AI 技术日报 - 2026-11-16

AI 技术日报 - 2026-11-16

Top 10 AI 技术要闻

  1. NVIDIA 开源 SkillEvaluator:给 Agent 技能做质检,还能量化技能到底有没有用
    NVIDIA 开源 SkillEvaluator(1,657★,Apache-2.0,附 arXiv 论文),专门评测「Agent 技能」的质量与收益。它按 Agent Skills 规范检查技能目录:先跑纯确定性检查——技能描述是否与内容一致、多个技能间是否语义重叠、触发条件是否写死、指令是否冗余,完全不接模型、不需要 API key 也能出分;再接 NVIDIA Build API 用 rubric 打分。真正有价值的是「有技能 vs 无技能」的 A/B 对比:同一任务跑两遍,量化技能把成功率抬了多少。三条落地路径:CLI 直接 validate --tiers 1;CI 里 ci init 自动开 PR 只检查变更的技能;或把自身装进 Claude Code / Codex(npx skills add NVIDIA/SkillEvaluator)。对已经开始囤技能包的团队,这是第一个能回答「技能是不是负担」的工具。
    链接:https://github.com/NVIDIA/SkillEvaluator

  2. Claude-BugHunter 冲上 6,416★:82 个技能、681 条真实漏洞模式的安全技能库
    今天出现在 GitHub 趋势榜的 elementalsouls/Claude-BugHunter 是一套面向授权渗透测试的 Claude 技能库:82 个技能、681 条提炼自已公开披露漏洞报告的模式、覆盖 24 类漏洞,并用对抗性语料做过评测,MIT 许可、纯 Python。它不是给模型塞一句「你是渗透测试专家」,而是把资产测绘、信息收集、漏洞验证、影响评估、报告撰写拆成可按需加载的技能,让 Agent 按清单推进并强制留下证据,减少跳步与臆造漏洞。今年多个厂商同时把安全能力做成技能包(OpenAI 的 codex-security 也在榜),说明「安全」是最先把 Agent 技能标准化的一块——因为它最不能容忍模型自由发挥。
    链接:https://github.com/elementalsouls/Claude-BugHunter

  3. Modern Web Guidance:Chrome、Edge、Firefox 与 MDN 联手给编码 Agent 补 Web 新知
    GoogleChrome/modern-web-guidance 已到 17,717★(Apache-2.0),由 Chrome、Edge、Firefox 与 MDN 团队共同维护,把 Web 平台能力、最佳实践与浏览器兼容数据打包成技能注入编码 Agent。动机很直接:训练语料里堆满十年前的写法,模型会本能地写一大坨 JS 去实现平台早已原生支持的能力——就算它知道某个 API 存在,也未必知道该怎么用。现在可以 npx modern-web-guidance install 装进 Agent,或用 search / retrieve 按需拉取单条指南,legacy-scan 还能扫出代码库里的过时写法并给出替代方案;官方另配了评测看板,用数据说明装上技能后生成代码的现代性变化。
    链接:https://github.com/GoogleChrome/modern-web-guidance

  4. MiniMax H3-Image 发布即开源:原生 4K、10 秒出图,长提示词拆得越细越强
    MiniMax H3-Image 发布即开源,原生 4K 出图、单张约 10 秒,API 与 Mcode 均可直接调用;配合此前开源的 H3 视频模型,可先用图生成再喂给视频模型直出 2K/15 秒片头。有实测者用 5 万积分跑了 12 组案例,发现它真正的长板不是「好看」,而是对超长提示词、复杂分区排版、机械内部结构与跨学科逻辑的理解:导演分镜稿能保住铅笔草稿的粗粝感和红蓝运镜标记,随身听能沿中轴拆成十层爆炸图,5000 字符的合同照片也能排得像真的。结论是提示词拆得越细、4K 大图的收益越明显——这类「结构化长文本到图」的能力,正是设计、游戏资产与工业文档场景最缺的一环。
    链接:https://www.woshipm.com/?p=6493967

  5. Raschka 新文:把位置编码从正弦讲到 RoPE,附 PyTorch 实现与 2026 模型对照
    Sebastian Raschka 发布长文系统梳理现代 LLM 的位置编码:从可学习的绝对位置嵌入、正弦编码,到相对位置偏置,再到今天几乎一统的 RoPE——把 query/key 看作复平面上的向量做旋转,使注意力分数只依赖相对位移。文章配可视化例子、少量数学推导和一个精简 PyTorch 实现,并讨论现代架构如何改造乃至完全省略显式位置编码,最后用一张图把 2026 年开源权重模型的架构按位置编码方案分组。想搞懂「为什么改个 rope_theta 就能扩上下文」、或打算自己动模型结构的人,这篇比啃论文省事得多。
    链接:https://magazine.sebastianraschka.com/p/understanding-positional-embeddings

  6. 换 embedding 模型只升查询端会怎样?小实验跑出 hit@10 只剩 0.1% 的崩塌曲线
    一篇工程复盘用最小可复现实验量化了向量库迁移的坑:800 个话题 × 10 条 chunk 共 8,000 条语料、24 维、1,600 条查询跑 3 轮,两个随机正交矩阵模拟「两版编码器」。只把查询端切到新模型、索引不动时,hit@10 从 0.779–0.783 掉到 0.0006–0.0022(只剩旧基线的 0.1%–0.3%),但同一时刻「文档覆盖率」仍有 0.816–0.823——只看覆盖率会以为系统没坏。灰度重嵌到 50% 时 hit@10 为 0.42,把新旧索引的余弦分数直接合并也只有 0.416;改成「两次编码 + 名次融合」能回到 0.721,全量影子重嵌才是天花板。核心结论:不同向量空间的分数量纲不可混用,跨版本检索要么名次融合、要么全量重建。
    链接:https://blog.csdn.net/CCbleach/article/details/170744938

  7. 芬兰老教授用 Claude 破译「哥德尔天书」:1,009 页速记手稿挖出 663 条定理雏形
    36 氪报道,赫尔辛基大学逻辑学家 Jan von Plato 在退休后自学几近失传的加贝尔斯贝格速记,把哥德尔 1940 年定居普林斯顿后写下的 16 本工作簿共 1,009 页转写成英文,但团队消化速度只有每周一页。把全部手稿连同自己的 6 本专著和现代逻辑文献喂给 Claude 后,几天内得到 650 页解读、追问后膨胀到 1,084 页,并梳理出 663 条具定理雏形的结果;在 Josef Urban 等人协助下形式化验证,400 条完全成立、约 200 条思路正确只缺前置假设、55 条被证伪。价值不在「AI 会证明定理」,而在把「读手稿→提命题→形式化→机器验证」串成可复现流水线,错的那 55 条也被明确标了出来。
    链接:https://www.36kr.com/p/4069178330764161

  8. WendyOS:把机器人部署做成 USB-C 一插即推、失败自动回滚的 Linux 发行版
    WendyOS 是面向机器人的 Linux 发行版,主打把部署变成可复现操作:通过 USB-C 连上机器人即可推送或回滚,失败自动恢复到上一个可用版本,不必在现场重刷镜像。它自带 Unitree G1 的仿真示例,运行时对接 ROS 2 + Zenoh,并内置 MCP 诊断通道,让 Claude 这类 Agent 能直接查设备状态、跑自检;「Offline Protocol」负责断网时的本地闭环,「Wendy Net」管设备编队与远程更新。目前只能在 macOS/Linux 上安装。机器人栈长期卡在「每家公司一套烧录脚本、出事只能到现场」,把 OS 层做成可回滚的标准化交付,是具身智能从 demo 走向量产的必需一步。
    链接:https://docs.wendy.dev/latest/getting-started/app

  9. taskless/cli:把你对 Agent 的每次纠正变成 ast-grep/Vale 规则,编辑器和 CI 同一套判据
    taskless/cli 换了个思路治「Agent 反复犯同一个错」:把你对 Agent 的纠正固化成仓库里的规则文件,交由 ast-grep、Vale 或运行时校验执行,编辑器里、所有 Agent 里、CI 里跑的是同一套规则,一条命令、一个退出码。npx @taskless/cli 会自动识别 .claude / .cursor / .opencode / .agents 目录并把技能装进去;用自然语言描述规则(如「禁止没有错误处理的裸 fetch()」),规则在本地生成与校验,不联网、不调模型;taskless check 命中 error 级问题就以 1 退出,天然适配流水线。免费账号再加 AI 生成规则与 GitHub 集成,能把 PR 评论直接变成规则——从「提示词祈祷」转向确定性门禁。
    链接:https://github.com/taskless/cli

  10. Gemini Decisions API 首份第三方横评:48 张工单、5 个后端,闭集判断的性价比账
    Google 11 月 11 日发布的 Decisions API 有了第一份第三方横评:作者用客服工单分流做任务,48 张人工标注工单同时喂给 gemini-decision-1 与 Gemini 3.8 Flash、4 Hydrogen、3.5 Flash-Lite,以及跑在 i7 笔记本 CPU 上的 Gemma 4 E2B。决策模型的账很好算——一次请求最多带 1,000 个问题,模型对每个允许答案做一次前向打分,只返回概率与置信度、不生成任何文本,因此只收输入费(0.1 美元/百万 token,输出免费),100 个是非题的端到端延迟约 359ms。noul / choice / score 三种题型覆盖部门路由、退款判断、紧急度分级,把 confidence 当阈值就能自动把低置信工单转人工,也适合当生成模型前的护栏。
    链接:https://dev.to/gde/benchmarking-the-gemini-decisions-api-l31


数据来源:TheAIEra News Hub
生成时间:2026-11-16 08:15:00

posted @ 2026-11-16 08:11  iTech  阅读(57)  评论(0)    收藏  举报