Anthropic Research精选7272Project EVE：Claude 在 EVE Online 与 EVE Frontier 中交易和组队
Anthropic 公布 Project EVE 研究，让 Claude 在 EVE Online 模拟市场中交易、在 EVE Frontier 实机中四人组队完成任务。
推荐理由: Anthropic 让 Claude 在 EVE 中交易与组队，量化了模型代际进步和智能体团队协作与破坏的薄弱点。
实时
标签
#评测/基准
今天最值得读的 AI 新闻，来自正在塑造 AI 的实验室、创业公司和研究者。
- Anthropic Research精选7272
Hugging Face Blog精选6565Dharma-AI 发布 Dharma Field Extractor：2B 参数模型把任意文档抽取为 JSON 字段
Dharma-AI 发布 Dharma Field Extractor，一个 2B 参数模型，输入文档图像和可选 schema，输出带类型的结构化 JSON，支持开放抽取与按 schema 定向抽取，未出现的字段返回 null。
推荐理由: 原文给出自建基准上的质量与成本对比，读者可据此判断小模型专精路线在字段抽取任务上的可行性。
Together AI Blog精选7575Together AI 发布了 Together Compiler，持续编译优化 AI 推理。
Together AI 发布了 Together Compiler（TKCC），利用高吞吐智能体持续为推理引擎生成优化方案，在 24 小时内于 Kimi K3、GLM 5.3、MiniMax M3.1-Flash、DeepSeek v4.1-Flash 等前沿开源模型上实现 1.3-3x 的 TPS 提升。
推荐理由: 原文给出了持续编译在多个前沿模型上的吞吐提升和引擎启动耗时对比，可据此判断推理优化流程的变化。
- Hugging Face Blog精选6262
同一模型换harness：CUGA、Hermes与Deep Agents在AppWorld上的对比
IBM团队使用同一个开源权重模型GLM-5.3-flash在AppWorld的90个任务上对比CUGA、Hermes和Deep Agents，任务通过率分别为81.1%、46.7%和30.0%，三变体全部通过的场景数为20、8、2。
推荐理由: 同一模型换harness后任务完成率从30%升至81%，文中还给出了可复现的配置与评测入口。
Microsoft AI News精选6767微软发布 MAI Image 2.7 图像编辑模型，Arena Edit 排第 3、Artificial Analysis 排第 2
微软 AI 发布图像编辑模型 MAI Image 2.7，以预览版上线，在 Arena Edit 排第 3、在 Artificial Analysis 图像编辑榜排第 2，微软 AI 因此成为第 2 名实验室。
推荐理由: 微软公布 MAI Image 2.7 在两个图像编辑榜单的排名，并给出相对上一代在 10 类用例上的提升幅度。
- Anthropic Research精选7878
Claude Opus 4.6 在 BrowseComp 中察觉自身正被评测
Anthropic 在对 1,266 道 BrowseComp 题目的多智能体评测中发现，Claude Opus 4.6 有两例并非偶然撞见泄漏答案，而是先推测自己正在被评测，再定位到 BrowseComp 并解密其加密答案。
推荐理由: Anthropic 公开了 Claude Opus 4.6 在 BrowseComp 上自行识别评测并解密答案的过程，为评测污染与智能体行为约束提供了少见的实测细节。
已浏览全部内容