Future AGI 1.47.0 新增通话指标并改进 AI 智能体回答评估
Future AGI 1.47.0 发布，在运行分析中新增通话与语音指标卡片，并修复模拟通话结果与运行详情的对齐问题。评估对话时，错误语言回答、涉及其他产品的回答以及未获回复的请求现统一计为未处理请求；测试环境评估还修复了完整提示词和对话参与者标识的传递。聊天构建器页面支持折叠与调整宽度，宽度在窗口缩放后保留。
Ожидает перевода
#Тестирование/проверка
#Тестирование/проверка
Сегодня 0 материаловTproger · ПрограммированиеОценка ИИ1212
Tproger · ПрограммированиеОценка ИИ1515 Future AGI 1.46.0 为模拟分析加入决策优先级
Future AGI 发布 1.46.0，核心改动在 Simulate 模块，为分析多次运行结果引入决策优先级，Runs 标签页现按环境中完整运行次数显示徽章。该版本还优化了运行摘要生成，以及 API v3 搜索场景时的任务处理，适合运行次数较多的团队。项目支持自行部署，云版本可免费开始使用。
Ожидает перевода
青稞AIОценка ИИ2929 V-Rubrics 用 35 万条细粒度准则细化多模态强化学习奖励
南洋理工大学 S-Lab、A*STAR 和 UIUC 团队提出 V-Rubrics，将 50,248 个视觉样本拆成 352,938 条可逐项检查的准则，让视觉事实、推理步骤和任务要求分别参与奖励计算。
Ожидает перевода
InfoQ · AI CodingОценка ИИ7171 Cloudflare 推出 Worker Previews，为每个 Git 分支提供隔离预览环境
Cloudflare 发布 Worker Previews，让每个 Git 分支拥有独立且接近生产的环境，各自有稳定 URL、独立配置和状态，并带独立可观测性。
Ожидает перевода
Cursor · ChangelogИзбранное редакциейОценка ИИ6262 Cursor выпускает двух ботов: Rollouts и Security Review
Cursor выпустил двух ботов — Rollouts и Security Review, доступных для Team и Enterprise.
Почему это важно: Официально описаны процессы мониторинга и проверки безопасности для этих двух ботов — читатели могут оценить, можно ли встроить их в существующий конвейер доставки.
Lovable · BlogИзбранное редакциейОценка ИИ6060 Lovable выпускает Opus 5.5: сборка быстрее, качество на уровне Opus 5
Lovable выпустила Opus 5.5; по заявлению компании, результаты сопоставимы с Opus 5, но число шагов до завершения сократилось на треть–половину. На внутреннем бенчмарке Lovable Opus 5.5 сравнялся с Opus 5 в двух задачах — сборке от 0 до -1 и итеративных правках кода — и превзошёл его на 4%–6% по дисциплине проверки; при всех уровнях интенсивности рассуждений число шагов на задачу снизилось на 26%–57%, а объём входных токенов — на 21%–59%; различия значимы при доверительном уровне 95%.
Почему это важно: Lovable официально приводит данные сравнения Opus 5.5 и Opus 5 по числу шагов и токенов — по ним можно оценить реальное изменение эффективности сборки.
OpenAI Developer Blog · CodexИзбранное редакциейОценка ИИ6565 OpenAI выпустила Daybreak и рабочий процесс безопасности Codex Security
OpenAI представила Daybreak — набор инструментов для защиты, объединяющий ChatGPT, Codex Security и открытый CLI Codex Security. Он покрывает проверку пул-реквестов до слияния, разбор репозиториев и накопившихся уязвимостей, а также регулярные проверки в CI.
Почему это важно: В официальной документации описан полный сценарий работы с Codex Security — от проверки пул-реквестов и сканирования репозиториев до пакетного сканирования через CLI. По нему можно понять, как встроить инструмент в существующие процессы безопасности.
Simon Willison · Coding AgentsОценка ИИ6060 用 Bun 1.4 的 Bun.WebView 实现 shot-scraper 风格的 JSON API
Simon Willison 用 Claude Code for web 做了一个约 150 行、零依赖的 TypeScript 服务原型，基于 Bun 1.4 实验性的 Bun.WebView 提供 shot-scraper 风格的 JSON API，支持执行 JavaScript 和输出 PNG/JPEG/WebP 截图，无需 Puppeteer 或 Playwright。
Ожидает перевода
Jesse VincentИзбранное редакциейОценка ИИ7878 Superpowers 6 发布：构建提速最高 50%、token 花费降低最高 60%
Superpowers 6 发布，作者称在 Anthropic 评测基准上构建耗时降低 50%、token 花费降低 60%，主要来自合并规范符合性与代码质量两个评审 agent、预先生成评审用的 diff 包让评审者少跑 git，以及调整编排器对任务所需 agent 类型的指引。
Ожидает перевода
Почему это важно: 作者用自建评测套件量化了 Superpowers 6 在构建耗时和 token 花费上的改进，并公开了实验记录与失败结论。