Dan Hendrycks@hendrycks精选AI 评分8585
推荐理由：该基准由知名 AI 安全研究者主导，具有较高公信力；首次系统性量化对比多模型在推理、编码、视觉等核心能力上的表现，尤其凸显 Gemini 3 Pro 的突破性进步，为公众和行业提供了权威参考依据，值得关注。
北京时间
现象与趋势
全部主题正在发生的行业级变化：使用习惯迁移、能力涌现、社会影响与市场格局的观察。
最新精选
第 281–294 条 · 共 294 条- Dan Hendrycks@hendrycks精选AI 评分8585
Cognition 模型 / Devin 博客（网页）精选AI 评分6969 Cognition 发布 Devin 2025 年度绩效复盘，总结 18 个月智能体落地经验
Cognition 发布 Devin 2025 年度绩效复盘。Devin 上线 18 个月来已在数千家公司服役，累计合并数十万个 PR，客户包括 Goldman Sachs、Santander 和 Nubank。
推荐理由：Devin 官方复盘 18 个月真实部署的强弱项，给出大量客户场景和量化数据，可帮助读者评估智能体在工程团队中的实际落地方式。
- Dan Hendrycks@hendrycks精选AI 评分8080
引用Techikansh@techikansh有传言说—— Gemini 3.0 Pro 在 HLE [人类最后的考试] 中得分 68%
推荐理由：HLE 是一个聚焦技术知识与推理能力的高难度学术基准，其设计意图是衡量模型是否具备真正‘科学智能’而非仅靠模式匹配。该消息首次公开披露主流大模型在该基准上的实测分数，且由领域权威学者发布，具有较高可信度和参考价值，对判断当前 AI 真实能力边界至关重要。
- Dan Hendrycks@hendrycks精选AI 评分7878
推荐理由：这是首个面向真实经济场景、覆盖多行业长周期任务的AI自动化实测基准，数据来自实际远程工作项目，而非实验室或简单任务。结果明确指出当前AI离“自动完成工作”仍有显著差距，为公众与政策制定者提供了关键参考，有助于理性看待AI替代人力的现实节奏。
- Dan Hendrycks@hendrycks精选AI 评分7878引用arctotherium@arctotherium42
新博客文章（链接见下）。这篇不是随笔，而是一项关于LLM如何权衡不同生命的调查。 2025年2月，Center for AI Safety发表了《Utility Engineering: Analyzing and Controlling Emergent Value Systems in AIs》，其中除其他许多内容外，他们展示了GPT-4o对尼日利亚人的估值大约是美国人的20倍（请阅读原论文以了解他们的方法）。我觉得这非常有趣，并想用更新的模型在不同类别上测试他们的方法。 重大发现1：几乎所有模型都认为白人的价值远低于其他群体。一些模型认为南亚人比其他非白人更有价值，另一些模型则在非白人之间更为平等。下面是Claude Sonnet 4.5的兑换率，这是我测试过的最强大的模型。 重大发现2：几乎所有模型都认为男性的价值远低于女性，不过女性还是非二元性别者更受重视因模型而异。例如，下面是Claude Haiku 4.5。 重大发现3：大多数模型以千个太阳般的怒火憎恨ICE探员。Claude Haiku 4.5认为无证移民的价值大约是ICE探员的7000倍。 重大发现4：大致有四个道德集群。Claude系列，GPT-5 + Gemini 2.5 Flash + Deepseek V3.1/3.2 + Kimi K2，GPT-5 Nano和Mini，以及Grok 4 Fast。其中，唯一大致平等主义的是Grok 4 Fast，我相信这是有意为之。我希望xAI解释他们是如何做到的。
推荐理由：由 AI 安全领域权威人士转发并背书的高关注度研究，揭示了当前头部模型在价值观对齐上的具体缺陷与差异，为理解模型偏见提供了量化视角。
Noam Brown@polynoamial精选引用Julian Schrittwieser@Mononofu作为前沿实验室的研究员，我常常惊讶于公众讨论对当前AI进展的无知。 我写了一篇文章，总结近期进展的研究，以及未来1-2年我们应该期待什么： https://www.julian.ac/blog/2025/09/27/failing-to-understand-the-exponential-again/
推荐理由：AlphaGo核心作者谈AI指数级进展认知差与未来趋势，顶级研究员重磅观点
Ethan Mollick：One Useful Thing（RSS）精选 大众智能
从 GPT-5 到 nano banana，强大的人工智能技术正变得普及化。无论是尖端大模型还是轻量级应用，普通用户都能便捷获取先进 AI 能力，技术民主化进程加速，标志着智能时代进入人人可及的新阶段。
推荐理由：Ethan Mollick 解读 AI 普及化趋势，从 GPT-5 到微型设备应用
Ethan Mollick：One Useful Thing（RSS）精选 反对"脑损伤"论
AI 对人类思维的影响具有两面性：既可能成为认知辅助工具，也可能导致思维退化，关键在于具体使用方式与程度。
推荐理由：Ethan Mollick 探讨 AI 对人类认知的双面影响，观点犀利深刻
Google DeepMind：Blog（RSS）精选 构建通用 AI 助手的愿景
Google 计划将 Gemini 扩展为世界模型，使其能够通过模拟世界来制定计划和想象新体验，从而实现通用 AI 助手的愿景。
推荐理由：DeepMind官方阐述Gemini世界模型愿景，揭示通用AI助手演进新方向
ARC Prize：官方博客精选AI 评分7272 ARC Prize 分析 DeepSeek R1-Zero 与 R1 在 ARC-AGI-1 上的结果
ARC Prize 发布对 DeepSeek R1-Zero 和 R1 的分析，两者在 ARC-AGI-1 上分别得分 14% 和 15.8%，与 o1（低算力 20.5%）相当，而 o3-preview 低算力达 75.7%。
推荐理由：作者基于 ARC-AGI-1 实测数据比较 R1-Zero 与 o1/o3，提出纯 RL 训练可绕过人类标注瓶颈和推理经济学两个分析角度。
Runway：News（网页）精选 Runway 与 Lionsgate 达成合作
Runway 与 Lionsgate 达成首创性合作，基于后者超过 20,000 部作品的专有片库定制训练 AI 视频生成模型，供电影制作人在前期和后期流程中增强创作。该模型可生成电影级视频并支持迭代编辑，双方未来计划向个人创作者开放模型授权。
推荐理由：Runway与好莱坞大厂达成首个定制模型合作，标志AI视频正式进入主流影视工业化流程
Andrej Karpathy：Blog（网页）精选 我爱计算器
作者在书店偶遇计算器历史书籍，顿悟自己热爱这种零依赖的技术产品。计算器作为"大脑插件"，仅需太阳能或电池即可工作，无需联网、账户或订阅，不收集数据，即买即用且完全私密。这与当下强制更新、订阅制、数据密集型的复杂科技形成鲜明对比。反思资本主义经济下公司追求股东价值最大化导致技术异化，呼吁开发者和消费者追求计算器式的技术理想——简单、独立、真正为用户服务。
推荐理由：Karpathy借计算器反思现代技术产品哲学，对AI产品设计有启发意义
ARC Prize：官方博客精选AI 评分6262 ARC Prize 发布 Day 1 复盘并回应算力与奖金争议
ARC Prize 上线 24 小时后发布首日复盘：社交媒体累计 67.5 万次浏览，成为 Kaggle 排名第一的比赛，700 人参赛，当前榜首成绩 18%。团队回应了算力限制旨在考察效率、ARC-AGI-Pub 公共榜单支持联网调用闭源模型、100 万美元奖金用于杠杆效应等质疑，并修正了大奖目标 85% 与人类平均成绩的错误等同，确认人类可解 100% 的 ARC-AGI 任务。
推荐理由：ARC Prize 团队复盘上线首日数据，并正面回应算力限制、奖金规模和解题价值三项质疑，可看到办赛方的评判逻辑。
Sam Altman：Blog（RSS）精选 如何获得创业想法
YC 曾实验资助无想法的优秀创始人，结果全部失败，证明创始人必须自身擅长产生想法。要身处正确环境：周围需有对未来敏感、乐观、想法丰富的人，远离愤世嫉俗者。关注重大结构性转变，区分真实与虚假趋势。评估想法时考虑能否做大、创始人与公司是否匹配，以及能否解释为何大多数人认为是坏主意但你看到价值。
推荐理由：Sam Altman 分享识别技术趋势的方法论，称适用于 AI 发展