
Sign up to save your podcasts
Or


METR 質疑 Anthropic 風險評估中的思維鏈監控假設
METR 評議 Anthropic《2026 年 8 月風險報告》中的高風險錯位評估,指出一個值得留意的監控落差:在報告引用的單一 Mythos 5 網路安全事件中,離線監控約標記 1% 的操作;移除思維鏈、只提供使用者訊息與工具互動後,約標記 50%。這組數字讓監控者需要追問:模型說了什麼,是否足以判斷它實際做了什麼?
同一事件,不同監控輸入:兩個近似標記率只適用於該事件與相應設定。
這裡的「思維鏈」是模型生成答案時的推理文字。監控若把這些文字當成判斷依據,模型對情境的描述可能影響監控器如何解讀工具操作。METR 提到,事件中的模型反覆把情境描述為模擬環境;但它也明確表示,不主張這次合理化是蓄意欺騙。因此,這項評議指向的是監控設定可能受哪些輸入影響,而非對模型意圖下定論。
約 1% 與約 50% 是同一事件中兩種監控輸入設定的標記率,不是普遍誤報率,也不能直接代表其他模型或情境。這項比較提醒讀者,評估監控時要看清楚它讀取了哪些資訊,以及結果來自哪個事件;單看推理文字或工具紀錄,都需要放回各自的測試條件理解。
METR 的評議提供了一個具體檢視角度:當風險報告用監控結果支持安全判斷時,監控器看到的輸入是什麼?而這些輸入是否會改變它對同一組操作的標記?
原文:https://easyvibecoding.app/curated/3494-metr-cot-monitoring-assumptions
Unity 將官方 30 多項遊戲開發技能接入 Grok Build
Unity for Games 宣布,官方 Unity Plugin 可搭配 Grok Build。貼文表示,使用者可用一個指令安裝外掛,讓 Grok 取得 30 多項 Unity 工作流程技能;提升速度與準確度是貼文列出的目標,但沒有附上測試數據。Unity for Games 公告
公告所述的 Plugin、Grok Build 與 Unity 工作流程技能關係示意圖。
影片把整合放進 Grok Build 的命令介面中:畫面顯示安裝指引,技能面板的一幕列出 31 項 Unity Plugin 技能;影片口白稱技能由 Unity 各功能團隊撰寫,並會持續增加。31 項是影片畫面當時顯示的數字,貼文則以「30 多項」描述。
影片接著示範幾種 Unity 任務。第一個例子是把原為內建渲染管線製作的素材包用在 URP 專案中,影片說明可請 Grok 使用轉換技能處理材質與著色器。後續畫面與口白展示泛光、色調映射和色彩分級等後處理設定;最後則提出以 UI Toolkit 製作遊戲介面的例子。這些是官方影片中的操作示範;畫面呈現介面、程式碼變更或場景,不提供獨立測試來衡量產出品質或速度。
目前可確認的是外掛與 Grok Build 的搭配方式、貼文所述的技能數量,以及影片展示的任務類型。貼文沒有列出完整技能清單、安裝指令內容或安裝前提;速度與準確度的提升也沒有量化驗證。
影片先呈現遊戲場景,再展示 Unity Plugin 在 Grok 中的安裝指引與技能清單,並示範將素材轉換為 URP、調整後處理效果及製作遊戲 UI 原型。
原文:https://easyvibecoding.app/curated/3490-unity-official-plugin-grok-build-30-skills
ElevenLabs 推出 Realtime 語音代理:Mini 與 Max 分別面向對話與複雜任務
ElevenLabs 推出 Eleven Realtime 語音轉語音模型系列,分成 v1 Mini 與 v1 Max。產品頁將 Mini 定位為自然對話用途,Max 則面向複雜任務。這次更新的重點,是讓開發者在 ElevenAgents 或 Realtime API 選擇模型,使用語音辨識、輪流發言、語言模型與語音等共同調校的系統。
語音代理是能以語音和人互動的 AI 助手。傳統做法可能要把辨識使用者語音、決定何時回應、生成答案和合成聲音等環節接起來;ElevenLabs 表示,Realtime 將這些環節端到端調校。這是廠商對產品架構的描述,不代表在所有應用中都能達到相同效果。
ElevenLabs 把兩個版本分成不同工作取向:v1 Mini 面向自然對話,官方舉例助理、導師與互動角色;v1 Max 面向較複雜任務,頁面列出客服、潛在客戶資格判定和多步驟工具呼叫。這是產品定位,實際表現仍取決於任務與部署方式。
官方產品定位示意,非按比例且不代表實測效果。
官方頁列出兩款模型的首音延遲與其他基準數據。它稱 Artificial Analysis 分別獨立評估兩款模型:Big Bench Audio 用於語音推理,Full-Duplex-Bench 評估對話動態,Speech Agent Arena 涉及人類偏好與任務成功;首音時間則是 Big Bench Audio 的平均值。表內其他指標來自不同測試,不能當成同一項目直接排名。
| 模型 | 平均首音時間 | 頁面列出的其他指標 | | --- | --- | --- | | v1 Mini | 620 毫秒 | Full-Duplex-Bench:95.8%;Speech Agent Arena:Elo 988 | | v1 Max | 570 毫秒 | Big Bench Audio:98.8%;任務成功率:87.1% |
ElevenLabs 的 X 公告另稱模型「半秒內開始說話」,但沒有附上測試條件;產品頁則列出上述分模型的平均首音時間。兩種說法的測試說明不同,不能把宣傳文案當成適用於所有部署的延遲保證。
接入方式也有範圍差異。官方說明稱 Realtime API 與 OpenAI Realtime API 相容,使用時需改用 ElevenLabs 的端點與模型名稱;但 API 和 ElevenAgents 是分開運作的產品。產品頁 FAQ 指出,Realtime API 在推出時尚不支援 WebRTC,連線使用 WebSocket;若原本的整合採用 WebRTC,需先改用 WebSocket。若需要電話、WhatsApp、知識庫、護欄、測試或監控等 ElevenAgents 功能,應使用 ElevenAgents 路徑。
ElevenLabs 以 Mini 與 Max 兩種配置介紹 Eleven Realtime,並示範語音代理的客戶訪談與客服情境。
原文:https://easyvibecoding.app/curated/3488-elevenlabs-realtime-mini-max-voice-agents
Zeabur 將逐步結束營運:關站時程與安全遷移選擇
INSIDE 報導,Zeabur 創辦人於 2026 年 10 月 17 日發信通知使用者,平台將逐步結束營運。這項消息來自媒體對使用者信件的報導;截至報導查核時,Zeabur 官方部落格與狀態頁尚未發布關站公告。INSIDE 報導
報導列出的時程是:12 月 1 日起停止專用伺服器續費,共享叢集同日暫停;12 月 31 日前全面關閉服務。專用伺服器會依各自到期日陸續關閉,共享叢集則可由使用者手動恢復以備份資料,因此 12 月 31 日是最晚關閉時間,不代表每個服務都能使用到當天。
關站時程依 INSIDE 對使用者信件的報導;專用伺服器可能於 12 月 31 日前各自到期。
報導當時尚未提供資料刪除日期、最晚匯出期限與客服停止服務日期。使用者應按自己的服務到期日安排匯出與遷移,並留意後續公告,避免把全面關閉日當成個別服務的可用期限。
遷移前先處理資安憑證
Zeabur 官方狀態頁在 10 月 15 日更新資安事件範圍:部分 Google Cloud 專用伺服器遭未授權存取,攻擊者曾讀取平台資料庫;受影響資料包括服務環境變數、帳戶資訊、API token 與 zSend API 金鑰。官方建議輪替環境變數中的機密、重新產生 Zeabur API token;使用 zSend 者應建立新金鑰,使用 Google Cloud 專用伺服器者則應更改 root 密碼並移除不認得的 SSH 金鑰。Zeabur 官方狀態頁
先完成憑證處理,再盤點各服務、資料庫與檔案存放位置,備份資料後安排遷移。Render 文件指出,沒有掛載 persistent disk 時,服務重新部署或重啟會失去本機檔案變更;掛載磁碟也只會保留指定路徑下的資料。搬移時要確認應用程式實際寫入的路徑,不能只部署程式碼就假設資料已跟著轉移。Render Persistent Disks 文件
示意流程;實際盤點項目依服務架構而定。
先核對方案費用與資料保存方式
Railway 的 Hobby 方案列出每月最低用量 5 美元,並包含每月 5 美元用量抵額;超過抵額後,費用依實際資源用量計算。這些是方案條件,不是特定 Zeabur 專案的遷移成本估算。Railway 定價頁
官方方案頁資料,查核日期 2026-10-17;非個別專案成本估算。
選平台時也要比對服務如何保存資料。以 Render 為例,服務預設使用暫存檔案系統;若服務依賴本機檔案,需確認 persistent disk 的掛載路徑涵蓋資料所在位置。這項差異會影響備份、部署與遷移安排,應在選定新平台前逐項核對。
替代平台怎麼選
Zeabur 的關站與資安事件已讓遷移成為眼前工作;處理事件建議的機密輪替後,再按服務、資料庫、檔案、排程和外部依賴盤點遷移。平台價格和執行方式差異很大,以下列出的價格是官方頁面捕獲值,不是特定專案的成本估算。
Railway Hobby 每月最低用量為 5 美元,含 5 美元用量抵額;Pro 最低用量為 20 美元,含 20 美元抵額。持久卷要掛在服務實際寫入的路徑;PostgreSQL 預設模板也不一定包含原資料庫所需的 extensions。Render 的付費 web 入門規格為每月 7 美元,Postgres 入門規格為每月 6 美元,persistent SSD 另以每 GB 每月 0.25 美元計費,這些是不同資源,不能視為全包價。Render background worker 可持續處理佇列工作,但不接收傳入網路流量;未掛載 persistent disk 的本機檔案變更會在重啟或重新部署時遺失。Render 的邏輯備份保留七天,免費方案不自動產生這類備份;還原時要使用符合目的端 PostgreSQL 主要版本的客戶端工具。
方案與資源價格是例子,並非同規格總價或專案成本估算;部署前請核對工作負載、配額、磁碟與維運需求。
Cloudflare Workers Paid 每月 5 美元,並包含 Containers 每月 25 GiB-hours 記憶體、375 vCPU-minutes 與 200 GB-hours 磁碟用量額度;超額依資源用量計費;其預設磁碟是暫存空間,容器睡眠後重啟會使用新磁碟。Containers 沒有固定最長執行時間,但平台事件仍可能使執行個體停止或重啟,背景工作要能續做並將資料存到適當的持久化服務。Hyperdrive 是加速連接既有 PostgreSQL 或 MySQL 的服務,不負責託管或搬入原資料庫。Vercel Pro 每月 20 美元含 20 美元用量抵額,另須核對開發者席次和超額費用;Daemons 公測期間可在各方案使用,但只在 production 執行,並受方案配額約束。Vercel 的關聯式資料庫由 Marketplace 供應商提供,檔案可使用 Blob 等儲存。
若要自行管理 VPS,DigitalOcean 的入門 Droplet 範例為每月 4 美元,規格是 512 MiB 記憶體、1 vCPU、10 GiB SSD,備份另計。這只是特定小型規格的價格例子,不能據此認定足以承載原服務;選 VPS 也要把作業系統、資料庫和備份維護納入責任與成本。
遷移前逐項核對實際服務規格和目的端限制:除了程式碼,還要盤點資料庫版本與 extensions、資料量、檔案寫入路徑、排程、背景工作、外部連線、備份保留和還原方式。先取得可獨立保存的備份並驗證還原,再切換流量;平台提供持久卷、備份或資料庫連線功能,各自解決不同問題,不能互相替代。
先驗證還原再切換;備份、持久卷與程式部署各自處理不同事項,仍需確認目的端版本、資料及外部依賴。
原文:https://easyvibecoding.app/curated/3478-zeabur-shutdown-migration
DeepSeek 推出 V4.1-Flash-1017,主打更快任務完成與較短輸出
DeepSeek 宣布推出 V4.1-Flash-1017,並稱新版本相較前一版 benchmark 表現更強、任務完成更快、輸出更短。官方將這些變化概括為效能與成本上的 Pareto 改善;貼文沒有提供量化幅度。
官方貼文稱,模型已在 DeepSeek 網站、App 與 API 上線,並針對 DeepSeek Harness、Tencent CodeBuddy、WorkBuddy 等工具最佳化。使用 DeepSeek Harness 時,官方建議升級至 v0.2.1-rc.1 或更新版本,以取得最佳體驗。
對應官方上線管道段落;圖示為概念示意,不代表已驗證服務端可用性。
附件中的基準分數如何比較?
DeepSeek 貼文附件的比較表列出 11 項基準,並列 V4.1-Flash-1017 與前版 V4.1-Flash。表中各項分數都高於前版;例如 Terminal-Bench 4.0 為 42.3 對 31.2,DeepSWE v1.1 為 77.0 對 74.2,ProgramBench 為 29.1 對 20.3。這些是不同基準各自的分數,不能合併解讀成單一總分。
比較 V4.1-Flash-1017 與前版的三項附件分數,註明不同基準不合併為總分。
依官方附件節錄兩個 DeepSeek 版本的 11 項基準分數,保留 HLE、Terminal-Bench、DeepSWE 與 ZeroBench 評測註記。
附件另列出部分評測條件:HLE 星號表示文字子集;Terminal-Bench 4.0 使用 Claude Code framework,DeepSWE 使用 Mini-SWE-V2,ZeroBench-main 使用 Pass@5。另一張圖以 miniswev2 執行 DeepSWE v1.1,標出 V4.1-Flash-1017 的 Pass@1 最高點 77.0%,並以每項任務平均成本(美元、對數尺度)為橫軸;圖中沒有逐點列出精確成本數值。
因此,附件為官方的 benchmark 分數與部分評測條件提供了更具體的依據,但貼文及附件沒有提供獨立複測。
DeepSeek 官方基準比較表,列出 V4.1-Flash-1017、前版與其他模型在多項基準上的分數,並註明部分評測條件。
DeepSWE v1.1 Pass@1 與每項任務平均成本的比較圖;藍色系列標示 DeepSeek V4.1 Flash-1017,並標出最高點 77.0%。
原文:https://easyvibecoding.app/curated/3476-deepseek-v4-1-flash-1017
Apple ML Research 推出 RSI-Inference Bench,測試 AI 代理能否改善推論系統
Apple ML Research 介紹 RSI-Inference Bench,將 AI 代理放進執行 AI 模型的推論系統工程任務中測試。貼文稱,基準採用 vLLM 與 SGLang 的真實任務,涵蓋推論工程不同階段;目前最佳代理的 pass@1 為 26.7%。這是發布者對基準與結果的描述,尚未獨立重跑。
基準涵蓋哪些工程工作?
推論系統負責讓模型產生回應。工程工作不只涉及模型本身,也包括讓系統支援新模型、提升推論效率,以及修復錯誤。貼文將 RSI-Inference Bench 的任務分為這三類,並表示任務取材自 vLLM 與 SGLang 的真實工程工作。
影片也以動畫介紹這些任務類別。分類說明的是基準涵蓋的工作範圍,不代表代理必須依照這個順序執行。
三類任務依發布者描述,不代表執行順序。
影片中的比較圖表列出哪些結果?
pass@1 指只嘗試一次時通過任務的比例。影片中的 Day-0 Model Support 圖表列出 Sonnet 5.5 AI 為 26.7%、Opus 5.5 AI 為 13.3%。這是新模型支援類別的比較;貼文文字另稱基準目前最佳代理的 pass@1 為 26.7%,但未在文字中列出代理名稱或完整評估設定。
另一張 Inference Optimization 圖表以各任務基準為比較基準,列出 Sonnet 5.5 AI 的加速倍數為 1.53×、Opus 5.5 AI 為 1.39×。這些是影片圖表呈現的結果,描述該基準所列任務上的比較,不是一般化的推論加速保證。
貼文也稱,研究投入了 10 萬美元的 API tokens 與 5 萬 GPU 小時,並設有 binary 與 continuous 兩類可驗證獎勵。投入數字與基準設計均來自發布者自述;貼文沒有詳述計分實作或驗證程序。
RSI-Inference Bench 把代理能力放到模型推論工程任務中檢視,並以影片展示兩類任務的模型比較。要判斷不同代理的結果如何比較或重現,仍需完整任務定義與評估設定;目前引用的結果反映的是發布者呈現的基準與圖表。
Apple ML Research 以動畫介紹 RSI-Inference Bench,展示推論系統生命週期、vLLM 與 SGLang 任務類別,以及基準比較圖表。
原文:https://easyvibecoding.app/curated/3475-apple-ml-research-rsi-inference-bench
d1-ultra 登上決策模型榜首:少幻覺表現伴隨較低準確率
Liquid AI 於 2026 年 10 月 15 日發布多模態決策模型 d1-ultra。Artificial Analysis 的貼文稱,d1-ultra 以 65 分位居 Decision Index v1.0 首位。Artificial Analysis 說明,這個指數結合四項評測,並由該機構獨立執行。
| Decision Index v1.0 | 分數 | |---|---:| | d1-ultra | 65 | | Jev 1.14 | 57 | | GLiDE、Microsoft-Decision-1 | 54 |
榜單名次之外,AA-Omniscience-Decision 的兩項數據呈現了不同面向:
| AA-Omniscience-Decision | d1-ultra | d1 | |---|---:|---:| | 非幻覺率:答錯題中選擇「我不知道」的比例 | 85% | 2% | | 準確率 | 32% | 41% |
這組結果顯示,在這項評測中,d1-ultra 較常在答錯時選擇不回答,但整體答對率低於 d1。兩項指標回答不同問題;85% 不是整體答對率。
在 AA-Omniscience-Decision 中,兩項指標回答不同問題;非幻覺率是錯答題中選擇「我不知道」的比例。
貼文也報告 d1-ultra 每項任務耗時 92 毫秒,在當時量測的決策模型中排名第三;Jev 1.14 為 78 毫秒,Celeris-1 Decision 為 63 毫秒。每百萬任務成本是 32 美元,與 Celeris-1 Decision 相同,略高於 Microsoft-Decision-1 的 31 美元,也高於 d1 與 Mercury Decide 的 15 美元;GPT-6 Luna (Decisions) 則為 79 美元。
API 輸入價格是另一種計價單位:Liquid AI 列出的 d1-ultra 價格為每百萬輸入 token 0.042 美元,d1 為 0.02 美元;兩者都只按輸入 token 計費。每百萬任務的評測價格與 API token 單價不能直接對照。
因此,65 分的榜首結果要和評測範圍一起看:指數合併四項評測,而非幻覺率與準確率的對照來自其中的 AA-Omniscience-Decision。這些數字描述特定版本指數與該項測試,不是跨任務的通用能力結論。
Artificial Analysis Decision Index v1.0:d1-ultra 以 65 分位居圖表首位。
原文:https://easyvibecoding.app/curated/3472-d1-ultra-decision-index-tradeoff
Cursor 雲端代理新增互動畫布:可建立儀表板並分享連結
Cursor 宣布雲端代理現在可以建立互動畫布。使用者可以在代理工作時要求製作儀表板或報告,再把完成的畫布以連結分享給團隊。這項更新把「請代理整理資料」延伸到可互動、可分享的畫布;公告沒有說明哪些方案或使用者已能使用。
互動畫布可以把代理整理的內容呈現在圖表或表格中。官方示範以應用程式載入效能為題:代理搜尋路由資訊、建立效能儀表板,並依後續要求更新畫布。畫面包含每週頁面載入時間圖表和較慢路由表;數據明確標示為示意樣本,不能當成真實網站效能結果。
從示範可看出這次流程如何串起需求、代理工作與分享:提出儀表板需求後,代理建立並更新畫布,最後開啟分享控制項。畫面顯示可選擇「Members can view」並使用「Copy link」;影片標語寫著「Your team sees every update live」。公告確認完成的畫布能以連結分享,但沒有說明觀看者是否需要帳號、連結權限如何管理,或代理結束後畫布是否仍會更新。
從需求到分享畫布
因此,這項公告目前能確認的是雲端代理可建立互動畫布,以及完成後可分享連結。示範展示了儀表板的生成、更新與分享介面,但沒有提供實際效能數據,也未列出功能開放範圍或連結存取規則。
影片示範 Cursor 雲端代理建立互動畫布:使用者要求製作應用程式載入效能儀表板,代理搜尋路由資訊、生成並更新畫布,接著展示分享權限與複製連結。畫面中的數據標示為示意樣本。
原文:https://easyvibecoding.app/curated/3468-cursor-cloud-agents-interactive-canvases
ChatGPT Pro 的 Chat 分頁加入並行代理進度追蹤與成果檢視
OpenAI 表示,GPT-6 Astra Pro 在 ChatGPT 中有更快的回應,外掛與工具的使用也有所改善;貼文沒有提供速度差異或改善幅度。這次公告另提到 Chat 分頁中的多代理並行處理:多個代理可以同時處理任務的不同部分,使用者可追蹤各代理進度,並開啟已完成的工作檢視結果。貼文列出的適用對象是 Chat 分頁中的 Pro 使用者。
這項更新描述的是並行工作與檢視進度的能力。貼文沒有說明代理如何分工、使用者如何安排任務,或進度畫面具體呈現哪些資訊,因此目前能確認的是功能方向與可檢視的結果,不是完整操作流程。
多代理處理任務不同部分的同時,使用者可以追蹤各代理進度,並在工作完成後開啟成果檢視。
依公告整理多代理並行處理、進度追蹤與完成成果檢視;非介面截圖。
公告也提到 GPT-6 Astra Pro 回應變快,並改善外掛與工具的使用;這是定性描述,沒有附測試條件、基準或量化數據。功能則標示為 Chat 分頁 Pro 使用者可用;貼文未交代其他方案或地區的可用情況。
原文:https://easyvibecoding.app/curated/3465-chatgpt-pro-chat-parallel-agents-progress-review
Google DeepMind 展示四個 coding agent 在沙盒中合作通關 Minecraft
Google DeepMind 表示,四個 Gemini 4 Argon agents 從頭開始合作,在 Minecraft 擊敗終界龍。研究論文補上了關鍵背景:這是在沙盒生存世界裡進行的單次實驗,團隊花了 27 小時 14 分鐘,寫出 2,783 個程式才完成目標。這個案例讓人看到代理如何把長任務拆成許多步驟並彼此協作;它呈現的是特定遊戲環境中的成果。
代理怎麼一起完成任務?
每個 agent 操作一名玩家,透過 Mineflayer 這個開源 Minecraft 函式庫控制遊戲;隊員則使用遊戲內聊天和共享記憶交換資訊。研究者沒有替他們分派工作或撰寫遊戲邏輯,代理自行規劃、寫程式並除錯。作者也描述了分工、分享學習結果,以及協助找回隊友物品等做法。
四個代理各控制一名玩家,透過 Mineflayer、遊戲內聊天和共享記憶協作;作者記錄這次實驗寫出 2,783 個程式,歷時 27 小時 14 分。
27 小時的成果代表什麼?
論文記錄,這支四人代理團隊寫出 2,783 個程式,在 27 小時 14 分後擊敗終界龍,過程中死亡 605 次。作者表示,團隊從隨機生成、Easy 難度的世界開始,使用標準 Mineflayer 函式庫;沒有預先探勘種子,也沒有使用人類撰寫的遊戲專用工具。研究者能透過即時儀表板觀察並暫停或停止實驗,但表示無須介入。
這些數字描述的是一次有明確目標與環境設定的實驗。論文摘要指出,作者希望藉此研究代理如何在長時間內維持計畫、協調多個步驟;這項 Minecraft 結果本身並不能說明代理在一般軟體工程或企業工作中也能以相同方式完成任務。
這項示範的邊界在哪裡?
Minecraft 世界提供了清楚的共同目標與可操作環境,團隊的程式、聊天和遊戲進度也都在實驗設定內。因而,這項成果能具體展示多代理協作如何應對長流程,但不等於已驗證它在真實工作環境中的可靠性。Google DeepMind 的貼文概述了通關成果;實驗設計與限制則以研究論文的說明為準。
原文:https://easyvibecoding.app/curated/3464-google-deepmind-four-agents-minecraft
From the publisher's feed