● Max Agency 播客发布：深入探讨生产环境中的 AI Agent

📌 一句话摘要 Harrison Chase 推出新播客《Max Agency》，专注于生产环境中 AI Agent 的技术架构、权衡与评估。 📝 详细摘要 Harrison Chase 介绍了一档名为《Max Agency》的新播客，邀请工程领袖讨论构建生产级 AI Agent。首期嘉宾是来自

● Better Harness：利用评估进行爬山算法优化的 Harness 构建秘诀

📌 一句话摘要 LangChain 推出了 Better-Harness，这是一个复合系统，它将评估作为学习信号，通过迭代爬山算法和泛化性检查来自主优化智能体 Harness。 📝 详细摘要 Better-Harness 是一个旨在通过将评估（evals）视为“Harness 工程”训练数据来提

● LMArena 推出“Battles in Direct”评估模式

📌 一句话摘要 LMArena 推出“Battles in Direct”模式，这是一种新的评估模式，允许用户在直接聊天中匿名引入第二个模型进行对比。 📝 详细摘要 LMArena 发布了名为“Battles in Direct”的新评估模式。该功能允许用户在直接聊天过程中匿名对比不同模型。通过

● OpenRouter 为 DesignArena 新增基准测试可视化功能

📌 一句话摘要 OpenRouter 集成了来自 DesignArena 的全新基准测试可视化功能，涵盖 3D 生成、网站构建及 SVG 任务。 📝 详细摘要 OpenRouter 宣布新增由 DesignArena 提供的基准测试可视化功能。用户现在可以查看 3D 生成、网站构建和 SVG 任

● 开源模型已跨越临界点

📌 一句话摘要 像 GLM-5 和 MiniMax M2.7 这样的开源模型在核心智能体任务中已达到与闭源前沿模型相当的性能，同时在成本和延迟方面具有显著优势。 📝 详细摘要 LangChain 使用 Deep Agents 测试框架进行的最新评估表明，开源权重模型（特别是 GLM-5 和 Mi

● 2026 年的 LLMOps：每个团队必备的 10 款工具

📌 一句话摘要 一份精选指南，介绍了现代 LLMOps 技术栈中 10 款必备工具，涵盖编排、可观测性、评估和部署，旨在帮助团队构建生产就绪的 AI 系统。 📝 详细摘要 本文概述了 LLMOps 不断演进的格局，强调现代开发不仅仅是选择模型。文中介绍了 10 款关键工具——包括 Pydanti

● Pangram（AI 检测软件）可以被规避 — LessWrong

📌 一句话摘要 本文探讨了 AI 检测工具 Pangram 的鲁棒性，证明了通过迭代提示词技术可以成功规避该工具，并指出其在处理较短文本片段时表现出不可靠性。 📝 详细摘要 作者测试了 AI 检测工具 Pangram，以确定它是否能可靠地区分人类创作和 AI 生成的文本。通过实证测试，作者发现了

● 定义 AI 推理中的“大模型味儿”

📌 一句话摘要 LMArena 提出了“大模型味儿”这一概念，这是一种用于识别 AI 模型是否具备真正推理能力的定性直觉。 📝 详细摘要 这条推文探讨了 AI 评估的定性维度，提出了“大模型味儿”这一指标，用于识别模型真正的推理能力，而非仅仅依赖参数量或基准测试分数。它强调了模式匹配与实际推理之

● 我们如何为深度智能体构建评估体系

📌 一句话摘要 本文详细介绍了 LangChain 构建针对性智能体评估的方法论，不仅关注简单的正确性，还通过步数比率和理想轨迹等指标来衡量效率。 📝 详细摘要 LangChain 介绍了其用于评估“深度智能体”（Deep Agents）的内部框架，强调评估（evals）不仅仅是测试，更是主动塑

● 语音智能体评估新框架 (EVA)

📌 一句话摘要 EVA 是一个开源的端到端语音智能体评估框架，它通过机器人对机器人的架构和专用数据集，联合评估任务准确性和对话体验。 📝 详细摘要 本文介绍了由 ServiceNow AI 开发的综合性框架 EVA (Evaluation of Voice Agents)，旨在解决对话式语音 A

● LMArena CEO 探讨投票预测中的缩放定律

📌 一句话摘要 LMArena CEO Anastasios Nikolas Angelopoulos 探讨了基于提示词级数据进行投票预测背后的缩放定律。 📝 详细摘要 这段视频中，LMArena 联合创始人兼 CEO Anastasios Nikolas Angelopoulos 解释了 Ch

● 通过部署资源衡量并提升代码审计的真实性 — LessWrong

📌 一句话摘要 本研究引入了“真实性胜率”（realism win rate）这一指标，用于量化 AI 审计记录与真实部署数据之间的可区分度，并证明了让审计智能体基于真实的部署资源进行操作，可以显著提升审计的真实性。 📝 详细摘要 本文探讨了 AI 审计中“评估意识”（eval-awarenes

● Scale AI 推出 Voice Showdown，首个语音 AI 真实世界基准测试——部分顶级模型结果令人警醒

📌 一句话摘要 Scale AI 推出 Voice Showdown，首个基于真实世界人类偏好的语音 AI 基准测试，揭示了传统合成基准测试无法发现的能力差距，包括多语言鲁棒性问题、语音选择影响以及对话退化模式。 📝 详细摘要 Scale AI 推出了 Voice Showdown，这是一个开创

● “BS Bench”发布：测试 AI 在面对荒谬问题时的幻觉表现

📌 一句话摘要 一项名为“BS Bench”的新基准测试对 80 个 AI 模型进行了评估，旨在看它们是能识别荒谬问题，还是会自信地编造虚假答案。 📝 详细摘要 这条推文介绍了由 Peter Gostev 创建的“BS Bench”基准测试，该测试衡量了 80 种不同的 AI 模型如何处理荒谬或

● GStack 将推出完整的 LLM 评估系统

📌 一句话摘要 Garry Tan 宣布 GStack 即将推出评估系统，强调 LLM 评估对于构建可靠的 AI 智能体至关重要。 📝 详细摘要 Y Combinator 首席执行官 Garry Tan 宣布，GStack 即将集成一套全面的评估系统。他强调，LLM 评估是开发智能体系统的基础方

● Cursor 发布 CursorBench：重塑 Coding Agents 评估标准

📌 一句话摘要 Cursor 推出全新的评估体系 CursorBench，旨在解决传统基准测试在对齐性、评分僵化和数据污染方面的缺陷。 📝 详细摘要 推文详细介绍了 CursorBench 的发布背景及其核心优势。作者指出传统基准测试（如 SWE-bench）已无法区分前沿模型的能力差异，且存在

● 基础设施噪声对智能体编程评估的影响

📌 一句话摘要 Thariq 重点介绍了 Anthropic 工程团队的一项研究，揭示了基础设施配置如何导致智能体编程基准测试产生显著波动。 📝 详细摘要 这条推文关注了 Anthropic 工程团队发布的一篇关于 AI 编程基准测试可靠性的重要技术文章。文章解释了“基础设施噪声”（即运行智能体