
推荐理由：融资公告附上营收增长和 Devin 新功能细节，读者可以据此了解这家智能体公司的业务进展。
Cognition 模型 / Devin 博客（网页）精选AI 评分7878 Cognition 研究员用 Devin 构建 GPU 格子筛分解 RSA-260，成本较此前公开最优低约 10 倍
Cognition 研究员 Eric Lu 带领多个 Devin 会话构建了目前性能最高的 GPU lattice siever，用修改版 CADO-NFS 在约 4,900 GPU 天、约 $400k 的成本上完成 RSA-260 分解，创下公开解决的 RSA Factoring Challenge 最大规模纪录，超过 2020 年 2 月的 RSA-250。
推荐理由：原文详细披露 GPU 格子筛实现、成本估算和人机分工，读者可以了解 Agent 驱动大型科研工程的实际工作流。
Cognition 模型 / Devin 博客（网页）AI 评分6464 Cognition 发布 SWE-2 编码模型，以更低成本逼近前沿性能
Cognition 发布 SWE-2，其最强编码模型在 FrontierCode 1.1 Main 得分 50.0%，与 Fable 5.1 差距不到 1 分且便宜 64%。
Cognition 模型 / Devin 博客（网页）AI 评分5050 Cognition 收购 Dioxus 团队，Jonathan Kelley 等加入
Cognition 宣布 Jonathan Kelley 及整个 Dioxus 团队加入，将继续支持 Dioxus、Blitz、Taffy 和 Subsecond 开源项目，并加大对 Dioxus-Native 和 Blitz 的投入。
Cognition 模型 / Devin 博客（网页）精选AI 评分7171 Cognition 将 Fusion 双智能体 harness 引入 Devin Desktop 和 CLI
Cognition 在 Devin Desktop 和 CLI 中开放 Fusion，一个由前沿模型主导规划审查、高性价比模型执行编码的双智能体 harness，官方称在主要编码基准上最高节省 39% 成本。
推荐理由：原文给出双智能体架构、实测成本数据与模型配对调优经验，读者可据此理解按任务定价与多智能体分工的设计取舍。
Cognition 模型 / Devin 博客（网页）AI 评分4747 Cognition 与 AWS 达成多年战略合作，推动 Devin 自主工程师在企业落地
Cognition 与 AWS 签署多年战略合作协议，帮助企业将 Devin 自主工程师部署到生产环境，并加速遗留工作负载迁移上 AWS。客户已可通过 AWS Marketplace 购买 Devin，并在 Devin 内直接使用 Agent Toolkit for AWS。
Cognition 模型 / Devin 博客（网页）AI 评分4141 Cognition 携 Devin 拓展拉丁美洲市场，首站落地圣保罗
Cognition 宣布拓展拉丁美洲业务，首站设在圣保罗，此前已与 Itaú、Nubank、Santander 等区域大型机构合作使用 Devin。Itaú 超 75% 技术团队使用 Devin，完成 30 万+ 代码库文档化、.NET 迁移 Java 提速 6 倍、自动修复约 70% 安全漏洞，工程吞吐量提升 20-30%。