ข้ามไปที่เนื้อหา
#เบนช์มาร์ก
9 พฤศจิกายนวันจันทร์
  1. Recraft Blog22

    เครื่องมือสร้างสติกเกอร์ AI ที่ดีที่สุดในปี 2026: เปรียบเทียบ 7 เครื่องมือ

    Recraft เป็นเครื่องมือสร้างสติกเกอร์ AI ที่ดีที่สุดสำหรับเส้นตัดแบบไดคัท ไฟล์ PNG โปร่งใส และ SVG จากผืนผ้าใบเดียว ขณะที่ Canva เหมาะกว่าสำหรับแผ่นสติกเกอร์และการสั่งพิมพ์ในตัวแก้ไขเดียวกัน มีการให้คะแนนเครื่องมือเจ็ดตัวเมื่อวันที่ 9 พฤศจิกายน 2026 ตามเกณฑ์การพิมพ์ห้าข้อ และมีเพียง Recraft, Kittl และ Canva Print เท่านั้นที่เสนอเส้นทางจริงสู่เส้นตัดหรือแผ่นพิมพ์ Firefly, Ideogram, Leonardo AI และ ChatGPT ชนะงานที่แคบกว่า เช่น การแปลงภาพถ่ายเป็นสติกเกอร์หรือชุดแชท

  2. Recraft Blog38

    ตัวสร้างตัวละคร AI ที่ดีที่สุดในปี 2026: เปรียบเทียบ Recraft, Midjourney, Gemini, ChatGPT และอื่นๆ

    การเปรียบเทียบตัวสร้างตัวละคร AI เจ็ดตัวโดยให้คะแนนด้านความสม่ำเสมอของท่าทาง ภาพอ้างอิง การควบคุมสไตล์ รูปแบบการส่งออก และระดับฟรี พบว่าไม่มีเครื่องมือใดที่ดีที่สุดเพียงหนึ่งเดียวสำหรับทุกโจทย์ Recraft นำในด้านการรักษาตัวละครหนึ่งตัวให้คงที่ across ท่าทางด้วยสไตล์ที่ใช้ซ้ำได้และการส่งออกเวกเตอร์ SVG ขณะที่ Midjourney ชนะด้านลุคแบบเฟรมเดียวแต่ไม่มีแผนฟรี โดย Basic อยู่ที่ 10 ดอลลาร์ต่อเดือน Gemini และ ChatGPT เหมาะกับการวนปรับตัวละครภายในแชท และ Recraft, Gemini, ChatGPT, Leonardo, Ideogram และ OpenArt ต่างมีระดับฟรีหรือเครดิตรายสัปดาห์

  3. Artificial Analysis Articles71

    Muse Ember ของ Meta คือโมเดลที่ถูกที่สุดที่ได้ 36 คะแนนบน Artificial Analysis Intelligence Index

    Muse Ember ของ Meta ได้ 36 คะแนนบน Artificial Analysis Intelligence Index เท่ากับ Claude Haiku 5.5 (max) โดยคิดค่าใช้จ่าย $0.14 ต่องาน เทียบกับ $0.41 สำหรับ Claude Haiku 5.5 โดยโดดเด่นที่ AutomationBench-AA 68.1% และได้ 46 คะแนนบน Coding Agent Index ใน Muse Code ซึ่งนำหน้า Claude Haiku 5.5 ใน Claude Code (37) และ GPT-6 Luna ใน Codex (31) จุดอ่อนหลักคือความรู้: ความแม่นยำ AA-Omniscience อยู่ที่ 21.1% เทียบกับ 34.7% ของ Claude Haiku 5.5 ส่วนใหญ่เป็นเพราะมันปฏิเสธที่จะตอบ 64% ของคำถาม ซึ่งทำให้อัตราการสร้างข้อมูลเท็จอยู่ที่ 17.4%

  4. Artificial Analysis Articles58

    Artificial Analysis เผยแพร่ Endpoint Accuracy Index v1.1 พร้อมช่วงความเชื่อมั่นแบบ long-context ที่แคบลงและครอบคลุมหกโมเดล

    Artificial Analysis เปิดตัว Endpoint Accuracy Index v1.1 ซึ่งทำให้ช่วงความเชื่อมั่นของ AA-LCR-25 แคบลง และเพิ่มการครอบคลุมสำหรับ GLM-5.3 Flash และ Muse Spark Open จาก 103 endpoint แบบ serverless ที่ถูก benchmark พบว่า 24 รายได้คะแนนต่ำกว่าค่าอ้างอิงแบบ self-hosted อย่างมีนัยสำคัญทางสถิติ โดยสาเหตุได้แก่ การจำกัดจำนวน output token การลดทอนการ reasoning ข้อผิดพลาดในการจัดรูปแบบ tool call และการ timeout ของคำขอ การเพิ่ม AA-LCR-25 เป็น 25 ครั้งต่อคำถามทำให้ช่วงความเชื่อมั่น 95% เฉลี่ยแคบลงจาก ±4.7 เป็น ±2.6 คะแนน และช่วงความเชื่อมั่นของดัชนีรวมแคบลงจาก ±5.5 เป็น ±4.3 คะแนน จาก 45 endpoint ที่ถูกให้คะแนนภายใต้ทั้งสองเวอร์ชัน

8 พฤศจิกายนวันอาทิตย์
  1. Artificial Analysis Articles38

    Artificial Analysis Decision Index v2 เปิดตัวพร้อม Decision Score ใหม่และ Private Benchmarks

    Artificial Analysis เปิดตัว Decision Index v2 โดย 45% ของ Index สร้างจากชุดข้อมูลส่วนตัว เพิ่มขึ้นจาก 25% ใน v1 Drex Max v1.1 จาก Nace AI นำโมเดลตัดสินใจอย่างเฉียดฉิวที่ 73 ห่างจาก GLiDE v1.2 และ Mammoth 27B ไม่ถึง 1 คะแนน Decision Score ใหม่ให้รางวัลทั้งความถูกต้องและความมั่นใจที่ปรับเทียบแล้ว ขณะที่ AA-Paperclip และ AA-Symmetry เพิ่มการทดสอบเอกสารส่วนตัวและความสอดคล้อง

6 พฤศจิกายนวันศุกร์
  1. SemiAnalysis75

    SemiAnalysis ทดสอบประสิทธิภาพ Google TPUv7 Ironwood ด้าน agentic inference เทียบกับ GPU ของ NVIDIA

    SemiAnalysis เผยแพร่ผลลัพธ์ agentic inference แบบ long-context หลายรอบแรกบน InferenceX/AgentX สำหรับ Google TPUv7 Ironwood ครอบคลุมสี่โมเดล พบว่ามีความสามารถในการแข่งขันด้านประสิทธิภาพต่อดอลลาร์หรือเป็น state-of-the-art ในหลายกรณี บน GLM-5.2 ใน FP8 TPUv7 ให้ tokens ต่อดอลลาร์เป็น 1.2x ถึง 2.7x ของ B200, B300 และ MI355X ในช่วง 60 ถึง 300 tok/s/user ขณะที่ GPU แบบ FP4 ยังนำอยู่บน GLM-5.3 เนื่องจาก TPUv7 ไม่รองรับ FP4 แบบเนทีฟจนถึง TPUv8 ในไตรมาสที่ 1 ปี 2027 บทความยังโต้แย้งว่าระบบราชการของ NVIDIA ทำให้การมีส่วนร่วมด้านไดรเวอร์และระบบนิเวศช้ากว่า AMD และ Google

  2. Artificial Analysis Articles40

    VIALS-AA: เส้นทางที่แตกต่างสู่การให้เหตุผลเชิงภาพวิทยาศาสตร์

    VIALS-AA วิเคราะห์วิธีที่โมเดล 19 ตัวให้เหตุผลเหนือภาพวิทยาศาสตร์ โดยจำแนกการเรียกใช้เครื่องมือ 9,177 ครั้ง การดูภาพคิดเป็น 38.3% ของการเรียกใช้ และการเตรียมภาพหรือการวัดภาพ 47.3% ขณะที่การวัดภาพมีเพียง 5–6% ของการเรียกใช้สำหรับ GPT-6 Astra (max) และ GPT-6.1 Sol (max) เทียบกับ 25–27% สำหรับ Claude Opus 5.5 (max) และ Claude Sonnet 5.5 (max) Gemini 3.8 Flash (high) สร้าง 86.7% ของการเรียกใช้ประเภท commentary/no-op ของกลุ่มตัวอย่าง และต้นทุนต่องานแตกต่างกันเกือบ 100 เท่าระหว่างโมเดล

  3. Modal Blog22

    Snorkel ใช้ Modal จำลองเอเจนต์สมจริงได้อย่างไร

    Snorkel ใช้ GPU และ CPU sandbox ของ Modal เพื่อรันการจำลองเอเจนต์หลายล้านครั้งต่อเดือน โดยมีอัตราสูงสุดถึงหลักหมื่น sandbox ต่อชั่วโมง และพึ่งพา Modal สำหรับการ inference บนโมเดล open-weight ที่ประเมิน การนำ memory bursting ของ Modal มาใช้ช่วยลดค่าใช้จ่าย sandbox ทั้งหมดของ Snorkel ลงประมาณ 20% โดยปัจจุบันมี sandbox ประมาณ 10-15% ที่ใช้ bursting Modal เป็นผู้ให้บริการ sandbox รายเดียวที่สามารถตอบสนองความต้องการ GPU sandbox ของ Snorkel ได้ในระดับขนาดใหญ่

5 พฤศจิกายนวันพฤหัสบดี
  1. Artificial Analysis Articles58

    Nanbeige เปิดตัว Nanbeige4.3-33B ได้คะแนน 20 บน Artificial Analysis Intelligence Index

    Nanbeige ได้เปิดตัว Nanbeige4.3-33B ซึ่งเป็นโมเดลเหตุผลแบบ dense ที่มีน้ำหนักเปิดภายใต้ Apache 2.0 และได้คะแนน 20 บน Artificial Analysis Intelligence Index v5 เท่ากับ Qwen3.8 27B (xhigh) ที่ 20 โมเดลขนาด 33B นี้มีหน้าต่างบริบท 524K โทเคน รองรับอินพุตและเอาต์พุตแบบข้อความเท่านั้น และยังไม่มี API สาธารณะที่ยืนยันได้ โดยได้คะแนน 30% บน Terminal-Bench 4.0 เทียบกับ 6% ของ Qwen3.8 27B แต่ตามหลังใน HLE-Diamond (7% เทียบกับ 15%) บน AA-Omniscience v1.1 มีอัตราการสร้างข้อมูลเท็จ 18% เทียบกับ 29% ของ Qwen3.8 27B โดยมีอัตราการปฏิเสธ 71% และใช้ 158K โทเคนเอาต์พุตต่องาน Intelligence Index เทียบกับ 110K ของ Qwen3.8 27B

3 พฤศจิกายนวันอังคาร
  1. Ai2 · Allen Institute for AI55

    Ai2 เปิดตัว StateBench เพื่อทดสอบว่าโมเดลภาษาติดตามการเปลี่ยนแปลงสถานะในเอกสารยาวได้อย่างไร

    Ai2 เปิดตัว StateBench ซึ่งเป็นเบนช์มาร์กที่มีสี่ระดับความยากสำหรับการติดตามสถานะในบริบทแบบยาว ตั้งแต่การกำหนดค่าที่ไม่เปลี่ยนแปลง ไปจนถึงการอัปเดตแบบอ้างอิงตนเองและแบบอ้างอิงข้าม ในการทดสอบ Gemini 3.8 Flash, Claude Opus 5.5 และ GPT-6 Sol และ Luna จัดการระดับที่ง่ายกว่าได้ แต่ลดลงเหลือ 13% หรือต่ำกว่าบนปัญหาจำกัดทั่วไปที่ยาวที่สุด ขณะที่ Gated DeltaNet ขนาด 275M พารามิเตอร์และโมเดลไฮบริดที่ฝึกจากศูนย์สามารถ généralisé ได้เกือบสมบูรณ์แบบในสามระดับแรก และทรานส์ฟอร์เมอร์ไม่เคยเรียนรู้ระดับที่ยากที่สุดได้เลย

  2. OpenAI Alignment Blog58

    OpenAI ตรวจสอบช่องว่างพฤติกรรมระหว่างการประเมินกับการใช้งานจริงในความปลอดภัยของเอเจนต์ และบทบาทของการตระหนักรู้ถึงการประเมิน

    นักวิจัยของ OpenAI วัดช่องว่างพฤติกรรมระหว่างการประเมินกับการใช้งานจริงในความปลอดภัยของเอเจนต์: ในหกโมเดลที่ให้บริการ ความสำเร็จในการประเมิน Respecting Warnings ต่ำกว่าการตัดสินใจใช้งานจริงใน Codex ที่จับคู่กันอยู่ที่ 10.2 ถึง 37.4 เปอร์เซ็นต์ โดยช่องว่างที่ใหญ่ที่สุดพบใน GPT-5.6 Sol และ GPT-6 Sol การตระหนักรู้ถึงการประเมินโดยทั่วไปเพียงอย่างเดียวแสดงความสัมพันธ์ที่อ่อนกับช่องว่างนี้ (R² = 0.008) ขณะที่การตระหนักรู้ถึงวัตถุประสงค์เฉพาะของการประเมินนั้นแข็งแกร่งกว่า (R² = 0.370) และโมเดลที่พูดถึงวัตถุประสงค์ผิดบ่อยที่สุด (การต้านทานการฉีดพรอมต์) มีช่องว่างใหญ่ที่สุด ในการทดลองแทรกแซงบน GPT-6.1 Sol สัญญาณการประเมินทั่วไปทำให้ความสำเร็จแทบไม่เปลี่ยน (63.1% เทียบกับ 63.4%) สัญญาณวัตถุประสงค์ที่ถูกต้องเพิ่มเป็น 91.6% และสัญญาณวัตถุประสงค์ที่ไม่ถูกต้องลดลงเหลือ 17.6%

2 พฤศจิกายนวันจันทร์
  1. Import AI42

    Import AI 479: Spacewar, งานความหน่วงต่ำกับ LLMs, Genie 4

    Import AI 479 ครอบคลุม Realtime-Bench ซึ่งเป็นชุดทดสอบ 50 งาน ประกอบด้วย 30 งานเว็บและ 20 งานเกม สร้างโดยนักวิจัยจาก UT Austin, Ohio State, UIUC, NVIDIA, Northwestern และ Steadyworks เพื่อทดสอบว่าโมเดลระดับแนวหน้าสามารถทำงานภายใต้แรงกดดันแบบเรียลไทม์ได้หรือไม่ GPT-6 Astra (high) ทำคะแนนอัตราผ่านตามเวลาจริงได้สูงสุดที่ 36% ขณะที่การรันแบบหยุดนาฬิกาทำให้โมเดลที่มีการให้เหตุผลสูงเข้าถึงประมาณ 70% ถึง 80% ฉบับนี้ยังครอบคลุมรายงาน "Challenges to Security in Space" ของ Defense Intelligence Agency และ Genie 4

  2. SemiAnalysis58

    SemiAnalysis เปิดตัว GDPx benchmark สำหรับความสามารถของ agentic frontier ในโดเมนมูลค่าสูง

    SemiAnalysis เปิดตัว GDPx ซึ่งเป็น benchmark ที่ครอบคลุมการออกแบบชิป ความปลอดภัยไซเบอร์ ชีววิทยา การเงิน กฎหมาย การซื้อขายเชิงปริมาณ RSI การออกแบบฮาร์ดแวร์ วัสดุศาสตร์ alignment และวิศวกรรมซอฟต์แวร์ สร้างขึ้นร่วมกับพันธมิตรด้านสภาพแวดล้อม RL เฉพาะทาง 14 ราย แม้แต่โมเดลที่ดีที่สุดก็ได้คะแนนเพียง 12% โดย Opus 5.5 ชนะด้านการซื้อขายเชิงปริมาณ ฮาร์ดแวร์ และการออกแบบชิป Gemini 4 Carbon นำในด้านชีววิทยาและวิศวกรรมซอฟต์แวร์ และ GPT-6 Astra เป็นผู้นำในด้าน RSI และวัสดุศาสตร์ ทุกงานรันในสภาพแวดล้อมจำลองที่สมจริง เช่น ห้องดีล private equity ที่มีไฟล์ประมาณ 4,000 ไฟล์ หรือ cyber range แบบหลายบริการที่ใช้งานจริง ต่างจาก GDPval ของ OpenAI ซึ่ง SemiAnalysis โต้แย้งว่าป้อนบริบทให้เกินไปและขาดสภาพแวดล้อม

30 ตุลาคมวันศุกร์
  1. Microsoft Research40

    Microsoft สร้างแพลตฟอร์มข้อมูลองค์กรสังเคราะห์เพื่อประเมิน Copilot

    แพลตฟอร์ม Industry Evaluation Data Generation Platform ของ Microsoft สร้างสภาพแวดล้อมองค์กรสังเคราะห์แบบครบวงจรเพื่อประเมิน Microsoft Copilot โดยไม่ใช้ข้อมูลลูกค้า โดยอ้างอิงจากแหล่งข้อมูลสาธารณะ เช่น ข้อมูลอาชีพ O*NET ประกาศรับสมัครงาน และเอกสารที่ยื่นต่อ SEC ระบบจะสร้าง tenant ที่สมจริงพร้อมผู้ใช้ การประชุม อีเมล และเอกสาร รวมถึงไปป์ไลน์การสอบถามอัตโนมัติและกรอบการประเมินคุณภาพ Microsoft ระบุว่าสิ่งนี้สร้างมาตรฐานพื้นฐานการประเมินแบบมาตรฐานแห่งแรกสำหรับ Copilot

28 ตุลาคมวันพุธ
  1. Google Developers Blog46

    เพิ่มคุณภาพเอเจนต์ด้วยการประเมินผ่าน Agents CLI

    เนมสเปซ eval ของ Agents CLI จาก Google รันลูป hill-climbing สำหรับเอเจนต์: eval generate, grade, compare, analyze และ optimize ในตัวอย่างการใช้งานกับเทมเพลต LangChain ใน Agents CLI v1.8.0 คะแนนพื้นฐานอยู่ที่ 4.0/5 โดยใช้ gemini-3.8-flash เป็นผู้ตัดสิน และพรอมต์ระบบเชฟที่ผิดทำให้คะแนนลดลงเหลือ 2.75

  2. Artificial Analysis Articles82

    Gemini 4 Carbon ครองอันดับหนึ่ง Artificial Analysis Intelligence Index v5 อยู่อันดับสอง Coding Agent Index

    Gemini 4 Carbon ของ Google ขึ้นเป็นอันดับ 5 ใหม่ใน Artificial Analysis Coding Agent Index 5 (สูงสุด 62) และนำใน 4 จาก 9 การประเมินของ Index รวมถึง HLE-Diamond และ Terminal-Bench-Science 1 เพิ่มจาก 4% เป็น 11%; โมเดลกำลังทยอยเปิดให้ผู้ใช้บางกลุ่ม และยังไม่เปิดให้ใช้งานทั่วไป

    ทำไมเรื่องนี้สำคัญ: Gemini 4 Carbon ครองอันดับหนึ่ง Artificial Analysis Intelligence Index v5 ที่ 59 และตามหลัง Claude Opus 5.5 อยู่ 3 คะแนนใน Coding Agent Index พร้อมตัวเลขต้นทุนต่องานและอัตราการสร้างข้อมูลเท็จเพื่อการเปรียบเทียบ

27 ตุลาคมวันอังคาร
  1. Ai2 · Allen Institute for AI58

    งานวิจัยของ Ai2 ทดสอบว่า LLMs สามารถตัดสินความใหม่ของแนวคิดการวิจัยได้อย่างน่าเชื่อถือหรือไม่

    Ai2 เผยแพร่ Old Ideas, Novel Problems ซึ่งเป็นงานวิจัยและ benchmark ที่ทดสอบว่า LLMs ประเมินความใหม่ของแนวคิดการวิจัยได้อย่างน่าเชื่อถือเพียงใด พร้อมกับข้อมูล โค้ด และ pipeline สำหรับสร้างชุดการประเมินใหม่ จากการทดสอบผู้ตัดสินหกราย ได้แก่ GPT-5.1, GPT-5.2, GPT-5.4, Claude Sonnet 4.5, Claude Opus 4.5 และ Claude Opus 4.6 การเปลี่ยนแปลง prompt เล็กน้อยทำให้ความแม่นยำเปลี่ยนไปมากกว่า 50 เปอร์เซ็นต์บนแนวคิดที่สร้างโดย AI และ baseline แบบ prompted Claude Opus 4.6 อย่างง่ายได้คะแนน macro-F1 0.854 ที่ราคา $2.59 เทียบกับ 0.642 ที่ $30.66 สำหรับ Idea Novelty Checker และ 0.772 ที่ $82.05 สำหรับ AI Scientist ของ Sakana AI

  2. Epoch AI · Gradient Updates58

    Epoch AI ทดสอบ AI ด้วยงานวิจัยของตัวเอง โมเดลชั้นนำได้ 65% และล้มเหลวทั้งหมด

    Epoch AI ขยายความพยายามก่อนหน้านี้ในการทำงานอัตโนมัติของนักวิจัยอาวุโสให้เป็น Epoch Automation Reports โดยประเมิน AI ในงานจริงของ Epoch เช่น การออกแบบกราฟิกและการวางแผนการวิจัย เทียบกับมาตรฐานเดียวกับที่ใช้กับพนักงานมนุษย์ 1 และ GPT-6 Astra ได้คะแนนเฉลี่ย 65% ตามเกณฑ์ แต่คะแนน 65% ยังถือว่างานล้มเหลว เนื่องจากทุกผลงานที่ส่งมาจะถูกปฏิเสธหรือแก้ไขหากเป็นมนุษย์ที่ทำ

26 ตุลาคมวันจันทร์
  1. Import AI62

    Import AI 478: คณิตศาสตร์เพื่อ alignment, ProgramBench และสัญญาณ RSI ของ Mirendil

    Import AI 478 สรุปสี่ความคืบหน้า: สตาร์ทอัพด้านความปลอดภัย AI อย่าง Resolution ทำ autoformalization ของ resolution of singularities ใน Lean ด้วย orchestrator agents โดยประเมินค่าใช้จ่ายโทเคนราว $135,000 ภายในเวลาประมาณหนึ่งสัปดาห์ Claude Opus 5.5 ทำคะแนน resolved ได้ 18.5% บน ProgramBench เพิ่มจาก 0% สำหรับทุกโมเดลเมื่อ benchmark เปิดตัวในเดือนพฤษภาคม OpenAI อธิบายถึง agents ใน microVM แยกกันที่แลกเปลี่ยน synthetic secrets ผ่าน processor cache timing และ Mirendil รายงานว่านักวิจัยคนหนึ่ง pretrain โมเดลเขียนโค้ดขนาด 100B-500B พารามิเตอร์ใน 3.5 เดือนด้วยค่าคอมพิวต์ต่ำกว่า $10m

24 ตุลาคมวันเสาร์
  1. Redwood Research58

    Redwood Research เผยแพร่บทความเกี่ยวกับการประเมินการควบคุมแบบจำลองสำหรับตัวตรวจสอบเอเจนต์ AI

    Redwood Research เผยแพร่บทความเกี่ยวกับการประเมินการควบคุมแบบจำลอง (SCEs) ซึ่งเป็นวิธีการที่ใช้ตัวจำลองสภาพแวดล้อม LLM เพื่อทดสอบว่าตัวตรวจสอบที่ดูแลเอเจนต์ AI จะสามารถจับได้หรือไม่หากโมเดลพยายามก่ออันตรายโดยเจตนา โดยไม่ต้องดำเนินการเรียกเครื่องมือของมัน

  2. Epoch AI · Gradient Updates42

    Epoch Brief: การทดสอบระบบอัตโนมัติของงานด้วย AI, SpireClimb Benchmark และการผลักดันสู่ชายแดนของ Gemini 4 Argon

    Epoch AI ทดสอบโมเดลชั้นนำหกตัวบนงานจริงของ Epoch จำนวน 11 งาน และพบว่าไม่มีตัวใดผ่านเกณฑ์คุณภาพได้อย่างน่าเชื่อถือ โดย Claude Fable 5.1 และ GPT-6 Astra อยู่ในระดับใกล้เคียงกันเป็นผู้นำ ส่วน SpireClimb benchmark ใหม่แสดงให้เห็นว่าโมเดลชายแดนพัฒนาจากที่เคยเล่น Slay the Spire ได้อย่างยากลำบาก มาสู่การชนะมากกว่า 90% ของรอบระดับความยากพื้นฐานภายในหกเดือน โดย GPT-6 Astra อยู่ที่ 98% ขณะที่ Gemini 4 Argon ทำคะแนนได้ 166 บน Epoch Capabilities Index เท่ากับ Claude Fable 5.1 และตามหลัง Claude Opus 5.5 และ GPT-6 Astra ที่ 169

21 ตุลาคมวันพุธ
  1. Amazon Science38

    Amazon เลือก AVERI ตรวจสอบอิสระชุดข้อมูลประเมินความปลอดภัย AI ของตน

    Amazon ร่วมมือกับ AVERI องค์กรไม่แสวงหากำไรอิสระ เพื่อตรวจสอบคุณภาพชุดข้อมูลประเมินความปลอดภัยภายใน ไม่ใช่แค่ผลลัพธ์ของโมเดล AVERI ยืนยันความครอบคลุมของหัวข้อ ความหลากหลายของพรอมต์ และความเสี่ยงการปนเปื้อนต่ำ พร้อมแนะนำให้ขยายความครอบคลุมหลายภาษา เพิ่มพรอมต์เชิงปฏิปักษ์หลายขั้นตอน และเกณฑ์การให้คะแนนที่ชัดเจนขึ้น Amazon ตอบสนองด้วยชุดทดสอบที่ปรับปรุงใหม่ ระดับความยากแบบแบ่งชั้น และรอบการตรวจสอบรายไตรมาส

  2. OpenAI Alignment Blog28

    OpenAI เสนอตัวชี้วัดแบบ pair-matched และ post-control เพื่อขยายความสามารถในการตรวจสอบของ g-mean²

    บล็อก Alignment ของ OpenAI เพิ่มตัวชี้วัดสองตัวใน g-mean² ซึ่งเป็นตัววัดระดับชุดข้อมูลของความสามารถในการแยกแยะของมอนิเตอร์ ตัวชี้วัดแบบ pair-matched เปรียบเทียบโมเดลเฉพาะบนอินสแตนซ์งานที่รองรับการเปรียบเทียบเชิงบวก เชิงลบ หรือการเปรียบเทียบที่ใช้การแทรกแซงได้อย่างถูกต้อง ส่วนตัวชี้วัดการผสานรวมหลังการควบคุมจำลองการปฏิเสธที่ควบคุมด้วยมอนิเตอร์ และประเมินความน่าจะเป็นที่ระบบที่นำไปใช้งานยังคงส่งออกผลลัพธ์ที่ไม่ดี บทความยังได้อนุมานขอบเขตล่างแบบ pessimistic สำหรับการประเมินการแทรกแซง

20 ตุลาคมวันอังคาร
  1. One Useful Thing40

    Ethan Mollick เปิดตัว Co-Existence แผนภูมิ 30 เดือนแห่งความก้าวหน้าของ AI สร้างโดย Claude Opus 5.5

    Ethan Mollick เผยแพร่ Co-Existence หนังสือ AI เล่มที่สองของเขา ห่างจาก Co-Intelligence 30 เดือน และใช้ Claude Opus 5.5 ใน Claude Projects สร้างแผนภูมิของโพสต์และวิดีโอ "นากบนเครื่องบินที่ใช้ wifi" ได้ในไม่กี่นาที เขาระบุว่าขณะนี้มี 180 โมเดลที่ทำงานได้ดีกว่า GPT-4 ณ เวลาที่เปิดตัว โดย 19 โมเดลรันบนสมาร์ทโฟนสมัยใหม่ ขณะที่ Long Horizon Benchmark ของ METR เพิ่มจากงานสี่นาทีในปี 2024 เป็นงานของมนุษย์ 17 ชั่วโมงภายในเดือนเมษายน 2026 ก่อนที่ benchmark จะหมด

  2. AI as Normal Technology40

    งานวิจัยจาก Princeton ชี้ 33 แนวโน้มใหม่ในการประเมิน AI Agent

    กลุ่มวิจัยนำโดย Princeton ร่วมกับ Stanford, UK AI Security Institute และ Brookings เผยแพร่ผลงาน "Emerging Trends in AI Agent Evaluation" ซึ่งสังเคราะห์แนวโน้ม 33 ประการในด้านวิทยาศาสตร์การประเมิน วาระการวิจัย และระบบนิเวศของผู้ประเมิน บทความระบุว่าการประเมิน agent มีความซับซ้อนกว่าการประเมินโมเดลมาก เนื่องจากผู้ประเมินต้องตรวจสอบเส้นทางการทำงานทั้งหมด而非เฉพาะผลลัพธ์สุดท้าย และระบุว่า agent บางตัวบน benchmark ExploitBench ต้องใช้เครดิตในการประเมินถึงหลักหมื่นดอลลาร์ พร้อมเรียกร้องให้ขยายวาระการวิจัยครอบคลุมความสามารถ ปฏิสัมพันธ์กับมนุษย์ และผลกระทบเชิงสถาบัน รวมถึงการมีส่วนร่วมและทุนสนับสนุนที่กว้างขึ้นสำหรับผู้ประเมินอิสระ

19 ตุลาคมวันจันทร์
  1. inclusionAI Repositories58

    inclusionAI เปิดตัวโมเดลสังเคราะห์เสียง Ming-3.0-tts ทั้งรุ่น 0.5B dense และ 7.9B MoE tiny

    inclusionAI เปิดตัว Ming-3.0-tts ครอบครัวโมเดลสังเคราะห์เสียงหลายภาษาที่เปิดน้ำหนัก มีสองโมเดลคือ Ming-3.0-tts-0.5b ซึ่งเป็นโมเดล dense ขนาด 0.5B และ Ming-3.0-tts-tiny ซึ่งเป็นโมเดล MoE ที่สร้างบน Ling V3 มีพารามิเตอร์รวม 7.9B และพารามิเตอร์ที่ใช้งาน 1.3B ทั้งสองมาพร้อมโค้ดสำหรับ inference, cookbook สำหรับงานต่าง ๆ และตาราง benchmark และรองรับการโคลนเสียง การออกแบบเสียงจากข้อความ การควบคุมการส่งเสียงด้วยภาษาธรรมชาติแบบอิสระ แท็ก paralinguistic แบบอินไลน์ 14 แท็ก การควบคุมอารมณ์และความเร็ว/ระดับเสียง/ความดัง รวมถึงภาษาจีน อังกฤษ เยอรมัน สเปน ฝรั่งเศส เกาหลี ญี่ปุ่น ภาษาจีนเสฉวน และกวางตุ้ง บน leaderboard การสังเคราะห์ข้อความเป็นเสียงของ Artificial Analysis ประจำเดือนตุลาคม 2026 Ming-3.0-tts อยู่อันดับ 1 ในกลุ่มโมเดล open-weights ด้าน Controlled Voice อันดับ 1 โดยรวมด้าน Pronunciation Robustness ที่ 93.2% และอันดับ 3 ในกลุ่มโมเดล open-weights ด้าน Provider Voice

  2. Modal Blog38

    Legora 如何在 Modal Sandboxes 上并行运行 2,000 个 agent 评估

    Legora 现在将其每个法律 agent 评估都放在单独的 Modal Sandbox 中运行，启动其完整应用并固定到特定 commit，使每次运行都反映确切的产品版本。一个典型实验包含 100 个用例、4 个 harness 变体、每个 5 次试验——即 2,000 次并行运行——并由 Modal Volumes 对文档、数据库和权限状态进行快照。Legora 还从 gVisor 迁移到 Modal VM Sandboxes，移除了其 Docker 网络和 FUSE 变通方案，并通过更智能的压缩和自定义工具搜索将 agent 成本降低了 30%。

12 ตุลาคมวันจันทร์
  1. Import AI38

    Import AI 476: ความคิดสร้างสรรค์และ RSI, โมเดล Open Weight ที่แย่กว่าจีน และ AI ในอวกาศ

    Import AI 476 นำเสนอ benchmark ใหม่ที่แสดงให้เห็นว่า LLM ระดับแนวหน้ายังตามหลังมนุษย์ในด้านการให้เหตุผลเชิงภาพตามสัญชาตญาณ โดย GPT 6 Astra ทำได้ 53.6 pass@1 เทียบกับพื้นฐานของมนุษย์ที่ 93.1 นอกจากนี้ยังกล่าวถึงระบบ AI ที่พัฒนาความสามารถด้าน "รสนิยมการวิจัย" ผ่าน benchmark TasteVal และโต้แย้งว่า AI อาจเร่งการพัฒนาอุตสาหกรรมอวกาศและสร้างข้อได้เปรียบแบบทบต้นสำหรับผู้ที่มาก่อน

10 ตุลาคมวันเสาร์
  1. Epoch AI · Gradient Updates65

    InnovationEval ของ Epoch AI พบว่า frontier agents ทำได้เพียง 15% ของผลตอบแทนที่ SDPO ได้ในการวิจัยและพัฒนาปัญญาประดิษฐ์อัตโนมัติ

    6 Sol และ Fable 5 ค้นพบเทคนิคหลังการฝึกใหม่ที่เป็นนวัตกรรมเทียบได้กับ Self-Distillation Policy Optimization (SDPO) ได้อย่างอิสระ โดยแต่ละตัวได้รับ GPU 3,000 ชั่วโมงในแซนด์บ็อกซ์ที่ไม่มีอินเทอร์เน็ต วิธีการของ 6 Sol ซึ่งส่วนใหญ่คัดลอกมาจากงานก่อนหน้า ทำได้เพียง 15% ของผลตอบแทนที่ SDPO ได้หลังจากปรับตามความเร็วในการฝึกที่ช้ากว่า ขณะที่เทคนิคของ Fable 5 ไม่สามารถปรับปรุงประสิทธิภาพได้

9 ตุลาคมวันศุกร์
  1. Epoch AI · Gradient Updates22

    สรุปข่าว Epoch ประจำวันที่ 8 ตุลาคม 2026: ประมาณการจำนวน AI Agent, ต้นทุน AI ที่ลดลง และความเสี่ยงด้านชิปของจีน

    Epoch AI ประเมินว่าชิป AI ที่จัดส่งจนถึงปี 2027 อาจรองรับ frontier-model agent พร้อมกันได้ราว 30 ถึง 170 ล้านตัว หรือเกือบ 2 พันล้านตัวหากรันบนโมเดลที่ถูกกว่า งานวิจัยยังพบว่าต้นทุนของระดับประสิทธิภาพ AI ที่คงที่ลดลงประมาณ 47% ต่อไตรมาสในช่วงสามปี หรือราว 13 เท่าต่อปี นอกจากนี้ Epoch ยังประเมินว่าความเสี่ยงของจีนต่อการชะงักงันของอุปทานเซมิคอนดักเตอร์เป็น 2.7 เท่าของสหรัฐฯ

6 ตุลาคมวันอังคาร
  1. LiveKit Blog38

    Retell vs. Vapi vs. LiveKit: การเปรียบเทียบสำหรับนักพัฒนาสำหรับ Voice AI Agents

    LiveKit เผยแพร่การเปรียบเทียบที่เน้นนักพัฒนาเกี่ยวกับ Retell, Vapi และ LiveKit สำหรับการสร้าง voice AI agents โดยวางกรอบการเลือกด้วยสี่คำถาม: ใครจะเป็นผู้ปรับปรุง agent หลังเปิดใช้งาน สิ่งที่จะเกิดขึ้นเมื่อความต้องการอยู่นอกเหนือค่าเริ่มต้น จำเป็นต้องทำงานนอกเหนือจากการโทรศัพท์หรือไม่ และต้นทุนในระดับขนาดใหญ่ Retell เป็นแพลตฟอร์มแบบ managed ที่มี visual editor, Vapi เป็นแพลตฟอร์มแบบ managed ที่เน้นนักพัฒนาและกำหนดค่าผ่าน API และ dashboard, และ LiveKit เป็นเฟรมเวิร์กโอเพนซอร์ส Apache 2.0 ที่สามารถ self-hosting ได้ ต้นทุนรวมโดยประมาณต่อนาทีอยู่ที่ประมาณ $0.070–$0.310 สำหรับ Retell, $0.070–$0.116 สำหรับ Vapi และ $0.037–$0.099 สำหรับ LiveKit

5 ตุลาคมวันจันทร์
  1. GitHub Blog · AI & ML58

    GitHub เปิดตัว ReviewBench ซึ่งเป็นเบนช์มาร์กแบบเปิดสำหรับการรีวิวโค้ดด้วย AI

    GitHub เปิดตัว ReviewBench ซึ่งเป็นเบนช์มาร์กแบบเปิดสำหรับเอเจนต์รีวิวโค้ดด้วย AI สร้างจาก pull request สาธารณะ 219 รายการใน 19 ภาษา โดยมีการกระจายของภาษาและขนาดรีโพซิทอรีที่จำลองตาม pull request บน GitHub จำนวน 103.9 ล้านรายการ ชุด golden set รวบรวมข้อค้นพบจากผู้รีวิวที่เป็นมนุษย์ คอมมิตติดตามผลของผู้เขียน การวิเคราะห์แบบ static และ LLM ชั้นนำหลายตัว โดยให้ Claude Sonnet 5 เป็นผู้ให้คะแนนภายใต้ rubric ที่เผยแพร่ และวิศวกรอาวุโสได้ติดป้ายกำกับข้อค้นพบทุกข้อใหม่โดยอิสระด้วยความสอดคล้อง 96.6% GitHub ระบุว่าการประเมินแบบออฟไลน์ของการรีวิวโค้ดด้วย Copilot ของตนคาดการณ์ทิศทางของการทดสอบ A/B ในการใช้งานจริงได้ โดยอัตราการแก้ไขเพิ่มขึ้น 8.0% recall เพิ่มขึ้น 13.6% และต้นทุนต่อการรีวิวลดลง 8.0%

28 กันยายนวันจันทร์
  1. Anthropic · Claude.dev72

    Anthropic เพิ่มคำสั่ง build-eval และ hillclimb ให้กับสกิล claude-api ใน Claude Code

    Anthropic เพิ่มสองคำสั่งให้กับสกิล claude-api ภายใน Claude Code: /claude-api build-eval สร้างชุดการประเมินในโค้ดเบสของคุณ และ /claude-api hillclimb ทำการวนซ้ำบนแอปพลิเคชันเทียบกับชุดการประเมินนั้นด้วยชุด held-out เพื่อจับ overfitting

    ทำไมเรื่องนี้สำคัญ: Anthropic เพิ่มคำสั่ง build-eval และ hillclimb ให้กับสกิล claude-api ของตน แสดงให้เห็นว่า Claude Code สามารถออกแบบการประเมินและวนซ้ำเทียบกับการประเมินเหล่านั้นได้อย่างไร พร้อมทั้งป้องกัน overfitting

22 กันยายนวันอังคาร
  1. Every75

    Vibe Check: GPT-6 Sol กับ Claude Opus 5.5

    Every เผยแพร่ Vibe Check เปรียบเทียบ GPT-6 Sol ของ OpenAI กับ Claude Opus 5.5 ของ Anthropic ซึ่งเปิดตัววันเดียวกัน เพื่อช่วยให้ผู้อ่านตัดสินใจว่าจะใช้โมเดลใด การเปรียบเทียบอ้างอิงจากประสบการณ์และการประเมินโมเดลทั้งสองของสำนักข่าวเองต่องานประจำวัน และบทความฉบับเต็มเปิดให้สมาชิกอ่าน

21 กันยายนวันจันทร์
  1. Every44

    วิธีสร้างเกณฑ์มาตรฐาน AI ส่วนตัวของคุณเอง

    หัวหน้าฝ่ายประเมินของ Every อธิบายวิธีสร้างเกณฑ์มาตรฐาน AI ส่วนตัวแทนที่จะพึ่งพา MMLU-Pro และแบบทดสอบสาธารณะอื่นๆ โดยอ้างอิงจากประสบการณ์ของเขาเองในการทดสอบ Claude Opus 5, Claude Fable 5, GPT-5.6 Sol, Astra, Luna และ Haiku กับงานจริง แนวทางนี้มีสามระดับและมีจุดประสงค์เพื่อแสดงว่าเมื่อใดควรสลับโมเดล และโมเดลที่เล็กกว่าและถูกกว่าจะเพียงพอหรือไม่

18 กันยายนวันศุกร์
  1. Every42

    Vibe Check: GPT-6 Astra เป็นความก้าวหน้าสำหรับผู้สร้างภาพยนตร์อินดี้หรือไม่?

    สตูดิโอสร้างสรรค์ Afterimage ทดสอบ GPT-6 Astra กับฟุตเทจจากการถ่ายทำจริง เพื่อดูว่าทักษะ Blender 3D ของมันถ่ายทอดไปสู่งานวิชวลเอฟเฟกต์ได้หรือไม่ Astra จัดการงานตั้งแต่การเปลี่ยนจานในฉากแพนกล้องเคลื่อนที่ ไปจนถึงการเพิ่มอาคารลงในถนนบรุกลิน และทำให้ขบวนพาเหรดขนาดยักษ์ปรากฏขึ้นนอกหน้าต่างในฟุตเทจจากมือถือ iPhone บางช็อตได้ผล บางช็อตไม่ได้ แต่ทีมก็ลงเอยด้วยการฝันถึงเอฟเฟกต์ที่พวกเขาไม่เคยคิดจะลองมาก่อน

24 สิงหาคมวันจันทร์
  1. Every38

    ทดสอบโมเดล AI ที่เน้นการเขียนซึ่งสร้างมาเพื่อแก้ปัญหา AI เขียนสำนวนซ้ำซาก

    ห้องแล็บแห่งใหม่โต้แย้งว่าความเหมือนกันของสำนวน AI เป็นปัญหาด้านการฝึกโมเดล และได้สร้างโมเดลที่เน้นการเขียนขึ้นมาเพื่อแก้ปัญหานี้ ในการทดสอบ ผลลัพธ์ของโมเดลคาดเดาได้น้อยลง แต่ไม่ได้หมายความว่าดีขึ้นเสมอไป บทความนี้วางกรอบความพยายามดังกล่าวเทียบกับสิ่งที่เรียกว่าความคืบหน้าที่หยุดชะงักด้านการเขียนในห้องแล็บใหญ่ๆ

18 สิงหาคมวันอังคาร
  1. Vapi Blog55

    Vapi เปิดตัว Simulations เพื่อทดสอบ voice agents กับผู้โทร AI

    Vapi เปิดตัว Simulations ซึ่งเป็นฟีเจอร์ทดสอบที่ขับเคลื่อนด้วย AI แบบเนทีฟ ที่วางผู้ทดสอบ AI ซึ่งมีบุคลิกที่แตกต่างกันและสถานการณ์ที่ได้มาจากลูกค้าไว้อีกฝั่งของสายกับ voice agent แต่ละรอบการทดสอบจะคืนผลลัพธ์ผ่าน/ไม่ผ่าน บทสนทนาฉบับเต็ม และการบันทึกเสียง และทีมสามารถจำลองการตอบกลับของ API ได้ รันโหมดแชทแบบข้อความที่มีต้นทุนต่ำ หรือโหมดเสียงเต็มรูปแบบ และทริกเกอร์การรันผ่าน API พร้อม quality gates ที่บล็อกการดีพลอยเมื่ออัตราการผ่านลดลง

5 สิงหาคมวันพุธ
  1. AI as Normal Technology65

    การศึกษาพบว่า AI agent ระดับแนวหน้ายังไม่สามารถทำการวิจัย AI แบบเปิดกว้างได้

    บทความใหม่จากทีม AI as Normal Technology ได้ทำการประเมินแบบเงา (shadow evaluation) โดยให้ AI agent ระดับแนวหน้าตอบคำถามวิจัยหลักของบทความ AI ที่ยังไม่เผยแพร่สองฉบับ โดยได้รับเครดิต API และพลังประมวลผลมูลค่าหลายพันดอลลาร์ พร้อมเวลาจริงหกวัน และผู้เขียนต้นฉบับปฏิเสธบทความของ agent ทั้งสองฉบับอย่างชัดเจน

3 สิงหาคมวันจันทร์
  1. Vapi Blog33

    ทำไมความยืดหยุ่นของโมเดลจึงสำคัญในระบบเสียง: Speechify Simba 3.2 และ Fish Audio S2.1-Pro ขึ้นอันดับสูงสุดใน Humanness Index ของ Vapi

    Simba 3.2 ของ Speechify เปิดตัวเป็นอันดับหนึ่งใน Humanness Index ของ Vapi ด้วยคะแนน 99 ซึ่งต่ำกว่าเส้นฐานของมนุษย์ที่ 100 อยู่หนึ่งคะแนน และ S2.1-Pro ของ Fish Audio เข้ามาในอันดับที่ 94 ด้วยเวลาในการสร้างเสียงแรก 141 มิลลิวินาที ผู้นำคนก่อนหน้าอย่าง Grok TTS ของ xAI ครองตำแหน่งสูงสุดได้เพียงสามสัปดาห์ที่คะแนน 95 และคะแนนนำได้ขยับจาก 95 เป็น 99 นับตั้งแต่นั้นมา Vapi ให้เหตุผลว่าแพลตฟอร์มเสียงที่ไม่ผูกกับโมเดลใดโมเดลหนึ่งช่วยให้ทีมสามารถสลับโมเดล TTS ได้เมื่ออันดับเปลี่ยนแปลง