VisSearch-Bench 发布：16 个多模态模型最强仅解 26.47% 视觉搜索任务
Hugging Face Papers 收录的 VisSearch-Bench 用 204 道人工编写任务测试多模态智能体的长程视觉搜索能力，16 个模型中最好成绩也只完整完成 26.47%，说明“看得懂图”与“把图文证据串成完整答案”之间仍有明显差距。
标签： 大模型
arXiv提出DelegateEval：用八个维度评估“个人对外服务智能体”平台
arXiv 上一篇新论文提出 DelegateEval，试图用八个维度衡量一个平台能否让个人把自己的知识经验交给 AI 智能体，长期替自己承接外部客户的服务。它目前是一套评估框架和实验设计，不是已上线产品。
微软要求调整网络设备，IREN德州97亿美元AI数据中心项目延期
英伟达支持的云服务商 IREN 称，微软要求在德州 Childress 数据中心项目里调整网络设备，导致这座承载 97 亿美元合同的大型 AI 数据中心交付延期，公司年化营收目标也从年底推迟到明年初。这类“新云”厂商的工程进度，正成为 AI 算力供给的实际瓶颈之一。
Airbnb 披露可投资并授权 CEO 隐身 AI 实验室技术
Airbnb 在申报文件中披露，它拥有投资 CEO Brian Chesky 个人隐身 AI 实验室、并授权该实验室技术的选择权；该实验室目前由 Chesky 自筹资金。这值得关注，因为一家上市公司的 CEO 正在公司体系之外做 AI 探索，而公司与该实验室之间存在正式的技术授权通道。
用大模型当裁判也会漂移，arXiv论文提出PromptOps迭代维护框架
arXiv 于 2026 年 11 月 6 日发布的一篇新论文提出 PromptOps 闭环框架，用于持续监控和迭代校准“大模型当裁判”（LLM-as-a-Judge）系统，应对模型评分随用户交互和分数分布变化而偏离人工评测政策的问题。
AI逆向解析人机推理规则：新方法揭示双方都倾向过度简化
arXiv 2026年11月6日发布的一篇新论文提出 Behavior-Conditioned Symbolic Synthesis（BCSS）方法，用AI自动搜索可解释的符号程序来复现人类和机器在数百道推理题上的行为，发现两者都倾向过度简化规则。这为理解黑盒大模型提供了新的对比工具，但尚属研究阶段，未形成可…
arXiv论文：跨模型验证Dafny代码，同模型一致性仅59.3%
arXiv 上线的一篇新论文提出让“规格模型”和“实现模型”分工把临床试验标准翻译成 Dafny 形式化代码，发现验证通过并不等于两个智能体真正独立达成一致，同模型对照的一致性也只有 59.3%。
arXiv论文对比达尔文、拉马克与智能体自演化：搜索越快，越可能偏航
arXiv 2026年11月6日发布的一篇理论论文，用达尔文式、拉马克式和智能体自主定向三种演化框架，比较 AI 在环境变化后的适应速度，并指出自主搜索并不能保证优化目标正确。
京东物流“超脑”3.0发布：五大模型打通仓储到配送，亿级包裹路径规划进入秒级
京东物流发布“超脑”大模型3.0，号称物流行业首个从仓储到配送全程由 AI 指挥的工业级应用集成体，亿级包裹端到端最优路径求解从分钟级压缩到秒级。
arXiv论文：AI智能体证明形式化时偏好与人类系统性分歧
一篇 arXiv 新论文用“模拟协作”方法对比 AI 智能体与人类在 Lean 中构建数学证明的偏好差异，发现 AI 更追逐显式标记的缺口、回避密集型证明核心和复杂目标，值得关注的是人机数学协作该怎样设计。