GulliBench：衡量前沿模型的怀疑精神
Vetto Research 发布名为 GulliBench 的评测集，用 150 个刻意设置“表面数据在说谎”的简单任务，检验大模型是会盲目采信现成字段，还是愿意多一步验证。它提示：模型变聪明和变得可信，是两回事。
标签： 人工智能
我测试了一款热门的 AI 垃圾检测器。它让我感到充满力量。
纽约时报记者实测了一款热门的AI垃圾检测器，并用“
Sources: Demis Hassabis pitched a new independent industry AI safety entity, modeled on the IAEA, to top Trump officials before stepping down as DeepMind CEO (Wall Street Journal)
DeepMind CEO 哈萨比斯在离任前，曾向特朗普政府高层提议成立一个模仿国际原子能机构（IAEA）的独立行业 AI 安全实体。这个想法如果落地，可能改变大模型发布审核、开源策略和跨国 AI 监管的方式。
AI交易在财报季“终极大Boss”到来前获得提振
CoreWeave、Nebius 等 AI 基础设施公司发布超预期财报，显示出算力需求依然坚挺，暂时打消了市场对“AI 资本开支见顶”的担忧。这为重仓 AI 交易的投资者争取到了一个观察窗口：即将发布的英伟达财报将成为下一块试金石。
Claude Cowork 即将登陆你的 Chrome 浏览器，我现在可能终于要用它了
Anthropic 将 Claude 的 Chrome 扩展升级为 Claude Cowork，让 AI 能以侧边栏形式直接操作浏览器内的各类工作系统。这不是简单加个按钮，而是把浏览器变成了 AI 执行跨平台多步骤任务的统一入口。
DeepSeek launches V4-Pro, its most advanced model that rivals Kimi K3 on some benchmarks at much lower prices, costing $0.44/1M input and $0.87/1M output tokens (Juro Osawa/The Information)
DeepSeek 于 2026 年 8 月发布最新模型 V4-Pro，在部分基准测试中与 Kimi K3 相当，但 API 定价显著更低：输入每百万 tokens 收费 0.44 美元，输出每百万 tokens 收费 0.87 美元。这是 DeepSeek 针对性价比区间的一次关键卡位。
holaboss-ai / holaOS
开源项目 holaOS 发布了一个本地优先的 AI 代理工作区，让 Claude Code、Codex 等不同代理共用同一套记忆、工具和应用界面，并提供内置前沿模型或自带 API 密钥两种模型接入方式。这个项目把“代理碎片化”问题直接摆到了台面上：多代理协作能否成为下一个 AI 工作流常态。
Qencode MCP
Qencode 将其视频编码 API 通过 MCP（Model Context Protocol）协议对外开放，这意味着 AI 模型和智能体可以直接调用视频转码、压缩与处理能力，视频处理正从“人工调用接口”进入“AI 自动调度”的早期阶段。
顶级AI实验室研究者曾警告自动化AI研究，他们预测的多个里程碑已经应验。
一项覆盖25位顶级AI实验室研究者的访谈显示，自动化AI研究（递归自我改进）的多个预测里程碑已经应验，而最强模型可能不再作为公开产品发布。
bug: Scores page fails on ClickHouse 26.6 with FINAL LEFT JOIN query
该报错通常发生在自托管 Langfuse 搭配 ClickHouse 26.x 时，Scores 页面因查询优化器对 FINAL LEFT JOIN 查询的错误改写而卡在加载骨架。优先排查 ClickHouse 查询优化器设置，以及 Langfuse 容器是否启用了 CLICKHOUSE_DISAB