研究发现：好奇心驱动的人工神经网络模拟人脑结构演化
研究人员训练了数千套人工神经网络，发现好奇心最强的网络不仅拥有更复杂、灵活的认知能力，还会自发形成类似人脑的结构，如分层模块化结构和发育规律。好奇心模型在从未见过的新测试里表现明显更好，且其结构演化阶段更成熟，对应年龄约20岁。
#评测/基准
#评测/基准
今日 0 条IT之家AI 评分4545
The DecoderAI 评分4545 Hugging Face 发布研究：同理心提示词如何影响 AI 聊天机器人
Hugging Face 的一项研究揭示了同理心提示词如何影响 AI 聊天机器人的行为，发现这些提示词能显著改变机器人的行为和输出，但并未改变其训练内容。研究还指出，在心理健康领域使用语言模型时，需要考虑其可能带来的风险。
IT之家AI 评分4545 Anthropic 研究揭示：AI 智能体可能影响专家判断
Anthropic 最新研究表明，专家在分析决策中可能采纳 AI 智能体的偏好，并误以为结论出自自己。研究显示，专家采纳 AI 偏好的比例高达 86%，且多数专家未察觉自己被“带偏”。同时，使用 AI 的参与者完成分析更快、严重错误更少。
IT之家AI 评分4545 AI 模型使用成本受语种影响，Token 消耗量最高相差 17 倍
研究发现，AI 模型处理不同语言时，Token 消耗量可能相差悬殊，最高可达 17 倍。使用人数较少的语言的用户，可能需要支付比英语及其他主流语言用户更高的费用。此外，消耗的 Token 越多，AI 响应就越慢，能够有效处理的上下文内容也越少。
开源中国AI 评分55 维基百科持续清理 ChatGPT 生成内容
维基百科编辑发现大量 ChatGPT 生成内容，包含特定文风和结论段，持续进行清理工作。
Ask HNAI 评分55 Gemini 上下文检索失败案例分析
用户分享了长达730页的项目对话记录，详细描述了 Gemini 上下文检索的灾难性失败，但尚未有人回应其分享请求。
SolidotAI 评分3535 维基百科 WikiProject AI Cleanup 项目清理 AI 生成文本
2023年，维基百科志愿者发起WikiProject AI Cleanup项目，旨在清理AI生成文本。2025年，AI生成文本特征变得更隐蔽，AI文本也更具结构性，偏好三法则、否定式平行等。尽管检索增强生成技术减少了虚假或误导性文本引用，但AI仍会曲解内容，文不对题现象普遍。
Show HNAI 评分3535 AI爬虫研究：哪些大型网站阻止AI爬虫但允许AI搜索？
研究发现，25.9%的知名网站在robots.txt规则中阻止至少一个AI爬虫，9.2%的网站阻止AI训练但允许所有AI搜索爬虫。最常见的被阻止爬虫包括ClaudeBot、GPTBot和Bytespider。研究基于对945个网站的检查，每月更新一次。
The DecoderAI 评分4040 Claude Opus 5.5 与 GPT-5.6 等模型：AI 文本阅读体验不佳的原因分析
纽约大学和德克萨斯大学奥斯汀分校的研究人员发现，Claude、GPT-5.6 等模型在生成文本时，存在六种让阅读体验不佳的模式，如过度使用不常见的词组、句子结构复杂等。研究发现，Claude Opus 5.5 在可读性方面优于其前代 Opus 5。
Show HNAI 评分3030 StockBot：利用Claude模型分析Reddit股票讨论的探索性软件研究
StockBot是一款探索性软件，通过分析Reddit股票讨论，使用Claude模型进行买卖建议。该系统在100天内收集了717,205条股票提及和78次模型调用，结果显示股票在10个交易日内平均下跌7.3%。StockBot包含两个不同的选择路径：系统选择和用户选择，并通过Telegram发送简报。该研究旨在了解语言模型在处理市场数据时的行为，但不应被视为投资建议。
IT之家AI 评分4545 爱尔兰利默里克大学研究：人类偏好拟人形象AI智能体，存在性别偏见
爱尔兰利默里克大学研究发现，人类更偏好拟人形象AI智能体，但在性别上存在偏见，女性化AI智能体“Johanna”在薪酬分配上明显低于男性化“Johan”。
Show HNAI 评分4545 DSpark speculative decoding 在消费级 GPU 上的基准测试
DSpark speculative decoding 在消费级 GPU 上显著提升了 llama.cpp 的文本生成速度，最高可达 2.25 倍；最佳设置取决于后端，Vulkan 使用 3 个 token 的草稿效果最佳，ROCm 则是 7 个 token；prompt 处理速度略有下降，但影响不大。
Show HNAI 评分4545 mini-AGI 持续学习模型训练成果展示
mini-AGI 持续学习模型在单台 8GB 显存的 RTX 3070 显卡上训练一个月，参数量达 1.26B，在 enwik9 和 PG19 数据集上的表现优于 GPT-2 和 Chinchilla 模型，展现出强大的持续学习能力。
Show HNAI 评分4545 Drop7 游戏策略研究：深度搜索与学习模型提升得分
研究人员通过深度搜索和学习模型，在 Drop7 游戏中实现了平均 516,155 分的成绩，超过了传统方法的 382,567 分。研究尝试了多种策略，包括预期最大值搜索、启发式评估、Q 学习、N-tuple 网络、神经网络评估器等，并取得了初步成果。
Show HNAI 评分3535 Show HN: A 200-item RLHF quality audit with Fleiss' Kappa (0.68) 质量审计
对200项RLHF进行质量审计，采用Fleiss' Kappa方法，结果显示为0.68。
Show HNAI 评分3030 AML CYCLE 2：长期智能体记忆基准评测发布
AML CYCLE 2，一款针对长期智能体记忆的基准评测工具发布，旨在评估智能体在长期记忆方面的能力。
Show HNAI 评分4545 "LLM 如何区分真实记忆与虚构记忆：Check 1 实验报告"
在 Check 1 实验中，三位 LLM 判定者将虚构的代理人生平与真实生平进行评分，评分差异仅为 +0.032，在身份标记的等效范围内（±0.10）。实验表明，仅通过文本分析，LLM 难以区分真实记忆与虚构记忆。
The DecoderAI 评分3535 Taste-Bench：评估AI长期决策能力的基准测试
Taste-Bench基准测试旨在评估AI在长期决策中的“品味”，通过分析AI在任务执行过程中的决策路径，测试其在决策节点选择正确路径的能力。测试结果显示，即使是顶级模型GPT-5.6 Sol，在二选一决策问题上的准确率也只有约60%。此外，研究人员还发现，通过训练，AI的长期决策能力可以得到提升。
The DecoderAI 评分4545 "OpenAI Cammarata 重新解读 InceptionV1 神经元：AI 可解释性研究新进展"
OpenAI 的 Cammarata 重新解读了 InceptionV1 神经元，认为其并非多义性示例，而是 V 形检测器。他提出“递归泛化”模式，认为神经元通过相关意义扩展其响应。
Show HNAI 评分3535 Logistic regression 在分类任务中击败了百亿参数模型
Logistic regression 在分类任务中表现出色，击败了百亿参数模型，证明了简单模型的有效性。
The DecoderAI 评分4545 "杨振宁实验室联盟成立，推动人工智能在数学研究中的应用"
杨振宁与一群中国顶尖数学家在北京成立了“杨振宁实验室联盟”，旨在将人工智能应用于数学研究，并建立一个超过1000名研究者的网络。尽管西方数学界对AI持怀疑态度，但中国正致力于开发专用模型，并创建可机器验证的证明和透明的AI推理。
Show HNAI 评分3535 AI 辅助发现新的系外行星候选者：Kepler 数据中的行星信号
研究者利用 AI 分析 Kepler 数据，发现了一个可能的系外行星候选者，其轨道周期约为 13.77 天，距离地球约 298 光年。该行星可能是一颗温暖的海王星型行星，其大小介于地球和海王星之间。
开源中国AI 评分3535 ClickHouse 产品负责人 Sai Srirampur 在 POSETTE 2026 上发表演讲：Postgres 不慢，是你的存储慢
ClickHouse 产品负责人 Sai Srirampur 在 POSETTE 2026 演讲中提出，PostgreSQL 性能瓶颈在于存储，通过对比本地 NVMe 和 EBS 存储的测试，NVMe 性能远超 EBS，差距达 9.24 倍。
IT之家AI 评分55 TIOBE 2026年10月编程语言排行榜：Julia回归前二十
TIOBE公布2026年10月编程语言排行榜，Python以19.23%的占比排名第一，C语言以11.33%的占比排名第二。Julia编程语言时隔约3年再次进入前二十，占比0.88%，同比上涨0.42%。TIOBE的CEO Paul Jansen表示，Julia的回归得益于市场对兼顾高性能与易用性的现代编程语言的需求。
The DecoderAI 评分4545 ArXiv 限制每月提交论文数量以应对AI论文激增
ArXiv 从2026年10月1日起，将个人每月提交论文数量限制为两篇，以应对AI工具推动的月度提交量超过40,000篇的情况。这一限制旨在减轻志愿者审稿人的负担，并确保高质量论文的及时审阅。
IT之家AI 评分3535 尼康撤销徐宁博士Small World in Motion冠军资格，AI使用争议引发关注
清华大学徐宁博士因在尼康Small World in Motion显微视频竞赛中使用AI技术，其作品被撤销冠军资格。专家质疑其作品结构与真实样本不符，徐宁承认使用AI技术，但否认生成实验视频本身。越南参赛者阮南日作品现排名第一。
IT之家AI 评分4040 Claude Science AI 协助绘制首张全天紫外线地图
Anthropic 的 Claude Science AI 协助绘制了首张全天紫外线地图，约三分之一区域由模型估算；该地图整合了 GALEX、Swift、FIMS/SPEAR 等任务的数据，并校准不同仪器的观测、统一分辨率与坐标。
Show HN精选AI 评分5858 Cliphouse 发布 LLM 动效图形基准 v1.1：十个模型同题对比
Cliphouse Research 发布 v1.1 动效图形基准，让十个模型用 Remotion 完成同一组三条动效简报，并公开每个结果的视频、API 成本与生成耗时。
推荐理由：同一组 Remotion 动效简报下十个模型的首次通过率、生成耗时与 API 成本被并列公开，可作为选型参考。
Show HNAI 评分2222 Bot Bowl Bench：用 Blood Bowl 评测 LLM
开发者推出 Bot Bowl Bench，以 Blood Bowl 游戏为基准测试 LLM，起因是想为 Mistral 4 找一个有意义的评测方式。目前仅纳入价格较低的模型，若反响不错，可能加入 Opus 和 Astra 进行测试。
量子位精选AI 评分6262 UniPat AI 发布 PaperBenchX：GPT-6 Astra 论文完整复现率仅 13.98%
UniPat AI 发布 PaperBenchX，这是国际上第一个多学科端到端论文结果复现的 Benchmark，从 93 篇论文构建 93 个复现任务，横跨电磁、光子、化学、材料、生物、机器人等 12 个研究方向和 10 种领域原生科学环境，含 3168 条专家校验评分项。
推荐理由：PaperBenchX 用 93 个跨学科复现任务量出 AI 与通用 AI 科学家之间的距离，并开源 12 个任务供复用。
Show HN精选AI 评分5858 HieraticBench：AI 能读懂古埃及圣书体手写体吗
作者发布 HieraticBench，用 268 条真实文献、符号及其他埃及文字作为对照，测试前沿模型识别和翻译圣书体（hieroglyphs 的草写体）的能力。
推荐理由：作者用自己未公开的圣书体句子和真实文献测试多个前沿模型，给出识别与释读的具体差距。
GitHub Blog · AI & ML精选AI 评分5252 GitHub 发布 ReviewBench：面向 AI 代码审查的开放基准
GitHub 发布 ReviewBench，一个面向 AI 代码审查智能体的开放离线基准，研究预览版已上线官网。基准基于 1.039 亿个 GitHub pull request 的分布构建，包含 19 种语言、187 个开源仓库的 219 个 pull request，采用多来源 golden set 与统一评分标准，发布前由资深工程师独立复核，一致率 96.6%。
推荐理由：GitHub 公开了代码审查基准的构建方法与评测口径，读者可据此判断自家审查智能体的强弱与取舍。
Simon WillisonAI 评分2727 Qwen3.8 27B 用英文单词做加法的基准测试
Simon Willison 在 DGX Spark 上测试本地 Qwen3.8-27B-Q4_K_M.gguf 能否仅用英文单词表达整数加法结果。禁用推理时 5,070 个用例数值准确率仅 23.57%，一至三位数操作数从 97.04% 降至十至十三位数的 6.44%，格式合规率 96.17%。启用推理后 169 次配对测试答对 167 次。
Show HNAI 评分3838 Show HN：Rare Failure Eval——智能体评测中选对率与决策代价的错位实验
一项可复现的 Python 实验 Rare Failure Eval 显示，智能体评测器的选择准确率与决策代价可能给出不同排名：在集中风险场景下，方差分配策略把错选率从 44.4% 提高到 52.6%，但平均效用损失反而降低 27.8%（0.0268 降至 0.0193）。
Show HN精选AI 评分6262 DoubtBench 发布：用人类分歧评测 System One 模型的不确定性
DoubtBench 是一个基于 NVIDIA HelpSteer2 多人标注数据构建的基准，把标注者的分歧转化为约 7,500 道 Score、Choice 和 Noul 题目，同时考察模型答对率和概率是否与人类分歧对齐。
推荐理由：DoubtBench 用 HelpSteer2 的多人标注衡量模型概率是否与人类分歧一致，并给出可复现的评测命令与榜单。
The DecoderAI 评分3838 Aleph Alpha 研究：Qwen、DeepSeek、Kimi 等中国 AI 模型在敏感话题上重复官方立场或拒答
Aleph Alpha 用自建基准测试了阿里 Qwen、DeepSeek 和月之暗面 Kimi，覆盖天安门、台湾、新疆等 967 个敏感话题，其评分系统仅将 17% 至 41% 的回答评为平衡，其余为重复官方立场、回避或拒答。
TechCrunch · AIAI 评分3838 Graphite 研究：Claude Opus 5.5 最爱说“this matters”，各前沿模型写作习惯各有破绽
Graphite 研究分析了 Claude Opus 5.5、OpenAI Astra、Gemini 3.1 Pro 等前沿模型的写作习惯，发现 13,000 个在 AI 内容中出现频率至少为人类两倍的短语。
The DecoderAI 评分5252 Mercor 研究：AI 在记账任务上快于持证会计师，但仍无法独立完成结账
Mercor 的一项研究让 12 名平均 5.5 年经验的持证 CPA 完成 APEX Accounting Benchmark 的简化任务，结果显示 AI 模型在结构化记账任务上比会计师更快、更准确且成本更低。
OpenAI NewsAI 评分2828 OpenAI 推出 MentalHealthBench
OpenAI 发布 MentalHealthBench，一个由专家参与构建的基准，用于评估 AI 在真实心理健康对话中回复是否有帮助且安全。
Microsoft ResearchAI 评分3939 微软研究院发布 MindTopo 基准，揭示多模态模型拓扑推理短板
微软研究院推出 MindTopo 基准，用于评估多模态大语言模型的拓扑推理能力，覆盖连通性、分离、顺序、包围与打结五类关系，并区分静态推理与交互规划两个认知层级。测试显示，当前模型在静态识别上明显优于交互规划，且两者均远低于人类水平，失败多出现在规划阶段而非感知阶段。图像与视频生成仅在单帧内保留拓扑关系时有用，跨动作序列仍不可靠。