#评测/基准

LiveKit ทดสอบ Gemini 4 Hydrogen กับ 3.8 Flash ในวอยซ์เอเจนต์ที่มีเครื่องมือที่จงใจทำให้พัง

LiveKit ทดสอบ Gemini 4 Hydrogen และ Gemini 3.8 Flash ผ่านปลั๊กอิน Google ตัวเดียวกันในวอยซ์เอเจนต์ผู้ช่วยท่องเที่ยว โดยมีเครื่องมือที่จงใจให้ล้มเหลว ผลปรากฏว่า Hydrogen รายงานการจองผิดพลาด 0 ครั้งจากบทสนทนา 54 รายการ เทียบกับ 2 ครั้งของ 3.8 Flash เมื่อใช้ Hydrogen ที่ระดับ high และ 3.8 Flash ที่ระดับ default ประโยคแรกของ Hydrogen มาถึงเร็วกว่า 1.2 วินาที (4.0 วินาที เทียบกับ 5.2 วินาที) และเมื่อใช้ระดับ low ทั้งคู่ เร็วขึ้น 1.7 วินาที (2.8 วินาที เทียบกับ 4.6 วินาที) ผู้เขียนแนะนำให้ใช้ระดับ thinking medium หรือ high สำหรับวอยซ์เอเจนต์ โดยระบุว่าที่ระดับ xhigh มีค่ามัธยฐาน 7.8 วินาทีถึงประโยคแรก และกรณีแย่ที่สุด 52 วินาที

NukeTorch: MacBook Pro M5 Max สี่เครื่องให้บริการ NVIDIA GR00T เร็วกว่าผลลัพธ์ H100 ที่เผยแพร่เร็วที่สุด 2.45 เท่า

เอนจิน NukeTorch ของ Fenon AI รันนโยบายหุ่นยนต์ GR00T N1.7 ของ NVIDIA บนเครื่อง MacBook Pro M5 Max สี่เครื่อง ได้ 152.07 action chunks ต่อวินาทีกับไคลเอนต์ 192 ราย เร็วกว่าตัวเลข H100 ที่เผยแพร่เร็วที่สุด 2.45 เท่า และเร็วกว่าตัวเลขที่ NVIDIA เผยแพร่เอง 4.24 เท่า สำหรับคำขอเดียว H100 ยังชนะที่ 16.08 ms เทียบกับ 44.34 ms และเครื่อง Mac สี่เครื่องมีราคาตั้งไว้ที่ $19,996 เทียบกับอย่างน้อย $25,000 สำหรับการ์ด H100 หนึ่งใบ เวอร์ชันหนึ่งเครื่องให้ดาวน์โหลดฟรี ส่วนบิลด์หลายเครื่องต้องมีไลเซนส์เพื่อการประเมิน

การวิเคราะห์ความฉลาด ประสิทธิภาพ และราคาของ Gemini 4 Hydrogen (High)

การวิเคราะห์ Gemini 4 Hydrogen (High) เปรียบเทียบความฉลาด ประสิทธิภาพ และราคา โดยใช้ดัชนีความสามารถที่วัดประสิทธิภาพของโมเดลในความสามารถและอุตสาหกรรมเฉพาะ การเปรียบเทียบครอบคลุมการใช้โทเคน ต้นทุน และหน้าต่างบริบท พร้อมด้วยตัวชี้วัดประสิทธิภาพ ได้แก่ เวลาต่องานเป็นนาที ความเร็วเอาต์พุตเป็นโทเคนต่อวินาที และเวลาไปยังโทเคนคำตอบแรกและโทเคนแรกเป็นวินาที

Google เปิดตัว Gemini 4 Hydrogen อ้างความเร็ว 2.5 เท่าของ Gemini 3.8 Flash

Google เปิดตัว Gemini 4 Hydrogen โมเดลแบบ closed-weights จาก Google DeepMind ที่วางตำแหน่งต่ำกว่า Gemini 4 Carbon และ Argon ในฐานะโมเดลหลักสำหรับงานเขียนโค้ดและเวิร์กโฟลว์แบบเอเจนต์ โดยมีหน้าต่างรวม 1,048,576 โทเคน มีสี่ระดับการคิดโดยค่าเริ่มต้นคือ high และราคา API อยู่ที่ $1.50/$7.50 ต่อ 1M โทเคนอินพุต/เอาต์พุต เท่ากันตลอดหน้าต่างทั้งหมด Google รายงานผล 57% บน Terminal-Bench 4.1 เทียบกับ 18.2% ของ Gemini 3.8 Flash และ 51 บน Artificial Analysis Intelligence Index แต่โมเดลนี้อยู่อันดับเพียง #5 บน Agent Arena; การจับคู่กับ Carbon ใน Antigravity ใช้โควตาน้อยลง 24% และเสร็จเร็วกว่า Carbon เดี่ยว 19%

เหตุการณ์เดียวกัน รายการคัดสรรอ้างถึง“Google DeepMind releases Gemini 4 Hydrogen, a faster Gemini 4 model for coding and agentic workflows”

Stanford CS 329Z: คอร์สวิศวกรรม AI Agents ครอบคลุมการออกแบบ Agent, RAG, Tools และ Multi-Agent Systems

CS 329Z วิชา Engineering AI Agents ของ Stanford อธิบายโครงสร้างของระบบ agentic ตั้งแต่แกน LLM, การให้เหตุผล, หน่วยความจำ, tools และสภาพแวดล้อม ไปจนถึงช่องว่างระหว่าง compound AI systems กับ agent แท้จริง คอร์สครอบคลุมไปป์ไลน์ RAG, การใช้ tools และ function calling กับ MCP, การจัดการด้วย DSPy และ LangGraph, สถาปัตยกรรมหน่วยความจำอย่าง MemGPT และรูปแบบการจัดการ multi-agent ปิดท้ายด้วยวิธีการปรับแต่งประสิทธิภาพ ได้แก่ GEPA, PPO และ GRPO พร้อมบรรยายรับเชิญจากผู้สร้าง Terminal-Bench

Sovereign: เราเตอร์ที่เรียนรู้ว่าจะเชื่อถือโมเดลใดโดยไม่ต้องมีป้ายกำกับ

Solibra สร้าง Sovereign เราเตอร์ที่อยู่ระหว่างแอปพลิเคชันและผู้ให้บริการโมเดล และเรียนรู้การเลือกโมเดลแบบรายคำขอจากเกรดของงานที่เสร็จแล้วของตัวเอง โดยไม่มีเฉลยและไม่มีความรู้เดิมเกี่ยวกับโมเดล จากการทดสอบบนเกณฑ์มาตรฐานสาธารณะแปดชุดกับ Claude Opus 5.5 และ Claude Haiku 5.5 Sovereign ใช้จ่ายน้อยกว่า Opus 43% ถึง 81% ในทุกเกณฑ์มาตรฐาน มีความแม่นยำเท่ากับหรือเหนือกว่า Opus บน USACO, LiveCodeBench และ SATBench และแม่นยำกว่า Haiku ในทุกที่ โดยมากถึง 55 คะแนนบน USACO บน USACO ความแม่นยำเพิ่มจาก 88% ใน 25 งานแรกเป็น 97.7% เมื่อสิ้นสุด แซง Opus ราวงานที่ 150 และตัวให้เกรดของมันตรงกับเฉลยที่ซ่อนอยู่ 95% ของเวลา

OpenRouter ทดสอบ reranker 11 ตัวบนชุดทดสอบ RAG 274 คำถาม

OpenRouter ทดสอบ reranker 11 ตัวบนชุดข้อมูล RAG สังเคราะห์ 274 คำถาม และพบว่าการ rerank ผู้สมัคร 30 อันดับแรกจาก vector search ด้วย voyageai/rerank-3-lite ช่วยเพิ่ม precision@1 จาก 81.0% เป็น 97.1% ด้วยต้นทุนประมาณ $0.10 ต่อ 1,000 คำถาม คู่มือแนะนำให้ดึงข้อมูลประมาณ 30 chunks แล้ว rerank จากนั้นส่งเฉพาะ 3 อันดับแรกให้ LLM ซึ่งในการทดสอบช่วยเพิ่มความแม่นยำของคำตอบเป็น 99.3% พร้อมลดต้นทุนการตอบจาก $0.22 เหลือ $0.16 ต่อ 1,000 คำถาม นอกจากนี้ยังชี้ให้เห็นโหมดความล้มเหลว: การละเว้นพารามิเตอร์ input_type ทำให้ precision@1 ลดลง 7 ถึง 12 คะแนน และ cohere/rerank-v3.5 เพิกเฉยต่อเนื้อหาที่เกินขีดจำกัด 4,096 โทเคนโดยไม่แจ้งเตือน

เครื่องมือ AI ที่มีดาวมากที่สุดบน GitHub เขียนโดย coding agent มากแค่ไหน?

การวิเคราะห์ประวัติ git ทั้งหมดของ 52 repository เครื่องมือ AI ที่มีดาวมากที่สุดบน GitHub ครอบคลุม 324,088 commit พบว่าใน repository ค่ามัธยฐาน 16.9% ของ commit ในช่วง 180 วันสุดท้ายที่มีกิจกรรมมีลายเซ็น AI และ 21 จาก 52 แห่งมีสัดส่วน 25% ขึ้นไป ดาวและสัดส่วนที่ลงนามโดย AI ไม่แสดงความเชื่อมโยงที่ตรวจพบได้ (Spearman ρ = -0.05, p = 0.72) และ 85.3% ของ 36,892 commit ที่ลงนามมาจาก Claude ซึ่งเครื่องมือของ Claude เพิ่ม trailer โดยค่าเริ่มต้น ผู้เขียนเตือนว่าการใช้ AI อย่างหนักกระจุกตัวในโปรเจกต์ที่เริ่มในปี 2025 หรือหลังจากนั้น ดังนั้นตัวอย่างจึงไม่สามารถแยกการใช้ AI ออกจากความใหม่ได้ และเปอร์เซ็นต์ AI ทุกค่าคือขอบเขตล่าง

แบบทดสอบพบว่าโมเดล AI รู้หลักการ WPS แต่ไม่สามารถนำไปใช้ได้

แบบทดสอบ WPS AI Leaderboard ของ Our Secure Future ซึ่งสร้างบนแพลตฟอร์ม Weval ของ Collective Intelligence Project พบว่า LLM ละเว้นมิติทางเพศจากการวิเคราะห์สันติภาพและความมั่นคงอย่างเป็นระบบ แม้ว่าพวกมันจะท่อง UNSCR 1325 ได้ก็ตาม ช่องว่างสมรรถนะ WPS ปรากฏในรูปแบบการละเลยแบบเฉยเมย ซึ่งโมเดลตัดหญิงและเด็กหญิงออกจากการประเมินตามปกติ และการยอมจำนนแบบเชิงรุก ซึ่งโมเดลช่วยผู้ตัดสินใจหลีกเลี่ยงนโยบาย

การวิเคราะห์ความฉลาด ประสิทธิภาพ และราคาของ Gemini 4 Hydrogen (Xhigh)

การวิเคราะห์ Gemini 4 Hydrogen (Xhigh) ครอบคลุมดัชนีความฉลาดและความสามารถในด้านความสามารถเฉพาะทางและอุตสาหกรรมต่างๆ พร้อมด้วยต้นทุนการใช้โทเคนและหน้าต่างบริบท ประสิทธิภาพวัดจากเวลาต่องานเป็นนาที ความเร็วเอาต์พุตเป็นโทเคนต่อวินาที และเวลาถึงโทเคนคำตอบแรกและโทเคนแรกเป็นวินาที

การค้นหาด้วย AI แนะนำเว็บไซต์ค้าปลีกปลอม

งานศึกษาที่วิเคราะห์คำตอบ 6,795 รายการจากเวอร์ชันผู้บริโภคที่ไม่ได้เข้าสู่ระบบของ ChatGPT, Gemini และ Perplexity พบว่าการค้นหาด้วย AI แนะนำเว็บไซต์ค้าปลีกปลอม งานวิจัยนี้ดำเนินการร่วมกับ Gauge บริษัทด้านการค้นหาด้วย AI ที่ช่วยให้แบรนด์ปรากฏในคำตอบจาก AI มากขึ้น

Terminal-Bench 4.1 เปิดตัวพร้อมตัวตรวจสอบที่แข็งแกร่งขึ้นเพื่อป้องกัน reward hacking

Terminal-Bench 4.1 เปิดตัวแล้วพร้อมตัวตรวจสอบที่ปรับปรุงใหม่ซึ่งออกแบบมาเพื่อต้านทาน reward hacking และการให้คะแนน TB 4.0 ใหม่ด้วยตัวตรวจสอบใหม่ใช้ต้นทุนการอนุมานเพิ่มเติม $0 มีเพียงประมาณ 1.16% ของการทดลอง 11,550 ครั้งที่คะแนนเปลี่ยนแปลง และคะแนนที่อัปเดตของเอเจนต์ทั้ง 35 ตัวยังคงอยู่ในช่วงความเชื่อมั่น 95% เดิมของ TB 4.0

Westphalia Labs ทดสอบโมเดล AI 11 ตัวในบทบาทประธานการเจรจาสมมติของเจ็ดรัฐบาล

Westphalia Labs กลุ่มประเมินที่ก่อตั้งโดยอดีตนักการทูต ได้ทดลองให้โมเดล AI 11 ตัวทำหน้าที่ประธานการเจรจาสมมติของเจ็ดรัฐบาล โดยแต่ละตัวรัน 40 ครั้ง ทั้งในเวอร์ชันที่เป็นไปได้และเป็นไปไม่ได้ มีเพียง GPT-6.1 Sol ที่ผ่านทุกครั้ง โดยบรรลุข้อตกลงเมื่อเป็นไปได้ และประกาศว่าฉันทามติเป็นไปไม่ได้เมื่อมันเป็นเช่นนั้นจริง ส่วน Claude Opus 5.5, Grok 4.7 และ DeepSeek V4.1 Flash ราคาประหยัด ต่างระบุเวอร์ชันที่เป็นไปไม่ได้ถูกต้องทุกครั้ง และเห็นพ้องกันใน 18 จาก 20 ครั้งของเวอร์ชันที่เป็นไปได้ การเรียกร้องเกินเลยทำให้ล้มเหลว 39 ครั้ง เทียบกับ 13 ครั้งจากการยอมผ่อนปรนน้อยเกินไป และเมื่อมีการคาดการณ์ที่น่าจะเป็น ก็ตามมาด้วยข้อตกลงใน 72 จาก 110 กรณี

The Singularity Clock v1.4.0 ติดตามไทม์ไลน์ AGI, Singularity และ ASI

The Singularity Clock v1.4.0 เป็นเครื่องมือวัดสาธารณะที่คาดการณ์ AGI ราวเดือนเมษายน 2027, Singularity ราวเดือนธันวาคม 2029 และ ASI ราวเดือนธันวาคม 2031 โดยทั้งหมดคงที่ตั้งแต่เดือนพฤศจิกายน สัญญาณ 14 รายการของ它包括 METR task horizon ที่ 11.4 ชั่วโมง (+38% QoQ), SWE-bench Verified ที่ 88.2%, Humanity's Last Exam ที่ 38.9% และ ARC-AGI-2 ที่ 62.4% โครงการรายงานอัตราส่วนความเร็ว capability-to-safety ที่ 1.77× และเผยแพร่ระเบียบวิธีและโค้ดบน GitHub ภายใต้ CC-BY-4.0

ไทม์ไลน์ของ AI เปลี่ยนไปกะทันหันหรือไม่? ทบทวนการเร่งความเร็วของ Anthropic และพรมแดนที่ราบเรียบอีกครั้ง

การทบทวนรายงานของ METR เกี่ยวกับการเร่งความเร็วของ R&D ด้าน AI ที่ Anthropic และการวิเคราะห์ต่อเนื่องพบว่าการเติบโตของความสามารถของ Anthropic เปลี่ยนแนวโน้มราวเดือนตุลาคม 2025 ใกล้กับ Opus 4.5 แต่แล็บคู่แข่งไม่ได้เร่งความเร็วขึ้น และพรมแดนโดยรวมยังคงอยู่ในแนวโน้มเดิม ผู้เขียนชั่งน้ำหนักการเติบโตของคอมพิวต์ซึ่งเพิ่มขึ้นประมาณ 5.7 เท่าที่ Anthropic ในปี 2025 เทียบกับ 4.5 เท่าที่ OpenAI และ 3.8 เท่าที่ Google DeepMind เทียบกับ AI ที่สร้าง AI ซึ่ง METR attribute การเร่งความเร็วประมาณ 80% โดยใช้ข้อมูลที่ปิดบังซึ่งบุคคลภายนอกไม่สามารถตรวจสอบได้ ขึ้นอยู่กับสถานการณ์ใดที่เกิดขึ้น โอกาสของนักวิจัย AI ที่เหนือมนุษย์ในปี 2027 อยู่ในช่วงประมาณ 70% ภายใต้ตัวเลขพาดหัวของ METR ถึงประมาณ 20% เมื่อใช้เฉพาะตัวเลข Epoch สาธารณะและวิถีเดิมของสาขา

Google เปิดตัว Gemini 4 Hydrogen ได้คะแนนเหนือกว่า Argon รุ่นใหญ่กว่าสี่สัปดาห์หลัง Argon เปิดตัว

Google ได้เปิดตัว Gemini 4 Hydrogen โมเดลอเนกประสงค์ที่รวดเร็วสำหรับนักพัฒนาและผู้ใช้ทั่วไป ในราคา 1.50 ดอลลาร์ต่อล้านโทเค็นอินพุต และ 7.50 ดอลลาร์ต่อล้านโทเค็นเอาต์พุต พร้อมหน้าต่างบริบทหนึ่งล้านโทเค็น Google ระบุว่า Hydrogen ได้คะแนน 51 บน Artificial Analysis Intelligence Index ที่ระดับการคิดสูงเริ่มต้น และ 54 ที่ระดับ xhigh ใหม่ เทียบกับ 50 สำหรับ Gemini 4 Argon รุ่นใหญ่กว่า การทดสอบอิสระโดย Artificial Analysis พบว่า Hydrogen อยู่ในระดับเดียวกับ Claude Sonnet 5.5 ที่การคิดสูงสุดโดยประมาณ แต่ด้อยกว่าในงานเทอร์มินัลแบบเอเจนต์ โดยได้ 54 เปอร์เซ็นต์บน Terminal-Bench 4.0 เทียบกับ 64 เปอร์เซ็นต์ของ Claude Sonnet 5.5

เหตุการณ์เดียวกัน รายการคัดสรรอ้างถึง“Google DeepMind releases Gemini 4 Hydrogen, a faster Gemini 4 model for coding and agentic workflows”

Eval-Driven Development คืออะไร? วิธีปรับปรุง AI Agents

LangChain อธิบาย eval-driven development (EDD) กระบวนการสามขั้นตอนสำหรับการสร้าง AI agents: กำหนดว่าอะไรคือสิ่งที่ดี เขียน eval ก่อนที่จะสร้าง และเปรียบเทียบผลลัพธ์หลังการเปลี่ยนแปลงแต่ละครั้ง เนื่องจาก agents ไม่สามารถกำหนดผลลัพธ์ได้แน่นอน evals จึงให้คะแนนการทำงานข้ามชุดข้อมูลตัวอย่าง และสามารถใช้ LLM-as-a-judge โดยมีการทำงานจริงของ agent ใน LangSmith เป็นแหล่งของอินพุตสำหรับการทดสอบ

研究发现 ChatGPT、Gemini 和 Perplexity 推荐虚假零售网站

知识产权保护公司 Podqi 的一项研究发现，ChatGPT、Gemini 和 Perplexity 在回答有关 151 个品牌的购物问题时，都引用或展示了高风险零售网站，这些网站被定义为虚假店面、重新注册的旧品牌域名或已失效的网站。在 9 月两个测试时段收集的 6,795 条回答中，Perplexity 在 15% 的回答中展示了高风险网站，ChatGPT 为 8%，Gemini 为 4%，而 ChatGPT 有 24% 的时间对其展示的高风险网站发出警告。关于较小品牌的查询产生高风险网站的频率约为较大公司的两倍，而关于区域品牌网站的提示更频繁地触发这些网站，Perplexity 曾将错误页面称为 Stüssy 的官方网站。

Amazon Bedrock AgentCore Evaluations: ตัวประเมินในตัว, DeepEval และ AutoEval

ขณะนี้ Amazon Bedrock AgentCore Evaluations ช่วยให้ทีมต่างๆ รันตัวประเมินในตัวของ AWS ควบคู่ไปกับเมตริก DeepEval และ AutoEval ที่ได้รับการจัดการ รวมถึงตัวประเมินแบบกำหนดเองที่ได้มาจากทั้งสองแบบ แคตตาล็อกในตัวครอบคลุมตัวประเมิน 15 ตัวในด้านคุณภาพการตอบสนอง ความสำเร็จของเป้าหมาย การใช้เครื่องมือ ทักษะ และความปลอดภัย พร้อมการตรวจสอบเส้นทางการทำงาน 3 รายการสำหรับเส้นทางเครื่องมือที่คาดหวัง DeepEval เพิ่มเมตริกแบบหลายรอบ เช่น ConversationCompleteness และ KnowledgeRetention ขณะที่ AutoEval มีส่วนช่วยในสัญญาณเฉพาะทางรวมถึงความปลอดภัย

AWS เปิดซอร์ส UAEF ระบบประเมินผลสำหรับ AI agents ที่ไม่ผูกกับเฟรมเวิร์ก

AWS ได้เปิดซอร์ส UAEF (Universal Agent Evaluation Framework) ระบบที่ไม่ผูกกับเฟรมเวิร์ก ซึ่งใช้อะแดปเตอร์ในการปรับมาตรฐาน agent traces จาก LangGraph, LangChain, Strands Agents, Amazon Bedrock AgentCore และ Langfuse ให้เป็น AgentTrace แบบมาตรฐานเดียว แล้วให้คะแนนด้วยเมตริกในตัว 36 รายการครอบคลุม 7 มิติ ผลลัพธ์ถูกจัดเก็บแยกตามการทดลองใน Amazon DynamoDB และ Amazon S3 เพื่อให้ทีมสามารถเปรียบเทียบเวอร์ชันของ agent กับ baseline ตรวจจับการถดถอยด้วยเกณฑ์เริ่มต้น 5 เปอร์เซ็นต์ และสร้างรายงานทางสถิติพร้อมข้อมูลเชิงลึกที่เขียนโดย LLM โพสต์ระบุว่าลูกค้าใน 12 องค์กรในอุตสาหกรรมโทรคมนาคม สุขภาพ และบริการทางการเงินได้ใช้ UAEF ก่อนการเปิดตัว และโค้ดภายใต้ Apache 2.0 ไลบรารี Python การติดตั้งด้วย CDK และโน้ตบุ๊กแยกตามเฟรมเวิร์กอยู่ในรีโพ GitHub awslabs/uaef

Agent DLC: วิศวกรรมเอเจนต์ AI จากต้นแบบสู่โปรดักชัน

AWS เปิดตัว Agent Development Lifecycle (Agent DLC) กรอบการทำงานที่มีหนึ่งวงจรชีวิต สองลูป และมาตรฐานชัดเจนเพียงหนึ่งเดียวสำหรับตัดสินทุกการเปลี่ยนแปลงของเอเจนต์ โดยแก้ปัญหาคุณสมบัติสามประการของเอเจนต์ที่ทำให้ CI/CD แบบเดิมใช้ไม่ได้ ได้แก่ ความไม่แน่นอนของผลลัพธ์ พรอมต์ในฐานะซอร์สโค้ด และ dependencies ที่เคลื่อนที่อย่างอิสระ ตัวอย่างผู้ช่วยนโยบาย HR แบบอ้างอิงแสดงความแม่นยำการดึงข้อมูลระดับชังก์ที่ 1.00 across ทั้งสามคำถามทดสอบ ขณะที่ความแม่นยำระดับข้อเท็จจริงลดลงเหลือ 0.09 และความครอบคลุมการดึงข้อมูลแตะ 0.00 ในหนึ่งคำถาม

วิธี Benchmark LLMs: คู่มือการให้คะแนนด้วยโค้ดจาก OpenRouter

OpenRouter เผยแพร่คู่มือสำหรับการ benchmark LLMs ด้วยอินพุตของแอปพลิเคชันของคุณเอง ให้คะแนนเอาต์พุตด้วยโค้ด และเปรียบเทียบความแม่นยำ ค่าใช้จ่ายที่เรียกเก็บ และเวลาที่ใช้ในการร้องขอ บนงานสังเคราะห์ 60 งาน GPT-6.1 Sol ผ่าน 180/180 ครั้งจากการทำซ้ำสามรอบ ขณะที่ DeepSeek มีค่าใช้จ่ายในการตอบสนองต่ำที่สุดที่ 180 ครั้งผ่าน 157 ครั้ง ความสอดคล้องกับอันดับสาธารณะอยู่ในระดับต่ำ โดยมีสหสัมพันธ์สเปียร์แมนที่ 0.109

Google เปิดตัว Gemini Decision 1 โมเดล API สำหรับการตัดสินใจ รองรับอินพุตหลายรูปแบบ

Google ได้เปิดตัว Gemini Decision 1 ซึ่งเป็น API โมเดลสำหรับการตัดสินใจที่รองรับคำถามแบบใช่/ไม่ใช่ แบบเลือกตอบ และแบบให้คะแนนตามเกณฑ์ โดยเข้ามาอยู่ในหมวดหมู่โมเดลสำหรับการตัดสินใจร่วมกับ Jev และ OpenAI โดยมีราคาอยู่ที่ 10 เซนต์ต่อล้านโทเค็นอินพุต และเอาต์พุตฟรี และแตกต่างจาก Jev ที่รองรับเฉพาะอินพุตข้อความ มันรองรับข้อความ รูปภาพ เสียง วิดีโอ และ PDF ในการทดสอบกับวิดีโอหุ่นยนต์ Gemini ส่งค่าความน่าจะเป็น เช่น 0.9234 สำหรับหุ่นยนต์ และ 0.0498 สำหรับมังกร แทนที่จะเป็น 1.0 หรือ 0.0 ที่ Jev และ OpenAI ส่งคืน

สรุปย่อ Epoch: GLM 5.3 สร้าง exploit สำหรับ Firefox ได้เองจากช่องโหว่ในแพตช์ ด้วยต้นทุนประมาณ 1,000 ดอลลาร์ต่อครั้ง

นักวิจัยจาก Epoch AI รายงานว่าในการทดลองแบบออฟไลน์ในแซนด์บ็อกซ์ โมเดลน้ำหนักเปิด GLM 5.3 สามารถเจาะระบบ Firefox หกเวอร์ชันล่าสุด ซึ่งเป็นเบราว์เซอร์ที่มีผู้ใช้ที่ใช้งานอยู่กว่า 200 ล้านคน ได้โดยอัตโนมัติ ด้วยต้นทุนประมาณ 1,000 ดอลลาร์ต่อ exploit หนึ่งครั้ง โดยการวิศวกรรมย้อนกลับการโจมตีจากแพตช์ที่ยังไม่ถึงมือผู้ใช้ โมเดลสร้างเว็บเพจที่สามารถอ่านไฟล์จากคอมพิวเตอร์ของผู้เยี่ยมชมและส่งไปยังผู้โจมตีได้โดยไม่ต้องมีมนุษย์สั่งการ ทีมงานไม่สามารถทำซ้ำได้กับ Chrome สรุปย่อเดียวกันยังระบุว่า Claude Fable 5.2 ของ Anthropic ซึ่งเปิดตัวเมื่อวันที่ 9 พฤศจิกายน ทำสถิติใหม่ของ Epoch Capabilities Index ที่ 174 สูงกว่า 169 ของ GPT-6 Astra

inclusionAI เปิดตัว LemonDecider 4B v3 โมเดลตัดสินใจที่อิงจาก Qwen3.5-4B

inclusionAI เปิดตัว LemonDecider 4B v3 โมเดลตัดสินใจที่ผ่านการ fine-tune จาก Qwen3.5-4B ซึ่งคืนค่าความน่าจะเป็นของตัวเลือก ใช่/ไม่ใช่ หรือลำดับ ผ่านการ forward pass แบบร่วมเพียงครั้งเดียว แทนการสร้างโทเค็นคำตอบ ฝึกบนข้อมูล decision/QA ประมาณ 1.20M แถว และได้คะแนน 61.67 บนชุดทดสอบสาธารณะ Decision Index 0.4 โดยมีค่ามัธยฐานของเวลาแฝงต่อคำขอที่ 49.9 ms

OpenRouter ทดสอบว่า fp8 และ fp4 quantization ส่งผลต่อคุณภาพและราคาของ LLM อย่างไร

OpenRouter ได้รันงาน exact-answer 280 งานกับ six endpoints ของ Qwen3.8 27B เมื่อวันที่ 20 ตุลาคม 2026 และไม่พบความแตกต่างด้านความแม่นยำระหว่าง fp16, fp8 และ fp4 โดยทั้งหกได้คะแนนระหว่าง 98.3% ถึง 99.2% จาก 1,455 endpoints มี 59.5% ที่ไม่ระบุ precision เลย และ fp8 เป็นรูปแบบที่ติดป้ายมากที่สุดที่ 23.6% precision ที่ต่ำกว่ามีราคาถูกกว่าสำหรับโมเดลส่วนใหญ่แต่ไม่ใช่ทั้งหมด และการเลือกผู้ให้บริการส่งผลต่อราคามากกว่า precision โดย endpoint ที่มี precision เดียวกันและแพงที่สุดมีค่ามัธยฐานเป็น 1.72 เท่าของที่ถูกที่สุด

หัวหน้าสถาปนิก JioStar Vijay Seshadri ว่าด้วย AI Discovery ในระดับผู้ใช้ 500 ล้านคน

Vijay Seshadri หัวหน้าสถาปนิกของ JioStar แบ่งปันบทเรียนจากการดำเนินงาน AI discovery ในระดับผู้ใช้ 500 ล้านคน ครอบคลุมถึง evals, guardrails และการนำ AI ไปใช้ในระบบจริง บทความที่เผยแพร่โดย OpenAI นี้มุ่งเน้นแนวปฏิบัติเชิงปฏิบัติการเบื้องหลังการติดตั้งใช้งาน AI ขนาดใหญ่

inclusionAI เปิดตัวโมเดล ZoomGain-9B และ ZoomGain-4B พร้อม ZoomGainBench และข้อมูลฝึก RL

inclusionAI เปิดตัวเช็กพอยต์โมเดลวิชัน-ภาษา ZoomGain-9B และ ZoomGain-4B พร้อมกับเกณฑ์มาตรฐานการประเมิน ZoomGainBench และข้อมูลฝึก RL ของ ZoomGain โดย ZoomGain ขุดค้นช่องว่างการรับรู้จากภาพรวมสู่การซูมเพื่อสร้างการกำกับดูแลภาพแบบละเอียด และ ZoomGain-9B มีประสิทธิภาพเหนือกว่าในเกณฑ์มาตรฐานการรับรู้แบบละเอียดและแบบทั่วไปหลายรายการ ZoomGainBench มีคำถาม 1,000 ข้อจากภาพ 941 ภาพ ขณะที่ชุดข้อมูล RL มีบันทึกการฝึก 9,000 รายการและภาพต้นฉบับ 7,713 ภาพ

inclusionAI เปิดตัว SingVL S1 โมเดลตัดสินใจมัลติโมดัล 4B บน Qwen3.5

inclusionAI เปิดตัว SingVL S1 โมเดลตัดสินใจมัลติโมดัลขนาด 4B ที่สร้างบน Qwen3.5 ซึ่งตอบคำถามที่ระบุชื่อได้จากข้อความหรือ JSON และรูปภาพสูงสุดสี่รูปในการประมวลผลไปข้างหน้าหนึ่งครั้งของ Transformers รองรับคำถามแบบตัวเลือก แบบใช่/ไม่ใช่ (noul) และแบบให้คะแนน 2–10 ระดับ โดยได้คะแนน 73.94 บน Public Vision Index และ 69.76 บน Public Text Index โมเดลนี้มาพร้อมโค้ดอนุมานภาษา Python และเซิร์ฟเวอร์ HTTP แบบ FastAPI

NaiveAI 的 Naive-N0.5-Flash 声称每秒 2,100 个 token：它的编码能力如何？

Latent Space 测试了 NaiveAI 的开源权重模型 Naive-N0.5-Flash，这是一个源自小米 MiMo-V2.5 的编码模型，搭配 NaiveRT 推理引擎，并与 DeepSeek V4.1 Flash 1017 和 GLM 5.3 Flash 进行了对比。在作者的运行中，其峰值接近每秒 2,000 个 token，在思考密集型任务中持续约每秒 1,000 个 token，中位响应时间为 3.1 秒，而两个对比模型分别为 5.3 秒和 10.1 秒。在困难的 HLE 问题上，开启思考时平均完成约 108,500 个 token，约为 GLM 5.3 Flash 的九倍和 DeepSeek V4.1 Flash 1017 的 11 倍，作者指出每个难度级别的样本为 10 个问题，且未进行准确性评分。

Meta AI เปิดตัว Muse Ember โมเดลที่เล็กที่สุดและมีประสิทธิภาพที่สุด

Meta AI เปิดตัว Muse Ember ซึ่งอธิบายว่าเป็นโมเดลที่เล็กที่สุดและมีประสิทธิภาพที่สุด มุ่งเป้าไปที่การเรียกใช้เครื่องมือ งานย่อยด้านการเขียนโค้ด การกำหนดเส้นทาง การสกัดข้อมูล และการแยกวิเคราะห์เอกสารยาว สำหรับพรอมต์ที่สั้นกว่าคิดราคาที่ 0.10 ดอลลาร์ต่อล้านโทเค็นอินพุต และ 0.50 ดอลลาร์ต่อล้านโทเค็นเอาต์พุต เท่ากับ GPT-6 Luna และ Claude Haiku 5.5 ขณะที่อัตราสำหรับพรอมต์ยาวที่ 0.30 ดอลลาร์อินพุต และ 1.50 ดอลลาร์เอาต์พุตเมื่อเกิน 200k โทเค็น ทำให้อยู่ระหว่างทั้งสอง Simon Willison ตั้งข้อสังเกตว่าโมเดลนี้อยู่บนเส้น Pareto ของกราฟ Intelligence Index เทียบกับ Cost per Task ของ Artificial Analysis และระดับการให้เหตุผลทั้งหกระดับของมันสร้าง SVG รูปนกกระทุงที่มีคุณภาพเทียบเท่า Muse Wonder ในราคาสูงกว่า 40 เท่า

Anthropic เปิดตัว Claude Fable 5.2 และ Mythos 5.2 กลับมาครองอันดับหนึ่ง LLM ขณะเริ่มโรดโชว์ IPO

Anthropic เปิดตัว Claude Fable 5.2 และ Claude Mythos 5.2 ซึ่งขึ้นอันดับต้นในลีดเดอร์บอร์ดอิสระส่วนใหญ่ รวมถึง Artificial Analysis Intelligence Index v5 ที่ 65 และ SemiAnalysis GDPx ที่ 16.4% ราคาลดลง 20% เหลือ $8/$40 ต่อ 1M โทเคนอินพุต/เอาต์พุต แต่ SemiAnalysis รายงานว่าต้นทุนต่องาน GDPx เพิ่มจาก $67.16 เป็น $88.15 เพราะโมเดลเขียนกรณีทดสอบหลายร้อยถึงหลายพันกรณีและสร้าง subagent เพื่อตรวจงานของตัวเอง การประเมินหลายชุดแสดงให้เห็นว่าระดับความพยายามสูงสุด (max effort) ให้ผลด้อยกว่าระดับ high และ Fable ถูกจำกัดที่ 50% ของขีดจำกัดการสมัครสมาชิกรายสัปดาห์

OpenRouter ทดสอบโมเดลวิชัน 15 ตัวและ Mistral OCR กับเอกสารสแกน

OpenRouter ทดสอบโมเดลวิชัน 15 ตัว, Mistral OCR และ Tesseract กับภาพสแกนคุณภาพต่ำที่สร้างขึ้นเองแปดภาพ และ Claude Opus 5.5 แม่นยำที่สุดโดยได้ค่าสำคัญ 262 จาก 264 ค่าถูกต้อง ในราคา $16.42 ต่อ 1,000 หน้า ขณะที่ Mistral OCR คุ้มค่าที่สุดด้วย 258 จาก 264 ในราคา $2.02 บนใบเสร็จที่จางลง GPT-6 Luna และ GPT-6.1 Sol สร้างตัวเลขบัตร ชื่อเซิร์ฟเวอร์ และรหัส wifi ขึ้นมาเอง ซึ่งเป็นข้อผิดพลาดที่อัตราความผิดพลาดระดับตัวอักษรไม่เผยให้เห็น โพสต์นี้มีโค้ดสำหรับถอดความภาพสแกน ปิดการให้เหตุผล ตรวจสอบไขว้ระหว่างสองโมเดลจากห้องแล็บต่างกัน และรัน Mistral OCR ผ่านปลั๊กอิน file-parser

งานวิจัยของ Apple ประเมิน LLM judges สำหรับการประเมินสไตล์การเขียนแบบเฉพาะบุคคล

นักวิจัยของ Apple ทดสอบว่า LLM judges ประเมินได้ดีเพียงใดว่าข้อความที่สร้างขึ้นตรงกับสไตล์การเขียนที่ผู้ใช้ชื่นชอบหรือไม่ โดยสร้างข้อความด้วย LLM สี่ตัวในงานเขียนยาวสามประเภท และเปรียบเทียบคำannotations ของ judge กับป้ายกำกับแบบ pairwise จากมนุษย์ คุณภาพของ judge มีความสัมพันธ์เพียงเล็กน้อยกับความสามารถทั่วไปของ LLM บน MMLU (Pearson's ρ ≤ 0.2) และแปรผันตามประเภทงานเขียนและเกณฑ์การประเมิน และการเปรียบเทียบแบบจับคู่ให้ผลที่สอดคล้องมากกว่าการให้คะแนนแบบอิสระ LLM ที่แข็งแกร่งที่สุดไม่ได้จำลองการประเมินของมนุษย์ได้น่าเชื่อถือที่สุดเสมอไป ซึ่งอาจเป็นเพราะความไวที่เกินจริงต่อรายละเอียดเล็กๆ น้อยๆ

Ethan Mollick ทดสอบ Claude Fable 5.2 ในด้านการเขียนโค้ด ธุรกิจ และการวิจัย เรียกได้ว่าเกือบเป็น AGI

2 ในงานที่ครอบคลุมการแฮ็กฮาร์ดแวร์ การวางแผนธุรกิจ การสร้างหลักสูตรมนุษยศาสตร์ การวิจัยทางวิชาการ และโปรเจกต์พอร์ทัล 3D ที่มี 450 โลก และตัดสินว่าเกือบเป็น AGI ภายใต้คำจำกัดความของเขาที่ว่าต้องเทียบเท่าผู้เชี่ยวชาญของมนุษย์ส่วนใหญ่ในงานทางปัญญาบนคอมพิวเตอร์ส่วนใหญ่

สิ่งที่ Frontier Labs ซื้อ: เจาะลึกข้อมูลกับ Garrett Lord และทีมจาก Handshake AI

ธุรกิจฝึก AI ของ Handshake เติบโตจากการเปิดตัวสู่รายได้รวมต่อปีแบบ annualized 1 พันล้านดอลลาร์ภายในเวลาประมาณหนึ่งปี และการเจาะลึกของ Latent Space กับ Garrett Lord และทีมของเขาครั้งนี้พาไปดูสภาพแวดล้อม reinforcement learning ที่ frontier labs ซื้อ ในเดโมด้านการเงิน เอเจนต์ที่ทำงานกับอีเมลและไฟล์ดีลของธนาคารจำลองนำตัวเลข goodwill ไปใส่ใน Python แล้วลบออก ซึ่งเป็นความผิดพลาดที่แสดงให้เห็นว่าการตัดสินใจของผู้เชี่ยวชาญยังเหนือกว่าโมเดลตรงจุดใด ทีมยังนำเสนอ VIALS ซึ่งเป็น benchmark สำหรับตีความภาพวิทยาศาสตร์ และติดตามการเรียกเครื่องมือของเอเจนต์ผ่านการจำลองด้านความปลอดภัย รวมถึง CAREBench

Google DeepMind และ Artificial Analysis เปิดตัว MKA benchmark สำหรับงานความรู้แบบเอเจนต์บนไฟล์ภาพที่ซับซ้อน

Google DeepMind ร่วมมือกับ Artificial Analysis เปิดตัว Multimodal Knowledge Agent (MKA) benchmark ซึ่งมอบหมายให้เอเจนต์ตรวจทานไฟล์โปรเจกต์ภาพที่มีข้อมูลหนาแน่น เช่น แบบสถาปัตยกรรม แผนผังวิศวกรรม และภาพสแกนทางคลินิก เพื่อสร้างสไลด์ สเปรดชีต PDF เอกสาร Word และภาพที่ทำเครื่องหมายแล้ว

รีวิว: การเขียนโค้ดของ Gemini 4 Carbon เร็วกว่าการตัดสินใจของมัน

รีวิวแบบลงมือใช้จริงของ Every พบว่า Gemini 4 Carbon ซึ่งเปิดตัววันนี้โดย Google DeepMind เป็นนักเขียนโค้ดที่แข็งแกร่งกว่า Gemini 4 Argon มาก และสามารถสร้างวัตถุ 3D ได้ดีขึ้นและทำงานได้หลายชั่วโมงโดยมีการกำกับดูแลเพียงเล็กน้อย ผู้ทดสอบมีความเห็นไม่ตรงกันว่าต้องมีการกำกับดูแลมากน้อยเพียงใด และรีวิวระบุว่า Fable 5.2 ของ Anthropic ซึ่งเปิดตัวเมื่อวันก่อน ได้ยกระดับความคาดหวังว่าเอเจนต์ระดับเรือธงจะต้องเลือกงานที่เหมาะสม เคารพขีดจำกัด และรู้ว่าเมื่อใดงานเสร็จ Google ให้สิทธิ์เข้าถึงแก่ Every ก่อนและไม่มีส่วนร่วมใด ๆ ต่อรีวิวนี้

เครื่องมือสร้างไอคอน AI ที่ดีที่สุดในปี 2026: เปรียบเทียบ 7 เครื่องมือ

Recraft ได้รับการยกให้เป็นเครื่องมือสร้างไอคอน AI ที่ดีที่สุดในปี 2026 หลังการเปรียบเทียบเครื่องมือทั้งเจ็ดซึ่งให้คะแนนจากการทดสอบสไตล์ที่สม่ำเสมอด้วยไอคอนห้าไอคอนและการส่งออก SVG แบบเนทีฟ Recraft รักษาน้ำหนักเส้นและรัศมีมุมให้สม่ำเสมอตลอดทุก glyph และส่งออก SVG ที่แก้ไขได้ ขณะที่ Canva ผ่านเพียงบางส่วน ส่วน Adobe Firefly และ Midjourney ไม่ผ่านทั้งสองการตรวจสอบด้วยเอาต์พุตแบบแรสเตอร์

ตัวสร้างมีม AI ที่ดีที่สุดในปี 2026: เปรียบเทียบ 7 เครื่องมือ

เครื่องสร้างมีม AI เจ็ดตัว ได้แก่ Imgflip, Canva, Supermeme.ai, Recraft, Kapwing, ChatGPT และ Magic Hour ถูกทดสอบในด้านแพ็กเกจฟรี ลายน้ำ เทมเพลต การแสดงผลคำบรรยาย ขนาดไฟล์ส่งออก และ API โดยใช้โจทย์มีมเดียวกันสามข้อ การเปรียบเทียบพบว่าไม่มีผู้ชนะที่เหนือกว่าทุกด้าน: Imgflip ชนะด้านเทมเพลตคลาสสิก Supermeme.ai ชนะด้านการเปลี่ยนไอเดียเป็นคำบรรยาย Recraft และ ChatGPT ชนะด้านภาพต้นฉบับ Kapwing ชนะด้านวิดีโอและ GIF และ Canva ชนะเมื่อมีมต้องพอดีกับเลย์เอาต์