普林斯顿大学研究员的ICML主题演讲：还有什么工作会留给我们？
普林斯顿大学的一位研究员在ICML主题演讲中提出，除非出现递归自我改进这类不连续性，否则“AI作为常规技术”的框架依然成立，并且没有任何实验室的里程碑会突然消除所有工作岗位。该演讲敦促人们培养互补技能、能动性和判断力，而不是在技能变得无关紧要之前竞相积累财富。
#评测/基准
AI as Normal TechnologyAI 评分3434
Vapi BlogAI 评分5858 Vapi 拟人度指数：Grok TTS 得分 95，MiniMax Speech 2.5 得分 93，真人基准为 100
Vapi 的拟人度指数是一个盲测众包排行榜，听众从两个克隆语音中选出听起来更像真人的那个。在超过 11,000 次投票后，xAI 的 Grok TTS 得分为 95，MiniMax Speech 2.5 得分为 93，而真人录音的得分为 100。每场对比中，各模型都使用相同的克隆语音和脚本，真人录音也被纳入对比集合，因此 95 分意味着在同一段引文上，听众选择 Grok TTS 的比例几乎与选择真人录音的比例相同。Vapi 认为，自然度已不再是语音智能体的瓶颈，因为来电者体验到的是声音本身，而非其背后的推理能力。
One Useful ThingAI 评分6060 Ethan Mollick 谈聊天机器人的黄昏与智能体主导工作的兴起
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 的基准测试结果，这些结果正以快于指数的速度上升；他还提到 Epoch 的一项发现：Opus 4.7 独自工作了 14 小时，构建出一个估计需要 2 至 17 周人类工程量的软件包，token 成本为 251 美元。OpenAI 与学术经济学家的一项研究发现，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与程序员几乎相同；一项 Claude Code 研究发现，预测成功的是领域专业知识，而非职业。
FactoryAI 评分5858 Factory 对 13 个模型进行代码审查基准测试，发现 GPT-5.2 最佳、MiniMax M2.7 最便宜
Factory 构建了一个开源基准测试，用来自 Sentry、Grafana、Keycloak、Discourse 和 Cal.com 的 50 个真实拉取请求测试 13 个模型，每个模型在高推理强度下对每个 PR 至少审查三次，并由 LLM 评审员根据人工整理的金标准集对发现进行评分。GPT-5.2 以 60.5% 的 F1 领先，每个 PR 成本 1.25 美元，领先于 Claude Opus 4.6 的 59.8% F1 和每个 PR 3.11 美元，而 MiniMax M2.7 以每个 PR 0.15 美元达到 45.6% F1，Kimi K2.5 以 0.41 美元达到 51.9% F1。Factory 表示成本仅解释约 21% 的质量差异，并开源了金标准集、评估脚本以及支持全部 13 个模型的 Droid Action GitHub Action。
FactoryAI 评分5858 Factory 推出 Agent Readiness，用于评估代码库对 AI 编码智能体的支持程度
Factory 推出了 Agent Readiness，它从八个技术支柱和五个成熟度等级评估代码库对自主开发的支持程度，可通过 Droid 中的 /readiness-report、组织仪表盘或 API 运行。每项标准均为二值判定，只有当某一等级 80% 的标准以及所有先前等级全部通过时，该等级才会解锁；将每次评估建立在仓库此前的报告之上，使 9 个基准仓库在六周内的评分方差从平均 7% 降至 0.6%。报告可触发一个智能体，由其发起拉取请求来修复未通过的标准，例如缺少 AGENTS.md、linter 配置或 pre-commit 钩子。
Modal BlogAI 评分4040 Modal 如何利用评估和推理时计算扩展生成可扫描的 QArt 码
Modal 利用评估和推理时计算扩展来改进其 QArt 码系统，将二维码扫描率提升至其 95% 的服务水平目标，同时改善美学质量，并在 p95 下于 20 秒内返回二维码。这项工作遵循标准的机器学习流程：收集人类判断、与之对齐，然后扩展，解决了“在我的提示上有效”的差距，该差距导致许多生成的二维码无法扫描。
Vapi BlogAI 评分2222 Claude 与 ChatGPT：完整对比指南
从对话质量、上下文记忆、速度、功能、创意写作、研究、定价和界面等方面对 Claude 和 ChatGPT 进行了比较。Claude 为 Pro 用户处理高达 200,000+ tokens，擅长创意写作和细腻对话；ChatGPT 支持 128,000 tokens，响应时间为 2-3 秒，而 Claude 为 5-10 秒，并提供图像生成和 Custom GPTs。两个 Pro 档位均为每月 20 美元，Claude Max 为 100-200 美元，ChatGPT Pro 为 200 美元。
Vapi BlogAI 评分2222 GPT-4.1 与 Claude 3.7 Sonnet：哪个 AI 能提供更好的语音代理？
Vapi 比较了 GPT-4.1 和 Claude 3.7 Sonnet 作为语音代理背后的 LLM，权衡了对话质量、上下文处理、推理透明度、平台集成和成本。GPT-4.1 提供 1,000,000 token 上下文窗口和 32,768 token 输出，并享有 75% 缓存折扣，而 Claude 3.7 提供 200,000 token 上下文和 128,000 token 输出。两款模型均可在 Vapi 的语音代理平台上选择。
Vapi BlogAI 评分1515 最佳 Speechify 替代品：5 款 TTS 工具对比
对五款 Speechify 替代品的对比显示：NaturalReader 因跨设备使用和应用集成而胜出，每年 119 美元；Voice Dream Reader 因 iPhone 语音控制而胜出，一次性价格 14.99 美元；Murf AI 因专业语音而胜出，每月约 19 美元起。ReadSpeaker 专注于跨 45 种语言朗读网页，每月 4.90 美元起；Balabolka 则是仅限 Windows 的免费选项。
Modal Blog精选AI 评分6262 Modal 复现 Large Language Monkeys：LLaMA 3.1 8B 通过搜索在 HumanEval 上媲美 GPT-4o
Modal 的 Charles Frye 在新数据集上复现了 Large Language Monkeys 论文的核心主张，表明重复采样使 LLaMA 3.1 8B 在 HumanEval 上从 66.4% pass@1 提升至 90.5% pass@100 和 95.1% pass@1000，而 GPT-4o 报告的 pass@1 为 90.2%。运行使用 Modal 无服务器 GPU 上的 vLLM 和 Modal Sandboxes 进行并行测试执行，成本远低于 50 美元，并在三个数量级上展现出平滑、可预测的扩展。
推荐理由：一次亲手复现表明，使用小型开源模型进行重复采样可以在 HumanEval 上接近 GPT-4o，提供了一种具体、低成本的计算换准确率方案。