DecisionPivot：面向 LLM 系统决策模型的诊断基准
DecisionPivot 是一个诊断基准，包含 48 个任务、40,033 个条目、七种决策角色，用于评估 LLM 系统中负责路由、护栏与输出验证的决策模型。
#评测/基准
Hugging Face Daily PapersAI 评分4242 Hugging Face Daily PapersAI 评分3232 MMEnterprise-Bench：评估企业智能体处理演化多模态记录的能力
研究者推出 MMEnterprise-Bench 基准，包含 1,613 道基于模拟协作项目中演化多模态记录的问题，覆盖证据推理、冲突消解与不可回答三类任务。对 10 个专有和开源多模态 LLM 的评测显示，即使最强模型在证据存在跨来源或时间冲突、或跨越多张图像时仍表现不佳。增大检索预算或使用更大检索器能提升证据召回，但不必然带来更高的答案准确率。
WiredAI 评分4747 五款最佳 AI 录音笔记设备评测（2026）：Plaud、Vocci、Memoket 等实测对比
Wired 实测多款 AI 录音笔记设备并给出推荐：Plaud NotePin S 售价 179 美元、重 18 克，续航 20 小时、64 GB 存储，但转录仅 300 分钟且定价偏高；3.5 克的 Vocci Ring 智能戒指售 299 美元，转录速度快、摘要实用；Memoket Gem 售 200 美元，可生成独有的一页式信息图摘要。
Elliot Chen (@ElliotChen)AI 评分2727 EverOS 最新跑分公布：LoCoMo 94.74% 等 SOTA 水准成绩，预告下月重磅更新
EverOS 公布最新跑分，达到 SOTA 水准：LoCoMo 94.74%、LongMemEval 94.00%、AMA 80.89%、BEAM-1M 69.42%、SWE-ContextBench 34.34%。作者同时预告下个月将有重磅更新，未披露更多细节。
Startup FortuneAI 评分5252 Nace.AI 发布 Drex v2.0 决策模型，只输出概率不生成文本
Nace.AI 于 10 月 6 日发布 Drex v2.0 决策模型，并在 10 月 12 日将 drex-latest 别名切至新版。
Hugging Face Blog精选AI 评分7171 Ai2 发布 FairStress 基准，揭示大模型公平决策中的隐性不对称
Ai2 发布 FairStress 基准，测量大模型在涉及人口群体决策中超越最终选择的隐性公平问题，覆盖 300 个场景、扩展为超过 1300 万测试用例。实验发现模型更易在有利于少数群体的对抗性前缀下放弃正确答案，15 个模型的放弃正确答案差距平均为隐含身份 6.9 个百分点、显性标签 9.3 个百分点；对照 BBQ 表明测量偏差方向部分取决于评测方式。
推荐理由：Ai2 官方技术报告，提出用对抗性前缀测试模型决策稳定性，并审计训练数据与九种去偏方法的效果。
AxiosAI 评分4646 实测 OpenAI Dots 与 Meta Muse：AI 智能体规划 WNBA 总决赛之旅
Axios 记者用 OpenAI Dots 和 Meta Muse 两款 AI 智能体规划 WNBA 总决赛亚特兰大之旅、紫色主题早午餐和纪念册，测试两者能力边界。
WiredAI 评分2525 Hatch Sleep Clock 评测：一款非接触式睡眠追踪器
Hatch Sleep Clock 是一款非接触式睡眠追踪器，通过运动传感器记录睡眠，不提供睡眠评分，只给出每晚睡眠摘要和建议。与 Apple Watch Series 12 和 Oura Ring 5 对比，睡眠时长估算基本一致，睡眠阶段差异最明显。设备需摆放在床头柜上、与床垫齐平并距使用者 2 到 4 英尺，摆放位置会显著影响追踪准确性。
Tom's HardwareAI 评分2626 沉寂12年的Cinebench纪录被打破：超频玩家用Intel Core i5 4670K创下HWBot新纪录
超频玩家 Luumi 用 Intel Core i5 4670K 在 Cinebench R11.5 上取得 10.8 cb 的多核成绩，打破了尘封12年的 HWBot 同级别世界纪录。
Tom's HardwareAI 评分5454 Arm 称其 AGI CPU 机架级性能接近 AMD EPYC 9755 的 2 倍
Arm 称其面向智能体 AI 工作负载的 AGI CPU 按机架性能约为 AMD EPYC 9755 的 1.99 倍，结果由 Arm 委托 Signal65 独立分析验证，测试覆盖 MySQL、NGINX、Milvus、Terminal-Bench 2、SWE-bench replay、fastText 和 vLLM CPU 开销七项工作负载。
Tom's HardwareAI 评分4848 创想三维 Creality Pika 3D 扫描仪评测：小身材大作为
Tom's Hardware 评测了 Creality Pika 手持 3D 扫描仪，称其便携性与价格使其成为 2026 年评测过的最佳扫描仪之一。该扫描仪重 260 克，预售价 $699，采用蓝激光线扫描与 NIR 结构光，单帧精度 .03mm，扫描速度最高 90fps，可无线连接手机或通过 USB 连接电脑，无标记激光扫描需线缆连接。
Hugging Face Daily PapersAI 评分5757 Agent4Sci 测试床发布：前沿智能体在科学 ML 基准上的表现与局限
论文提出 Agent4Sci，一个衡量前沿编程智能体能否改进科学 ML 基准已发表最优模型的长程测试床，覆盖 11 个领域共 20 个基准。Claude Opus 平均相对提升 10.4%，但增益几乎全部来自常规 ML 工程技巧而非研究级洞察，并呈现新颖性误判、资源利用不足和快速坍缩为局部工程扫参三类局限。
Hugging Face Daily PapersAI 评分4242 StreamEval：交互式流式视频生成模型评测基准
研究者推出 StreamEval，一个面向交互式流式视频生成的统一基准，涵盖 avatar 对话、avatar 表演、世界生成、指令编辑和参考编辑五类任务。基准包含 300 个时长 15-300 秒的脚本化测试用例，从任务执行、状态一致性、视觉保真度和视听协调四个维度、十项指标按 0-100 分评估。
机器之心AI 评分5050 PhAI Labs 等机构提出 DiscoveryRSI，让科研 Agent 从研究假设中递归自我改进
PhAI Labs 联合 16 个机构、23 位作者提出 DiscoveryRSI，一套面向科学发现的递归自我改进范式，论文、代码与模型已公开（https://arxiv.org/abs/2610.23839）。
SecLink (@seclink)AI 评分2626 Paweł Huryn：DeepSeek harness 平均提升 DeepSeek V4.1 Flash 2-3 分但成本增加 80%
Paweł Huryn 测试发现，使用 Claude Code harness 使 DeepSeek V4.1 Flash 1017 的成绩平均提升 2-3 分，但由于子智能体和更多输出 token，成本增加 80%。新结果中，max 档 7 次平均为 39.1，high 档 5 次平均为 36.4。
新智元AI 评分7373 南京大学与UIUC研究动态并发Coding Agent收益与28种失败模式
南京大学和UIUC研究人员对Codex、Claude Code、Kimi Code三种Coding Agent开展大规模配对实验，覆盖354个任务、2124次执行、约112亿Token，分析动态并发是否有效。
Tuture Tom (@tuturetom)AI 评分4949 DeepSeek V4.1 Flash 1017 演示在 OpenDesign Motion Design 中制作教程动效视频
开源项目 OpenDesign 演示用 DeepSeek V4.1 Flash 1017 在其 Motion Design 中制作教程动效视频，内容是教其他 coding agent 接入 OpenDesign API。
Mistral AI精选AI 评分6262 Mistral 发布首个时序基础模型家族 Timestral，209M 参数登顶三大公开基准
Mistral 发布首个时序基础模型家族 Timestral，含 5M、28M、123M、209M 四种规格，最大 209M 模型在 GIFT-Eval、TIME 和 fev-bench 三大公开基准上排名第一，以约三分之二的参数量超过此前最优模型。
推荐理由：官方给出了四个参数规模在 GIFT-Eval、TIME 和 fev-bench 上的排名与 CPU 延迟数据，读者可以据此评估时序预测选型。
Import AIAI 评分4040 Import AI 475：群体智能体扩展、Google DeepMind 水印合成生物学与 AI 科学经济
Toby Ord 发文分析 AI 智能体群体（swarm）的扩展规律，指出 4 个智能体的群体总 token 需求约为单智能体两倍，但并行运行可将任务时间缩短一半；智能体数量扩 10 倍的收益仅为 10λ（约 3x 到 5x），存在类似人类团队的“踩脚”递减效应。
Francis YAO (@Francis_YAO_)AI 评分5252 Yao Fu 转发分析：DeepSeek-V4 答案随装饰性 docstring 翻转，或与 chunked KV-cache 压缩有关
Yao Fu 转发 Xingyu Zhu 的观察：相同代码和问题下，DeepSeek-V4 的答案会随每前置 2 个 token 的装饰性 docstring 而翻转，NIAH 准确率还随 needle 位置在固定 4-token 周期内波动最多 40 个百分点。该推文串解释了 chunked KV-cache 压缩与此现象的关系。