LOG
021
021
工具调用成功之后，还要检查代理有没有把事情办对
从既有τ-bench方法看代理验收：接口执行、最终状态和重复可靠性，需要分别记录。
把每一次试验，做成下一次工作的起点。
面向开发者的 AI 工程记录：从工作流到评测，从工具调用到故障复盘。所有条目都可被编辑和补充。
LOG
022
022
长上下文不等于读懂全部，知识库评测要移动证据的位置
重读Lost in the Middle：容量与使用能力并非同一指标。知识库可以通过证据位置变化检验回答是否稳定。
LOG
023
023
排序质量提升，代理检索的时间成本也在上升
一项新预印本发现，加入推理循环能够改善复杂检索，但查询延迟和词元消耗明显增加。企业知识库需要把检索质量与等待时间共同纳入评估。
LOG
024
024
TasteVal评测科研判断，AI怎样挑选下一次实验
TasteVal尝试用有限算力下的实验效率衡量AI研究判断。预印本结果值得关注，但题目选择、人类基线和保密任务仍限制了结论的外推。
LOG
025
025
谷歌发布多模态嵌入模型，端侧检索迎来新工具
EmbeddingGemma 2将文本、图像、视频和音频映射到统一向量空间，面向本地搜索与检索增强生成。模型卡披露了能力，也提示语言表现和下游风险需自行评估。
LOG
026
026
OpenAI公开数学模型成果，形式化证明让讨论更可检验
OpenAI发布由内部模型产生的一批数学结果，同时分享Lean形式化证明与推理摘要。透明度有所增加，但成果的重要性仍需要数学界独立审查。
LOG
027
027
GPT-Rosalind开始计费，生命科学研究模型如何衡量成本与价值
OpenAI为GPT-Rosalind公布的API价格于今日生效，但访问仍限于通过可信访问审核的机构。科研团队需要把token费用、专家复核和实验成本放在同一张账上。
LOG
028
028
Claude发现疑似新酶系统，科研价值仍待功能验证
Anthropic称Claude帮助研究者从大量基因数据中找到一种与CRISPR重复序列相似的候选系统。它目前还没有已知功能，AI的价值更应看检索和提出假设，而非提前宣布医学突破。
LOG
029
029
Ai2开源科研报告模型，速度之外更要守住证据边界
Ai2发布开放权重的科研报告模型AstaBrief，并称其能更快生成带引文的综述。值得关注的不只是速度，还包括引用是否真正支撑结论，以及评测是否仍反映今天的前沿。
LOG
030
030
摩洛哥与Mistral推进达里贾语音工具，本地语言模型如何落地
摩洛哥数字转型部门与Mistral公布面向达里贾方言的语音识别和方言分类模型。多语混说只是第一步，数据覆盖、评测和公共服务适配同样重要。