哈佛大学随机对照研究：AI 导师教学效果优于课堂主动学习
哈佛大学研究人员在物理课程中开展了一项 194 名学生参与的随机对照实验，对比结构化 AI 导师与课堂主动学习的教学效果。结果显示，AI 辅导组的后测成绩中位数达到 4.5 分，显著高于课堂主动学习组的 3.5 分，学习增益提高一倍以上，且学生完成学习任务的中位数时间缩短至 49 分钟。
推荐理由：哈佛大学通过本科物理课随机对照实验，展示了融入教学法脚手架设计的 AI 导师在学习增益与用时效率上均优于课堂主动学习。
9月30日 · 周三
精选
最新精选
Hacker News · AI精选AI 评分7171 Hacker News · AI精选AI 评分7676 Liquid AI 发布决策模型 D1：单次调用输出概率分布且零输出 token
Liquid AI 推出专用于结构化决策的决策模型 D1，无需逐 token 生成文本，可在单次 API 调用中直接返回校准后的概率分布，output_tokens 始终为 0。
推荐理由：原文给出了不生成文本的概率决策机制和三种原语，读者可以据此评估在分类与路由场景中替代传统生成式大模型的可行性。
arXiv 人工智能精选AI 评分6666 CheatBench：评估 AI 智能体奖励作弊行为的基准测试
研究团队推出评测基准 CheatBench，用于测量 AI 智能体在数学研究、知识工作、编码和视觉等领域的奖励作弊行为。该基准将高难度任务与作弊途径结合，测试智能体在诚实完成任务受阻时是否会出现越权访问、规避监控或突破沙箱等风险。CheatBench 支持跨模型和任务类别对比，相关评测套件已公开发布。
推荐理由：原文构建了多领域的作弊评测环境，为评估强化学习驱动的智能体安全性提供了可量化的测试集。
arXiv 人工智能精选AI 评分6868 超越对称智能体：小语言模型中的认知多样性与多智能体辩论研究
一项针对 23 个开源小语言模型、涵盖 5500 余次实验的研究表明，多智能体辩论的性能增益本质上是集成采样效应，而非源于智能体间的认知多样性。在严格匹配生成预算的条件下，辩论的表现持平甚至略逊于单模型的自洽性采样，却消耗了 1.6 倍的运行时间和 3.4 倍的 token 成本。
推荐理由：该研究在匹配预算的严格对照下揭示多智能体辩论的收益主要源自集成采样，为评估 Agent 协作机制提供了严谨的基线参照。
Buzzing HN · 中文精选精选AI 评分6868 开源快速决策模型 Jeff 发布，基于 Qwen3.5 单次前向推理延迟约 30ms
开源决策模型 Jeff 正式发布，基于 Qwen3.5-0.8B/2B 与 Gemma 4 E2B 微调，支持单次前向推理直接输出校准概率，单次决策延迟低至 22 至 28 毫秒。
推荐理由：原文展示了仅需单次前向推理的轻量级决策模型实现路径，为端侧与高并发场景下的极速分类与路由提供了低成本方案。
AITNT · AI头条（网页）精选AI 评分7676 北大团队完成庞加莱猜想Lean 4完整形式化验证
北京大学AI for Math团队宣布独立完成庞加莱猜想在Lean 4中的完整形式化，将500多页专著转化为约320万行代码。该工作由开发者与学生借助商用大模型及智能体工作流协作完成，历时半个月、总花费不到3万美元，平均每行代码成本不足1美分。成果包含27203个Lean文件且无一处sorry标记，已同时通过Lean build与Comparator双重检验。
推荐理由：该项目展示了多智能体协作完成复杂数学命题形式化的工程框架，为大模型落地严谨科学验证提供了成本与路径参考。
爱范儿 · AI 筛选精选AI 评分7474 可灵 AI 推出 Kling 4.0 及 Flash 版本并开启实测
可灵 AI 推出 Kling 4.0 视频生成模型及兼顾速度与性价比的 Kling 4.0 Flash，在画面真实感、长镜头叙事与专业控制上实现升级。模型支持 10-bit HDR 及 4K/1080P 输出、单次原生最长 30 秒生成，覆盖 9 种语言口型同步，并支持单次任务组合最多 15 项参考素材与 10 张关键帧。
推荐理由：原文实测了新模型在运镜稳定性、10-bit HDR 输出与多参考控制上的表现，便于创作者评估其接入专业影视流程的实用性。
Cerebras 官方博客（网页）精选AI 评分8080 OpenAI 联合 Cerebras 推出 GPT-5.3-Codex-Spark 代码模型
OpenAI 联合 Cerebras 推出专为实时软件开发设计的 GPT-5.3-Codex-Spark 模型研究预览版，由 Cerebras 晶圆级引擎（Wafer-Scale Engine）驱动，推理速度超过 1,000 tokens/s。
推荐理由：该模型通过晶圆级芯片实现超 1000 tokens/s 推理速度，展示了定制硬件对实时交互式编程工作流的加速效果。
Claude 官方博客（网页）精选AI 评分7878 Anthropic 发布 Claude 网络安全解决方案与 Mythos 系列模型
Anthropic 推出 Claude 网络安全解决方案，并披露具备高阶漏洞利用推理能力的 Claude Mythos 5 与通用安全版 Claude Fable 5。
推荐理由：原文披露了模型在全系统控制与漏洞挖掘上的能力跃迁及防护闭环，读者可据此评估前沿模型在自动化漏洞修补中的实际落地深度。
Hacker News · AI精选AI 评分8282 ElevenLabs 发布 Eleven v4 文本转语音模型及 Turbo 版本
ElevenLabs 正式发布文本转语音模型 Eleven v4 及其低延迟版本 Eleven v4 Turbo，采用全新架构以提升语调、节奏与情绪表现力。模型支持通过自然语言提示词及行内标签精细控制情绪和音效，并覆盖超过 90 种语言的多语种克隆；Eleven v4 Turbo 中位推理延迟约 100ms、首字发音中位时间约 150ms，重点面向实时对话智能体场景。
推荐理由：新模型在保留音色一致性的基础上强化了多角色对话情绪表达，为实时语音智能体提供了低延迟参考方案。
AWS 机器学习精选AI 评分8080 AWS 宣布在 Amazon Bedrock 与 Claude Platform 上线 Claude Sonnet 5.5
AWS 正式在 Amazon Bedrock 和 Claude Platform on AWS 上提供 Claude Sonnet 5.5。该模型针对聚焦型编程和知识工作优化，具备更快的执行速度与更低的任务单价，支持与 IAM、CloudTrail、CloudWatch 及 Bedrock Guardrails 等 AWS 原生治理工具集成。
推荐理由：文章明确了该模型在企业工程中的分工定位与调用方式，便于开发者评估架构组合与成本配比。
Cerebras 官方博客（网页）精选AI 评分6565 Cerebras 实测主流 AI 助手耗时瓶颈：通过并行与流程沉淀提速 19 倍
Cerebras 评测了主流 AI 个人助手的执行效率，并通过架构工程将日常订餐任务耗时从数分钟压缩至 22 秒。
推荐理由：文章拆解了智能体执行任务耗时过长的瓶颈，通过并行查询、硬件加速与交互流程沉淀提供了实测提速方案。
Claude 官方博客（网页）精选AI 评分8484 Anthropic 发布 Claude Haiku 4.5 模型
Anthropic 正式推出 Claude Haiku 4.5，在编码、电脑使用及智能体任务上达到 Sonnet 4 水平，并在 SWE-bench Verified 基准测试中取得 73.3% 的成绩。
推荐理由：原文对比了该轻量模型与旗舰版本的编码和推理表现，读者可以据此评估多智能体协作与大规模调用的性价比边界。
Claude 官方博客（网页）精选AI 评分8989 Anthropic 发布 Claude Sonnet 5.5
Anthropic 正式推出 Claude Sonnet 5.5 混合推理模型，具备 1M 上下文窗口，运行速度相比 Sonnet 5 提升 30% 且典型工作流成本降低最高达 30%。
推荐理由：官方公布了新模型的定价与多场景实测数据，开发者可以据此评估高频编码与 Agent 任务的替换成本。
Claude 官方博客（网页）精选AI 评分8787 Anthropic 发布 Claude Opus 5.5：支持 1M 上下文且运行成本降低 40%
Anthropic 正式推出混合推理模型 Claude Opus 5.5，具备 1M 上下文窗口，在典型工作负载下的运行成本较 Opus 5 降低约 40%。
推荐理由：该模型在保持前沿智能的同时大幅压缩了长程智能体与复杂代码任务的步数与运行成本。
Claude 官方博客（网页）精选AI 评分8686 Anthropic 发布 Claude Fable 5.1 大模型
Anthropic 正式发布 Claude Fable 5.1 大语言模型，主打长周期、异步及跨应用的复杂编码与深度知识工作。模型 API 定价为输入每百万 token 10 美元、输出每百万 token 50 美元，缓存读取费用降至每百万 token 0.25 美元，已面向订阅用户及主要云平台开放。
推荐理由：原文详细说明了新模型的定价变化、降本幅度与安全路由机制，有助于评估复杂长周期任务的迁移成本。
Claude 官方博客（网页）精选AI 评分7777 Anthropic 发布网络安全与生物研究模型 Claude Mythos 5.1 及受控版 Fable 5.1
Anthropic 推出新一代 Mythos 级别模型 Claude Mythos 5.1，在网络安全和生物学研究能力上取得提升，目前仅通过受信任准入计划向审核通过的机构开放。
推荐理由：Anthropic 推出专精网络安全与生物研究的高能力模型并配套安全受控版本，展示了前沿高危 AI 能力在受限准入下的分级部署路径。
LlamaIndex 官方博客（网页）精选AI 评分6060 LlamaIndex 发布文档提取基准 ExtractBench 并推出 Agentic Plus
LlamaIndex 正式发布开源企业级文档提取评测基准 ExtractBench，并同步推出文档提取服务新层级 LlamaExtract Agentic Plus。
推荐理由：原文同时评估了提取准确率、长文档衰减与单页成本，读者可以据此对比不同模型在实际企业文档提取中的性价比与能力边界。
vLLM 官方博客（网页）精选AI 评分6565 vLLM 详解 Qwen3.8-2.4T 的 PD 分离推理优化实践
vLLM 在 GB300 NVL72 集群上实现了千问 Qwen3.8-2.4T 的 Prefill-Decode（PD）分离式推理优化，在 8K/1K 负载下达成单 GPU 5000 token/s 吞吐量以及每用户 180 token/s 的交互速率。
推荐理由：文章系统拆解了超大混合架构模型在显卡上的显存预算计算与拓扑选择，为超大规模模型落地分离式推理提供了可复用的调优方法论。
Google Developers · AI 筛选精选AI 评分6767 Google 推出 autofinetune：在 TPU 上基于 Tunix 实现 LLM 自主后训练
Google 推出开源项目 autofinetune，利用 Gemini Flash 3.7、Tunix 与 Cloud TPU 驱动 AI 智能体自主闭环完成大语言模型的监督微调（SFT）与 GRPO 强化学习后训练。
推荐理由：展示了如何通过规范配置让智能体在硬件集群上自主调优并验证变更，为模型后训练提供了可复用的自动化实践路径。