Hugging Face 政策主管：嵌入式 AI 评估器并非易解方案
Hugging Face 政策主管 Irene Solaiman 表示，嵌入式 AI 评估器不会成为解决模型评测难题的简单方案。她指出，当前评测的可复现性、跨测试比较和行业标准化仍不足，开放权重有助于复现结果。随着评测从模型扩展到 harness 与智能体，相关评测成本高昂且仍在发展。
#评测/基准
TechCrunch AIAI 评分4040
Ethan MollickAI 评分6666 Ethan Mollick 用图表复盘 AI 30 个月指数式进步
Ethan Mollick 以新书《Co-Existence》发布为节点，用图表复盘自《Co-Intelligence》出版以来 AI 的进展。已有 180 个模型超过 GPT-4 发布时的水平，其中 19 个可在现代智能手机运行；METR 测得 AI 可完成的人类工作时长从 4 分钟增至 17 小时，GPQA 获得正确答案的模型使用成本则从 30 美分降至 0.04 美分。
Interconnects精选AI 评分7979 Meta借Muse Spark Open重塑前沿模型竞争格局
Meta凭开放权重模型Muse Spark Open重新进入美国开放模型前沿，并与闭源模型Muse Wonder、Muse Wonder Full形成开放与闭源并行的布局。
推荐理由：文章结合性能、许可证与模型格局，分析Meta凭开放和闭源模型重新参与前沿竞争的条件。
硅谷101AI 评分5757 再访阿里国际站总裁张阔：模型变强为何商家体感有限
阿里国际站总裁张阔在访谈中表示，模型通用评测成绩接近满分，但真实经营中的能力提升并不明显。团队整理了报价比较、钓鱼邮件识别、订船和交易纠纷等107个任务，最前沿模型在无人干预下的通过率约为61%。访谈还讨论了Accio Work的任务边界、模型与工程联合优化，以及人类在经营判断中的角色。
硅谷101AI 评分4949 E253｜谁在给大模型出题、卖题、判卷？聊聊 AI 数据行业的野蛮生长
《硅谷101》邀请 Scale AI 研究总监何允中及加州大学伯克利分校博士后孙一铀，拆解大模型训练数据、评测与强化学习环境背后的产业逻辑。AfterQuery 估值从今年4月的3亿美元升至9月的32亿美元，Bespoke Labs 种子轮与A轮融资合计4000万美元。