分类： AI 资讯

BedBench 测试：视觉语言模型数积木颜色仅 7.2%，人类 93.3%

alphaXiv 收录的一篇论文提出 BedBench 基准，测试视觉语言模型对 3D 物体的精确推理。在“每种颜色有多少块积木”这项任务上，最好的模型准确率只有 7.2%，人类为 93.3%，暴露出模型“看得出、数不对、用不匀”的能力断层。

alphaXiv 收录的论文 RFW-A 提出用智能体编写“类别级生成器”，而非逐件生成铰接资产，从而在 500 多个类别中产出超过 40 万个仿真可用资产，并把单件资产成本从 1.24 美元压到 0.05 美元左右。

TechRadar 2026年11月报道，大模型单靠扩大参数带来的性能提升正在递减，开发者转向多 Agent 协作处理工作流，但多 Agent 编排自身又出现成本、延迟和可靠性的瓶颈。

Snowflake推出新能力，可按质量、速度和成本自动为任务选择模型，并强调企业AI正从“追求最强模型”转向“为每个任务匹配合适模型”。这关系到企业如何控制AI开支并衡量投入回报。

英国竞争与市场管理局（CMA）对Meta面向出版商和广告商的商业条款展开调查，核心争议是这些条款可能允许Meta未经明确选择就将企业网站内容用于AI功能，挪威法院已临时禁止Meta执行类似条款。

Android Police 作者 Akshay Bhalla 发现 Netflix 的推荐算法越来越偏重热度和完播率，反而导致选择困难——他用 Gemini 的自定义提示词和记忆功能，搭建出一套更贴合个人作息和口味的观影推荐流程。

开发者老刘从短剧App的倍速显示Bug出发，指出命令式UI框架容易漏掉状态同步，而响应式框架将状态更新变成唯一路径，能同时减少人类和AI写代码时的遗漏。这类约束在AI编程普及后价值更明显。

2026年10月，谷歌发布可实时交互的世界模型Genie 4，OpenAI推出成本减半的GPT-6.1 Terra，月之暗面开源2.8万亿参数模型Kimi K3.1 Pro，AI竞争从“会说话”转向“会干活”。

Wired 报道显示，徒步者借助 Gemini、Claude 等聊天机器人生成路线与营地建议，却因错误信息陷入险境，AI 旅游规划的安全边界再次引发讨论。

OpenAI 计划从 12 月起把 ChatGPT 与 Codex 的用量合并为共享的 token 额度，并将 Work 的智能体能力融入主界面，这意味着重度用户可能不再享有无限提示词的固定包月体验。