Plune 发布 @plune-ai/cli：面向 LLM 应用的断言测试运行器
Plune 发布命令行工具 @plune-ai/cli，用一份 plune.yaml 描述断言套件，对 LLM provider 运行后给出通过/失败报告，支持本地、CI 或两次运行间的回归 diff。
#评测/基准
GitHubAI 评分6262 GitHubAI 评分3838 llm-parliament：让三个 AI 模型按议会流程辩论你的问题
开发者发布 llm-parliament，一个本地优先的多智能体辩论工具，让三个 AI 模型按一读、辩论、表决的议会流程审议问题，输出含共识、分歧、风险与建议的结构化裁决。
Hacker NewsAI 评分2222 AI 工程成熟度模型：团队进阶的 5 个阶段
一份面向软件工程团队的 AI 工程成熟度模型提出五个阶段：从个人零散使用 AI 辅助编码，到受监督的 IDE 智能体、标准化团队实践、自主委派，最终进入多智能体编排与治理。该模型强调团队需依次突破开发者信任、评审带宽、平台质量和治理架构四道关卡。在对比的七个框架中，仅开源项目 Gigacore AI-MM SET 面向软件工程团队全开发生命周期，其余六个均聚焦企业级 AI 采用。
Hacker NewsAI 评分3434 LifeOS 拆解：Daniel Miessler 的个人 AI 操作系统
LifeOS 是 Daniel Miessler 的个人 AI 操作系统，作为通用 AI harness 层运行在现有编码 harness 之上，约 19k stars，目前仅 Claude Code 接入了每轮 hooks。
GitHubAI 评分2020 litmux：测试 AI 提示词以节省成本的 Windows 工具
litmux 是一款 Windows 桌面工具，可对比不同 AI 模型处理同一提示词的效果，帮助用户找到更省钱的方案。它支持从下拉菜单选择模型、运行测试并记录结果，通过历史标签的成本列查看每次请求的花费，并用对比功能并排查看两个模型的响应速度与质量。提示词在测试阶段保留在本地，仅在触发测试时发送给所选 AI 提供商，要求 Windows 10/11、至少 4GB 内存和 500MB 存储空间。
GitHubAI 评分6262 TransitTruth 开源 AI API 安全审计平台，用行为指纹验证中转站模型真伪
TransitTruth 是一个开源的 AI API 安全审计平台，通过行为指纹、tokenizer 指纹、能力测试和 token 计费对比，帮助用户核查中转站是否用更便宜的模型顶替旗舰模型或虚报 token 数。
GitHubAI 评分1313 xInfer123/octobench：用共享用例框架评测 LLM 工具、配置与提示词
GitHub 项目 xInfer123/octobench 提供共享用例框架，用于基准测试和对比 LLM 工具、配置与提示词设置，并支持自动评分与遥测。该仓库目前获 1 star、1 watcher、0 fork。
GitHubAI 评分2828 产品经理用 AI 编程工具打造的 daily-ai-builds 小工具集
产品经理 Prerna Kakkar 发布 daily-ai-builds 项目，用 AI 编程工具按提示词与评审生成一批小型可用 AI 工具，每个工具对应一个具体问题，附无需 API key 即可打开的在线应用或示例。
GitHubAI 评分6262 ethangreeney/ai-analysis 发布前沿模型对比地图
GitHub 项目 ethangreeney/ai-analysis 发布一张前沿模型对比地图，用智能程度、响应时间和每任务成本三个维度展示各模型，颜色表示每任务成本，从低于 10¢ 的蓝色到高于 $3 的红色。
RadarAIAI 评分3838 华为与华东师大联合研发昇腾原生时序预训练模型七曜，登顶 TIME-leaderboard 和 GIFT-Eval 双榜单
华为云行业大模型团队与华东师范大学联合研发的昇腾原生时序预训练模型"七曜"，登顶国际权威时序评测榜单 TIME-leaderboard 和 GIFT-Eval（Pretrained 类目）。该模型可直接用于零样本时序预测任务，适配电网负荷研判、工业设备异常时序检测、金融趋势分析等场景，并支持低成本二次微调。
The DecoderAI 评分6969 Odyssey 开放世界模型 Odyssey-3 免费研究预览
Odyssey 面向公众开放世界模型 Odyssey-3 的研究预览，用户可用文本提示生成可实时探索的交互环境，开发者可申请 API 访问。免费在线演示基于 Odyssey-3 Flash，采用自回归扩散 Transformer 逐帧生成视频，基础模型 14B 参数、输出 832 × 480，Pro 版支持 1280 × 720。
量子位精选AI 评分7878 Google 发布生图模型 Nano Banana 2.1，支持 4K 直出并下调 API 价格
Google 发布新一代生图模型 Nano Banana 2.1，围绕视觉设计、蒙版编辑、主体一致性和画面真实自然性升级，支持 4K 直出。据 Arena 评测，其在文本转图像、多图像编辑和单张图像编辑三项上平均提升约 61.7 分，其中文本转图像排名第四、比上一代提升 80 分。
推荐理由：汇总了 Nano Banana 2.1 的 4K 直出、中文渲染与 API 降价信息，并附上网友实测的对比与水印 Bug 反馈。
RadarAIAI 评分6969 Odyssey 开放世界模型 Odyssey-3 公开研究预览，可免费试用
加州 AI 公司 Odyssey 将世界模型 Odyssey-3 开放为公开研究预览，用户可用文本提示生成交互环境并实时探索，开发者可申请 API。免费在线 demo 基于 Odyssey-3 Flash，支持第一人称和第三人称视角；基础模型 14B 参数，生成 832 × 480 视频，Odyssey-3 Pro 支持 1280 × 720。
GitHubAI 评分5858 llm-latency-tracker 开源：跨区域测量 AI API 延迟并发布开放数据
mazamaka/llm-latency-tracker 开源，用于跨区域测量 AI API 延迟与可用性并发布为开放数据。最新 2026-10-11 快照覆盖 4 个区域、46 家 AI 推理供应商，Asia（Tokyo）与 Europe（Germany）最快供应商均为 fireworks，p50 分别为 19 ms 和 99 ms，Uptime 均为 100%。
RadarAIAI 评分3838 复旦团队实证研究：10 大 AI 搜索平台的引用偏好与 GEO 脆弱性
复旦大学与上海浦东密码学研究院对 ChatGPT、Google AI、Perplexity、DeepSeek 等 10 个主流 AI 搜索平台开展内容发布实验，发现各平台存在显著信源偏好、头部集中及跨平台重叠度低的问题，Jaccard 均值仅 0.201。研究为 GEO 优化策略提供了数据支持。
Hacker NewsAI 评分4646 Stack Overflow 2026 开发者调查：AI 使用、模型偏好与工作方式变化
Stack Overflow 2026 开发者调查发布，超 3 万人参与，73% 使用 AI 编程助手/智能体的受访者每天使用，Claude Code（66%）和 GitHub Copilot（59%）是最常用智能体。
GitHubAI 评分6060 rag-chunking-benchmark：三种 RAG 分块策略的实测基准
AlexRyan92 发布 rag-chunking-benchmark，用 SQuAD v1.1 的 800 个问题、all-MiniLM-L6-v2 嵌入和 answer recall@k 指标，对比 fixed、sentence、recursive 三种分块策略。
RadarAIAI 评分2222 JEV-27B-VL 登顶决策基准：多模态迈向自主决策智能体
ModelScope 发布视觉多模态大模型 JEV-27B-VL，在含 13,695 个样本的独立决策基准 Decision Index Vision 中以 77.8% 准确率登顶 20 款参评模型。该模型通过马里奥游戏实时演示，展示了多模态模型在实时连续交互与置信度校准上的决策能力。
Hacker NewsAI 评分3030 GMKtec EVO-X3 评测：128GB AMD 本地 AI 迷你主机
GMKtec 推出 EVO-X3 迷你主机，搭载 AMD Ryzen AI Max+ 395（16C/32T，5.1GHz）与 Radeon 8060S 核显，配备 128GB LPDDR5X-8000 板载内存，定位本地 AI 推理与开发。该机采用全金属立式机身，罕见提供 OCuLink（Gen4 x4）外接 PCIe 接口，可连接 eGPU，并预装 AI 开发软件。
GitHubAI 评分4040 Danialsamadi/llm-map：把 AI 语言模型放进一张交互式 3D 图表
Danialsamadi/llm-map 将每个 AI 语言模型集中到一张交互式 3D 图表中，可对比智能程度、成本、速度、价格和 ARC-AGI-2 分数，并支持按日期筛选和进入图表内部查看。项目提供英文和波斯文两种语言。
RadarAIAI 评分5858 Sakana AI 发表 Beyond Imitation 论文，MLR 系统检出 73.43% 核心论断错误
Sakana AI 在 TMLR 发表 Beyond Imitation 论文，提出 Contradiction Benchmark 与 Multi-Layered Review（MLR）审稿系统，在 257 篇论文中插入 1,164 处矛盾来测试 AI 审稿的错误检测能力。
GitHubAI 评分2222 AI Benchmark：Next.js 构建的 LLM 并排对比应用
AI Benchmark 是一个基于 Next.js 的应用，支持将两个 LLM 针对同一提示词的响应实时并排对比，并提供手动评分与胜者判定。它内置编码、推理、摘要、指令遵循和事实问答等可运行基准提示词，可免 API key 使用 mock 模型，也可通过 Hugging Face 和 GitHub Models 调用真实模型。
GitHubAI 评分1818 Skynet Countdown 开源 Python 评分工具：本地复现时钟评分方法
Skynet Countdown 开源配套 Python 工具发布，可输入自采故事、检查模型证据判断并在本地复现已发布的评分计算，输出单个本地 JSON 结果。
Hacker NewsAI 评分6262 Epoch AI 报告：AI 推理成本每季度下降约 47%，快于 DNA 测序与算力
Epoch AI 发布报告《The Plunging Price of Thought》，基于数学、硬科学和博弈类五个基准近三年的数据估算，达到同一性能水平的成本约每季度下降 47%，即每年 13 倍。
Hacker NewsAI 评分5858 confident-ai 开源 eval-skills：为编码智能体自动改进评测流程
confident-ai 在 GitHub 开源 eval-skills，一套面向编码智能体的评测技能，支持 Claude Code、Codex、Cursor 等支持 Agent Skills 的助手。
GitHubAI 评分3636 RonsenbergVI 发布 agent-memory-benchmarks：AI 智能体记忆系统开源基准
RonsenbergVI 开源 agent-memory-benchmarks，为 AI 智能体记忆系统提供中立可复现的评测基准，覆盖长期召回、时序推理、多会话连续性与矛盾处理等任务。项目已纳入 Mem0、Letta、Graphiti、Fraise、EverOS、Hindsight、Cognee、LangMem、MemOS 等系统，当前处于 pre-alpha 阶段，方法论与测试框架仍在开发中。
Hacker NewsAI 评分1818 Jev 与 Claude 盲测标题判断对比：交易前须过六道关卡
独立研究者 Alex Vidovich 与 Zivana Zerjal 在一份工作论文中，将小型商用文本判断模型 Jev 与通用聊天机器人 Claude 在盲测标题行上对比，并提出文本信号进入实盘交易系统前须通过的六项测试：对照真实标签读对事实、胜过自身标题计数基线、不记忆著名历史事件、两次回答一致、始终看到决策时点日期、每条前瞻判断规则对照随机标记校验。
RadarAIAI 评分5858 Image-to-WebDev Arena 更新：Claude Opus 5.5 (Max) 以 1749 分登顶
Arena 更新 Image-to-WebDev Arena 榜单，Anthropic 的 Claude Opus 5.5 (Max) 以 1749 分排名第一，Claude Sonnet 5.5 (xHigh) 以 1740 分位居第二，两者均落在 Pareto 前沿。
Hacker NewsAI 评分4040 Bag of Decisions Reranker：用 LLM 生成查询评分标准重排搜索结果
一种名为 Bag of Decisions 的重排方法让 LLM 为每个查询生成一组 yes/no 问题（如"该文档是否关于儿童书桌"），再用 Jev 计算每个问题为 yes 的概率并求和作为重排分数。
Tessl BlogAI 评分1212 Tessl 伦敦 Meetup：真实世界中的 AI 评估与优化
Tessl 在伦敦举办 AI Native Dev 社区活动，聚焦现代 AI 系统在真实环境中的实际表现。NVIDIA 分享 Skip Softmax Attention 稀疏注意力方法加速长上下文 LLM 推理，Hugging Face 介绍用 Skills 和 MCP 实现模型训练自动化与模型间通信，Tessl 则分享大规模评估 AI 编程智能体的实践经验。
GitHubAI 评分3636 archestack/best-of-ai：155 个开源 AI 项目排名榜
archestack 发布 best-of-ai 开源 AI 项目排名榜，收录 155 个项目、分 16 个类别，数据截至 2026-10-10，每天重新排名两次。
RadarAIAI 评分5757 八款 AI 语音输入法实测对比：微信、千问、OpenLess、秘塔等，作者选出 Vibe Coding 搭配方案
作者卡尔的 AI 沃茨实测微信输入法、千问输入法、开源项目 OpenLess 和秘塔输入法四款 AI 语音输入法，并汇总上期豆包、Typeless、闪电说、网易叭哥说的数据。结论是千问准确率最高且支持双向剪贴板，微信速度最快但 AI 润色弱，OpenLess 配置最灵活但需二十分钟到半小时配置。作者最终方案为千问加叭哥说加 Typeless 三件套。
The DecoderAI 评分6060 微软发布 Decision-1 决策模型，基于 Qwen3.5-9B
微软推出决策模型 Decision-1，用于分类、评估和路由决策，并称其有潜力引导和控制智能体应对复杂环境。该模型基于 Qwen3.5-9B，微软称其在覆盖近 15 万个问题的 36 项基准测试中准确率最高，速度比第二名 H2O-Lightning-4B 快 2.5 倍，基准对比中达到 83.5% 准确率和 85 ms 延迟，领先 Jev 1.13.0。
Hacker NewsAI 评分6666 Claude Code 与 Codex 在十个 MCP 特性上各挂一半
作者用开源工具 M3 在 2026 年 10 月 9 日对 Claude Code 2.1.287（claude-sonnet-5-5）和 Codex 0.162.0（gpt-5.6-sol）各跑三轮十个 MCP 特性，结果五个特性只在其中一个智能体上失败，且两者失败的特性完全不重叠。
GitHubAI 评分1212 LLM-judge-reporting：修正 LLM 评估偏差并计算置信区间
GitHub 项目 LLM-judge-reporting 发布，用于修正大语言模型评估中的偏差并计算置信区间，还提供自适应采样算法以提升校准样本效率。该工具支持 CSV 或 JSON 格式输入数据，需 Java 11 及以上运行环境，可在 Windows 10、macOS 10.15 或兼容 Linux 发行版上运行。
GitHubAI 评分3434 ruby_llm-contract：为 ruby_llm 加上契约校验与回归评测
ruby_llm-contract 是一个为 ruby_llm 提供输入/输出契约的 gem，在模型返回后做 schema 校验与业务规则验证，校验失败时按步骤升级到更强模型重试，并支持预检成本上限。
GitHubAI 评分3434 EthanHarwood97/ai-model-tracker：自托管多源 AI 模型评测追踪工具
EthanHarwood97/ai-model-tracker 是一个自托管多源 AI 模型证据追踪器，抓取公开榜单并按 Research、轻量智能体、通用编码、UI 编码、复杂代码四类角色分别给出推荐，预测分、model-index 分与 Coding Agent 实测数据分开保存。
RadarAIAI 评分5858 东京都立大学论文：LLM 版本更迭令 AI 文本检测器大幅失效
东京都立大学等机构的论文发现，基于厂商旧模型训练的 AI 文本检测器在模型代际更迭前可捕获 99% 以上的改写，更迭后仅捕获 3.8%。论文用 4,000 篇前 ChatGPT 时代摘要由 25 个 LLM 版本改写进行测试，引用案例中 Pangram 漏掉 79.8% 被 Meta Muse-Glimmer 改写的科学摘要，但对 5,000 篇人写摘要仅误报 1 篇。
GitHubAI 评分2020 openclaw-eval：在 Windows 上对比 OpenRouter 免费 AI 模型
openclaw-eval 是一款 Windows 工具，用于对比 OpenRouter 平台上的免费 AI 语言模型，测试其在编程、泰语和通用任务上的表现。软件提供 .exe 安装包，要求 Windows 10 或更新版本（64 位）、4 GB 以上磁盘空间和 4 GB 以上内存，无需 Python 或 Node.js。
Latent SpaceAI 评分5050 TypeSafe 的 Jev 上线 3 周 ARR 破 1 亿美元、估值 75 亿美元
TypeSafe 宣布其 "Series AI"，Sequoia 透露 Jev 上线首周 ARR 突破 1 亿美元，3 周后估值达 75 亿美元。Jev 成为同日多家厂商发布的"决策模型"品类的对标基准，OpenAI Decisions API、Perplexity pplx-decider-v1.1-27b、Cloudflare clef 等相继跟进。