Kimi K3.1 预热视频流出，疑似以匿名模型 Kibitz 现身 Arena
月之暗面发布24秒预热视频，画面中模型栏出现 Kimi K3.1，而 Arena 上匿名模型 Kibitz 被 Tokenizer 测试证实具有 Kimi 模型家族特征，疑似就是 K3.1。
#评测/基准
钛媒体AI 评分4343 少数派AI 评分4141 TDS 评测｜OPPO Enco X4 降噪真无线耳机体验
TDS Studio 首发购入 OPPO Enco X4 降噪真无线耳机并进行体验评测。它采用同轴 11mm + 6mm 双动圈与双 DAC 分频，支持 LHDC 5.0、IP55 防尘防水和 39ms 低延迟游戏模式，实测单耳 AAC 续航 14 小时 39 分钟。
量子位AI 评分4040 蚂蚁数科发布决策模型 LingDT-Decision-1.0，准确率超过微软和 Jev 等决策模型
蚂蚁数科于10月22日发布决策模型 LingDT-Decision-1.0，提供4B和27B两个版本，已在 DTMaaS 平台上线，开发者可限时免费体验。相比大语言模型，该模型在客服、风控、金融等场景将 Token 消耗降低超90%，响应时效提升10倍。
人人都是产品经理AI 评分4747 实测Nano Banana 2.1：10个电商场景正面PK GPT-image2.5
谷歌上线Nano Banana 2.1与Gemini 4 Argon后，作者用保湿精华同一套提示词在卖点信息图、平铺场景图、规格说明图、Before/After对比图、UGC人物图、A+包装图、促销广告图等电商场景对比Nano Banana 2.1与GPT-image2.5。
人人都是产品经理精选AI 评分7373 MiniMax M3.1 Flash 发布：成本降七成，作者实测开发小游戏
MiniMax 发布 M3.1 Flash，输入每百万 Token 1 元、输出 4 元，缓存读取 0.1 元，全天统一价。官方数据显示其 AA 智能指数从 M3 的 29 分升至 43 分，单次基准任务平均费用从 0.51 美元降至 0.22 美元；在 ALE 得 29.6 分、OSWorld V2 得 67.1 分，均为国产模型第一。
推荐理由：作者用一款小游戏从零开发的全过程实测 M3.1 Flash，并给出 ALE、OSWorld 等 Agent 评测与成本对比，可据此判断它在长链路任务中的实际完成度。
雷锋网精选AI 评分7474 MiniMax M3.1 Flash 发布并拿下 Agent 任务第一，实测对比 DeepSeek V4.1 Flash
MiniMax 于 10 月 19 日正式发布 M3.1 Flash，并认领此前匿名模型 Space Bunny，在 Automation-Bench 复杂 Agent 任务对比中位列第一，BankerToolBench 以 76.2% 与 Opus 5 并列第一。
推荐理由：作者用同一道 3D 校园任务实测两款国产 Flash，给出耗时与费用对比，可据此判断 Agent 场景下的选型取舍。
OpenAI NewsAI 评分3838 Terminal X 借助 GPT-6.1 以 88.6% 匹配资深投资人判断
Terminal X 的 Eval Agent 借助 GPT-6.1 Sol，对基金投资要求的偏离识别量提升 25%，与资深投资人判断的匹配度达 88.6%。该 Agent 依据 54 项标准评分体系对输出进行打分。
品玩AI 评分3838 网易云音乐自研模型智慧耳CloudEar获MIREX2026音乐评价赛道冠军
网易云音乐自研音乐评价模型智慧耳CloudEar在MIREX2026“Music Evaluation via CMI-RewardBench”赛道以73.9%准确率夺冠，创下该赛道世界最高纪录。其成绩超过官方基线CMI-RM Baseline（65.9%）8个百分点，并战胜开源基线SongEval（72.7%）。该模型已应用于网易云音乐产品，用于AI音乐质量把控、内容分发及生成模型优化。
品玩AI 评分3636 讯飞医疗升级星火医疗大模型V3.7，MedBench5.0评测居首
10月22日，讯飞医疗完成星火医疗大模型V3.7升级，多模态能力覆盖语音、影像、语义三大方向。诊疗助理病历书写端到端生成合理率提升至85%，讯飞晓医新增中医多模态问诊、健康档案动态记忆管理与个性化健康方案生成。该模型在MedBench5.0中以99.6分位列第一，背后依托每天171万次医生端AI辅助与52万人次患者端AI服务的数据积累。
甲子光年AI 评分4949 Aether AI 发布首个因果世界模型 CausalWM，以 66.04 分登顶 TriWorldBench
Aether AI 发布首个因果世界模型 CausalWM，为 16B 模型，以 66.04 分登顶 TriWorldBench 榜单（36 个模型），领先第二名 dream4act 的 65.66 分。
甲子光年AI 评分5858 深度机智发布物理基座模型 PhysBrain 1.5，8B 版 72.5 分居开源第一并开放权重
深度机智发布物理基座模型 PhysBrain 1.5，以 Qwen3-VL-8B-Instruct 为基座，用动作 token 与视觉状态 token 在单一自回归主干下统一训练具身理解、动作生成与未来状态预测。
WiredAI 评分2222 2026 年五款最佳 AI 笔记工具实测与评测
Wired 实测评测了 2026 年多款 AI 笔记硬件，并列出五款最佳产品。Plaud NotePin S 售价 $179、重 18 克，但仅含 300 分钟转写，订阅每年 $100 起；Vocci Ring 售价 $299、仅 3.5 克，每月免费 300 分钟，转写快且摘要简洁。
TechCrunchAI 评分3232 Hugging Face 政策负责人：嵌入式 AI 评估器并非易事
Hugging Face 首席政策官 Irene Solaiman 在 TechCrunch Disrupt 上表示，嵌入式 AI 评估器并非易事，评估结果的可复现性仍是关键问题，开放权重对此至关重要。她指出评估科学仍在演进，不同评估之间难以有效比较，且失效较快。她还提到智能体评估成本高、难度大，针对 harness 的评估数量不足，行业需要更统一的标准。
OpenAI NewsAI 评分2222 OpenAI 如何提升 ChatGPT 对低资源编程语言的支持
OpenAI 正在改进 ChatGPT 对低资源编程语言的支持，并新增了针对软件工程、SQLite 和 COBOL 迁移的评测。
The DecoderAI 评分5858 新基准 Taste-Bench 测出 AI 智能体长期决策判断力不足
研究者提出 Taste-Bench，用 502 道二元选择题考察智能体在决策分叉点选择更优路径的能力，表现最好的 GPT-5.6 Sol 平均准确率仅 59.7%，接近随机猜测的 25% 基线。
TechCrunchAI 评分6262 Vercel 数据：Jev 成为其平台上采用最快的 AI 模型
Vercel 周四公布的数据显示，决策模型 Jev 上线两周内被 35% 的付费团队使用，覆盖范围接近第二受欢迎模型 Sonnet 5.5 的两倍，成为 Vercel 平台上首两周采用最快的模型。
TechCrunchAI 评分5959 Elorian 发布首个模型 Glimpse，以研究预览形式开放 API
Elorian 发布首个模型 Glimpse，以研究预览形式提供 API 访问，聊天界面仅限候补名单。Glimpse 在推理过程中可裁剪图像区域、从视频中抽取特定帧或运行代码测量比较，Elorian 称这一机制为 visual scratch space。
The VergeAI 评分6262 实测一周 RTX Spark：Nvidia 新笔记本的游戏、续航与本地 AI 表现
The Verge 三位作者用一周时间测试了搭载 Nvidia RTX Spark N1X 的五款笔记本，包括 128GB 的 Surface Laptop Ultra、Asus ProArt P16、Lenovo Yoga 9n 和 HP OmniBook Ultra，售价从 3199.99 美元到 6999.99 美元。
The VergeAI 评分6060 Surface Laptop Ultra 评测：一台不一样的 MacBook Pro
The Verge 评测微软与 Nvidia 合作的 Surface Laptop Ultra，该机搭载 Arm 架构 RTX Spark N1X 芯片，顶配 20 核 CPU、6144-CUDA-core GPU、128GB 统一内存，售价 5,899 美元，主打本地运行 AI 模型与智能体。
Microsoft ResearchAI 评分4949 Microsoft Research 推出 StudentSim：用 AI 学生模拟器评估和改进 AI 辅导系统
Microsoft Research 提出 StudentSim，从公开的去标识化学习记录训练个性化 AI 学生模拟器，用于在真实学习者测试前评估和改进 AI 辅导系统。
每日经济新闻AI 评分5858 中国AI大模型周调用量环比增长50.96%，全球前五被包揽，DeepSeek V4.1 Flash升至第一
根据 OpenRouter 数据测算，10月5日至11日全球AI大模型总调用量为172万亿Token，环比增长3.61%；中国大模型周调用量达86.74万亿Token，环比增长50.96%，连续二十四周超过美国，全球调用量排名前五均为中国大模型。
Microsoft ResearchAI 评分2121 Microsoft 研究：AI 会犯哪些错，失败又能教会我们什么
Microsoft 研究合伙人 Jennifer Neville 在 Microsoft Research Podcast 中讨论评估如何推动 AI 系统突破传统 benchmark 的性能边界，以及模型在超出常规测试时出现的“意外失败”。她结合自身从数学、物理、认知科学转向计算机科学的经历，分享使用当前 AI 系统的实用建议，并强调结果偏离预期时应仔细检查数据。