นักวิจัยจากมหาวิทยาลัย Princeton ใช้เวทีปาฐกถาหลักของ ICML เพื่อโต้แย้งว่ากรอบแนวคิด "AI as Normal Technology" ยังคงใช้ได้ เว้นแต่จะเกิดความไม่ต่อเนื่อง เช่น การพัฒนาตนเองแบบเรียกซ้ำ (recursive self-improvement) และไม่มีหมุดหมายใดของห้องแล็บที่จะกำจัดงานทั้งหมดในทันทีทันใด การบรรยายกระตุ้นให้สร้างทักษะเสริม ความสามารถในการลงมือทำ และวิจารณญาณ แทนที่จะเร่งสะสมความมั่งคั่งก่อนที่ทักษะจะกลายเป็นสิ่งไม่relevant
ดัชนีความเป็นมนุษย์ของ Vapi ซึ่งเป็นกระดานอันดับแบบปิดชื่อผู้โหวตที่ผู้ฟังเลือกว่าเสียงโคลนใดในสองเสียงฟังดูเป็นมนุษย์มากกว่า จัดอันดับให้ Grok TTS ของ xAI ได้ 95 คะแนน และ MiniMax Speech 2.5 ได้ 93 คะแนน เทียบกับเสียงบันทึกของมนุษย์จริงที่ได้ 100 คะแนน หลังจากการโหวตมากกว่า 11,000 ครั้ง ทุกการเปรียบเทียบใช้เสียงโคลนและบทพูดเดียวกันในทุกโมเดล และมีเสียงบันทึกของมนุษย์จริงรวมอยู่ในชุดเปรียบเทียบด้วย ดังนั้น 95 คะแนนหมายความว่าผู้ฟังเลือก Grok TTS ในอัตราใกล้เคียงกับมนุษย์ในบทพูดเดียวกัน Vapi ให้เหตุผลว่าความเป็นธรรมชาติไม่ใช่คอขวดของ voice agent อีกต่อไป เนื่องจากผู้โทรได้สัมผัสกับเสียงมากกว่ากระบวนการคิดเบื้องหลัง
Ethan Mollick 认为，AI 的使用正从聊天机器人式的协同智能转向需要更少人工干预的长时间运行智能体，而且这一变化正在快速发生。他援引 METR、英国 AI 安全研究所和 GDPval 基准的上升速度快于指数增长，以及 Epoch 的一项发现：Opus 4.7 独自工作 14 小时构建了一个软件包，估计需要 2-17 周的人工工程，花费 251 美元的 token。OpenAI 与学术经济学家的研究发现，四分之一的 OpenAI 员工每周至少运行四个智能体，法律和人力资源部门的采用率几乎与程序员相同，而一项 Claude Code 研究发现，领域专业知识而非职业预测了成功。
Factory สร้าง benchmark โอเพนซอร์สทดสอบโมเดล 13 ตัวกับ pull request จริง 50 รายการจาก Sentry, Grafana, Keycloak, Discourse และ Cal.com โดยแต่ละโมเดลรีวิวทุก PR อย่างน้อยสามครั้งด้วย high reasoning effort และ LLM judge ให้คะแนนสิ่งที่พบเทียบกับ golden set ที่มนุษย์คัดสรร GPT-5.2 นำที่ 60.5% F1 ในราคา $1.25 ต่อ PR เหนือกว่า Claude Opus 4.6 ที่ 59.8% F1 และ $3.11 ต่อ PR ขณะที่ MiniMax M2.7 ทำได้ 45.6% F1 ในราคา $0.15 ต่อ PR และ Kimi K2.5 ได้ 51.9% F1 ที่ $0.41 Factory ระบุว่าต้นทุนอธิบายความแปรปรวนของคุณภาพได้เพียงราว 21% และได้เปิดโอเพนซอร์ส golden set, สคริปต์ประเมิน และ Droid Action GitHub Action ที่รองรับทั้ง 13 โมเดล
Factory เปิดตัว Agent Readiness ซึ่งประเมินว่าโค้ดเบสสนับสนุนการพัฒนาอัตโนมัติได้ดีเพียงใดผ่านเสาหลักทางเทคนิคแปดด้านและระดับความสมบูรณ์ห้าระดับ สามารถรันได้ผ่าน /readiness-report ใน Droid, แดชบอร์ดองค์กร หรือ API เกณฑ์แต่ละข้อเป็นแบบไบนารี และระดับจะปลดล็อกก็ต่อเมื่อผ่าน 80% ของเกณฑ์ในระดับนั้นและผ่านทุกระดับก่อนหน้าทั้งหมด การอ้างอิงการประเมินแต่ละครั้งกับรายงานก่อนหน้าของรีโพซิทอรีช่วยลดความแปรปรวนของคะแนนจากเฉลี่ย 7% เหลือ 0.6% across 9 benchmark repositories over six weeks รายงานสามารถทริกเกอร์เอเจนต์ที่เปิด pull request เพื่อแก้ไขเกณฑ์ที่ไม่ผ่าน เช่น AGENTS.md ที่หายไป การกำหนดค่า linter หรือ pre-commit hooks
Modal ใช้ evals และการขยายคอมพิวต์ตอนอนุมานเพื่อปรับปรุงระบบ QArt code ของตน เพิ่มอัตราการสแกน QR ไปถึงเป้าหมายระดับบริการ 95% พร้อมทั้งปรับปรุงคุณภาพด้านความสวยงามและคืนรหัสได้ภายในเวลาไม่ถึง 20 วินาทีที่ p95 งานนี้เดินตามแนวทาง ML มาตรฐาน คือการเก็บคำตัดสินของมนุษย์ ปรับให้สอดคล้องกับคำตัดสินเหล่านั้น แล้วจึงขยายขนาด ซึ่งช่วยแก้ปัญหาช่องว่างแบบ "it worked on my prompt" ที่ทำให้ QR code ที่สร้างขึ้นจำนวนมากสแกนไม่ได้
Claude และ ChatGPT ถูกนำมาเปรียบเทียบในด้านคุณภาพการสนทนา ความจำบริบท ความเร็ว ฟีเจอร์ การเขียนเชิงสร้างสรรค์ การวิจัย ราคา และอินเทอร์เฟซ Claude รองรับได้ถึง 200,000+ โทเคนสำหรับผู้ใช้ Pro และโดดเด่นด้านการเขียนเชิงสร้างสรรค์และการสนทนาที่ละเอียดอ่อน ขณะที่ ChatGPT รองรับ 128,000 โทเคน ตอบสนองใน 2-3 วินาที เทียบกับ 5-10 วินาทีของ Claude และมีฟีเจอร์สร้างภาพและ Custom GPTs ทั้งสองแพ็กเกจ Pro ราคา $20 ต่อเดือน โดย Claude Max อยู่ที่ $100-$200 และ ChatGPT Pro อยู่ที่ $200
Vapi เปรียบเทียบ GPT-4.1 และ Claude 3.7 Sonnet ในฐานะ LLM เบื้องหลัง voice agent โดยพิจารณาคุณภาพการสนทนา การจัดการบริบท ความโปร่งใสในการให้เหตุผล การผสานรวมแพลตฟอร์ม และค่าใช้จ่าย GPT-4.1 มีหน้าต่างบริบท 1,000,000 โทเคน และเอาต์พุต 32,768 โทเคน พร้อมส่วนลดแคช 75% ขณะที่ Claude 3.7 มีบริบท 200,000 โทเคน และเอาต์พุต 128,000 โทเคน ทั้งสองโมเดลสามารถเลือกใช้ได้บนแพลตฟอร์ม voice agent ของ Vapi
การเปรียบเทียบทางเลือก Speechify ห้าตัวเลือกเลือก NaturalReader สำหรับการใช้งานข้ามอุปกรณ์และการผสานรวมแอปที่ราคา $119 ต่อปี, Voice Dream Reader สำหรับการควบคุมด้วยเสียงบน iPhone ในราคาจ่ายครั้งเดียว $14.99, และ Murf AI สำหรับเสียงระดับมืออาชีพเริ่มต้นประมาณ $19 ต่อเดือน ReadSpeaker เน้นการอ่านหน้าเว็บใน 45 ภาษาเริ่มต้นที่ $4.90 ต่อเดือน ขณะที่ Balabolka เป็นตัวเลือกฟรีสำหรับ Windows เท่านั้น
Charles Frye จาก Modal ได้ทำซ้ำข้ออ้างหลักของบทความ Large Language Monkeys บนชุดข้อมูลใหม่ แสดงให้เห็นว่าการสุ่มตัวอย่างซ้ำช่วยยกระดับ LLaMA 3.1 8B จาก 66.4% pass@1 เป็น 90.5% pass@100 และ 95.1% pass@1000 บน HumanEval เทียบกับ GPT-4o ที่รายงานไว้ 90.2% pass@1 การรันใช้ vLLM บน Modal serverless GPUs และ Modal Sandboxes สำหรับการรันทดสอบแบบขนาน มีค่าใช้จ่ายต่ำกว่า $50 มาก และแสดงการขยายขนาดที่ราบรื่นและคาดเดาได้ในช่วงสามลำดับขนาด
ทำไมเรื่องนี้สำคัญ: การทำซ้ำด้วยตนเองแสดงให้เห็นว่าการสุ่มตัวอย่างซ้ำด้วยโมเดลเปิดขนาดเล็กสามารถเข้าใกล้ GPT-4o บน HumanEval ได้ โดยเสนอสูตรที่ konkret และต้นทุนต่ำในการแลกเปลี่ยนพลังประมวลผลกับความแม่นยำ