我让 Apple Watch 的常听 AI 总结了我两周的生活
作者在 Apple Watch Ultra 4 上测试了 Siri Recap 测试版,该功能可环境收音并用 AI 生成对话摘要。它默认关闭、需主动开启,摘要可选 1/3/7 天后自动销毁,不保存原始音频和可查看的文字记录,音频在 S11 芯片的安全隔离区处理后即删,大部分处理在本地完成。但 Siri 不训练用户声音,难以分辨真实对话,曾把 TikTok 视频内容误总结成作者本人经历。
作者在 Apple Watch Ultra 4 上测试了 Siri Recap 测试版,该功能可环境收音并用 AI 生成对话摘要。它默认关闭、需主动开启,摘要可选 1/3/7 天后自动销毁,不保存原始音频和可查看的文字记录,音频在 S11 芯片的安全隔离区处理后即删,大部分处理在本地完成。但 Siri 不训练用户声音,难以分辨真实对话,曾把 TikTok 视频内容误总结成作者本人经历。
Google DeepMind 发布 Gemini 4 Neon,这是七周内的第四款模型,支持 100 万 token 上下文,覆盖文本、图像、音频和视频。
同一件事,精选收录的是《Google DeepMind 发布 Gemini 4 Neon 模型》
爱范儿实测 GPT-6.2 Astra 与 Sol 后认为,首发差评被集中放大,模型表现并没有网上说的那么糟。OpenAI 称 Astra 在 Agents' Last Exam 上比上一代高 5.2 分、成本不到三分之一,AA-3D 评测以 1318 Elo 排名第一;但 Theo、Dan Shipper 等开发者批评其在长期任务中异常中断、偏离目标、难以解释自身操作。
推荐理由:结合开发者差评与作者自测,呈现 GPT-6.2 在长周期 Agent 任务中的真实表现与成本权衡。
爱范儿实测 OpenAI 当天发布的 GPT-6.2 Astra 与 GPT-6.2 Sol,用一句话提示词在 17 分钟内生成 FPS 游戏,并完成可交互孔雀开屏 3D 场景、深海图谱网页和日式奇幻城市 GIF。
推荐理由:作者用游戏、3D 场景、网页与写作等多组实测,呈现 GPT-6.2 Astra 在能力与可用性之间的落差。
微软宣布推出新版本编程模型 MAI Code 2 和 MAI Code 2 Flash,核心卖点是“不到一半的价格,交付生产级质量”。在 DeepSWE 1.1、Terminal Bench 2.1、SWE-Atlas 和 FrontierCode v1.1 四个企业日常编码基准上取平均,MAI Code 2 拿到 GPT 6.1 Sol 的……(原文摘要在此截断)。
推荐理由:微软公布 MAI Code 2 与 Flash 的定价和基准对比,可据此判断低成本编程模型的取舍。
Hugging Face 的 Daniel van Strien 对比了八款开源 OCR 模型,在 850 页旧自然史书籍、1771 年版《大英百科全书》及档案文件上测试,百万页 GPU 租用成本现为 65 至 130 美元。
Google 发布 Gemini Decision 1,这是一款不生成文本、只输出候选项概率与置信度的多模态决策模型,正式挑战两个月前引爆该品类的 TypeSafe Jev。
推荐理由:通过共享基准与第三方榜单的对比,读者能看清这款决策模型相对 Jev 的优势与代价。
商汤科技日日新 SenseNova U1 Pro 在 Design Arena 更新的图片生成与图片编辑两大榜单中均位列中国第一、全球第六,仅次于 OpenAI 的 GPT Image 2.x 系列。
可灵推出 Kling Image 4.0,主打原生 8K 高清出图,放大后人像细纹、睫毛和风景细节仍保持清晰。新版本还支持单张图片生成 2000 字、70+ 款预设字体,一次描述最多生成 10 张系列组图,并可生成超长商品详情页。
AWS 在 SageMaker Studio 中上线 Amazon SageMaker JumpStart Model Leaderboard,可在质量、速度和成本三个维度并排比较模型。
Airbnb 分享了在 Amazon Bedrock 上运营编码智能体的方法:上线前用自有任务评测每个模型的得分和每次任务成本,据此设定默认模型与推理强度上限,上线后用 CloudWatch 指标和网关用量记录对比生产表现。文中提到一个评测得分领先的模型上线后,用户周均花费是上一模型的数倍,原因是缓存上下文被反复读取且用户发起了更长的自主会话;换到新模型后该群体主模型花费降至约七分之一。
极客公园梳理 GPT-6.2 Astra 与 Sol 发布后的表现,指出官方榜单成绩亮眼但一线开发者评价不佳。Astra 在 Artificial Analysis 综合指数榜以 62 分排第二,单任务成本 4 美元,但编程智能体榜停在 53 分,Sol 还倒退 3 分。
推荐理由:文章把官方跑分与一线开发者实测并置,读者可据此看清 GPT-6.2 在真实工程任务中的偏科表现。
OpenAI 发布 GPT-6.2 Astra 和 Sol 两款模型,已上线 ChatGPT Work、Codex 及 API(gpt-6.2-astra、gpt-6.2-sol)。
推荐理由:材料汇总了 GPT-6.2 Astra 与 Sol 的定价、基准表现和早期测试者的分歧评价,可对照两款模型的效率与能力取舍。
SID AI 发布第二代智能体搜索模型 SID-2 及多智能体模式 SID-2 Swarm,模型会自行决定下一步搜索什么并返回排序后的文档 ID,无需重建索引。
NVIDIA Vera Rubin 平台首次参加 MLPerf 基准测试,在 MLPerf Training v6.1 的全部基准上均有结果,是本轮唯一覆盖所有基准的平台,其 NVL72 系统每 GPU 性能最高达 GB300 NVL72 的 2 倍。
推荐理由:原文给出 Vera Rubin 在 MLPerf Training 与 Endpoints 的具体成绩和对比基线,可据此判断新一代平台的性能提升幅度。
Import AI 481 介绍了 FrontierML 基准,它用 21 个端到端机器学习任务衡量智能体能否把 $10、$50、$200 的预算转化为模型性能提升。
Import AI 第 479 期介绍 Realtime-Bench,这套基准包含 50 个交互式游戏与网页任务,用于评测模型在实时决策场景下的表现。在 wall clock 设置下,GPT-6 Astra(high)通过率最高,为 36%;而在暂停时钟条件下,高推理模型可接近 70% 至 80%。
Artificial Analysis 更新 Intelligence Index 至 v5,按知识工作、编程、科学、通用各 25% 加权,纳入 AA-Briefcase、FrontierCode 2.0、Terminal-Bench 4.0、HLE-Diamond 等评测。
Mistral 发布首个时间序列基础模型系列 Timestral,提供 5M、28M、123M 和 209M 四个尺寸,最大模型在 GIFT-Eval、TIME 和 fev-bench 三个公开基准上排名第一,参数量仅为此前 SOTA 的三分之二。
推荐理由:官方给出四个尺寸的基准排名与 CPU 推理延迟,可据此判断时间序列预测的部署成本。
Elorian 与 Scale AI 发布 Humanity's Sixth Sense 基准,用 522 道题、288 张图和 234 段短视频测试多模态模型的直觉视觉推理,人类 pass@1 为 93.1,表现最好的 GPT 6 Astra 仅 53.6,GLM-5.3-flash 与 Kimi K3 分别只有 26.8 和 25.5。
GitHub 发布 AI 代码审查开放基准 ReviewBench,基于 1.039 亿个 GitHub PR 的分布特征,构建了覆盖 19 种语言、187 个开源仓库的 219 个 PR 评测集。
Sebastian Raschka 梳理了文本分类从词袋加朴素贝叶斯、逻辑回归,到 RNN、CNN、BERT 与 GPT 类 Transformer 的演进,并以此解释 Jev 为何受到关注。