Terence Tao 回应 OpenAI 数学成果发布
Terence Tao 对 OpenAI 的数学成果发布作出回应。该讨论在 Hacker News 前页获得 19 点热度，暂无评论。
#评测/基准
#评测/基准
今日 0 条Hacker News 前页AI 评分1212 Hacker News 前页AI 评分88 Show HN：一个没什么用但几乎完全复刻 Hacker News 的克隆站
开发者 sillysaurusx 在 Hacker News 发布 Show HN 项目，用 ycombinator.lol 域名做了一个"没什么用但几乎完全复刻"的 Hacker News 克隆站，发布 1 小时内获得 5 分。该项目在 HN 前页列表中位列第 25 条，目前尚无评论。
Latent SpaceAI 评分2222 OpenAI 内部模型发布 722 篇数学论文，解决 500 个开放数学难题中的 90 个
OpenAI 从一个未发布的内部前沿模型发布 722 篇数学手稿，归入 372 个相关结果族，来自约 4,000 个研究问题的评估，平均每个结果消耗约 3 小时 ChatGPT Pro 算力。其中 Result 003「准黎曼假设」被数学家 Levent Alpöge 称为「数学史上最重要的时刻」，约 20% 的结果为反证或反例。模型本身仍未发布。
Simon WillisonAI 评分2020 Mistral Large 4 发布：用「穿渔网袜的犰狳在火星乱穿马路」测试前沿模型
Simon Willison 用同一提示词测试了 Mistral Large 4 与 claude-opus-5.5、gpt-6.1-sol、gemini-3.8-flash 生成 SVG 的能力，提示词为「穿渔网袜的犰狳在火星乱穿马路」。该测试源于 wren6991 关于基准已饱和的评论，各模型均使用默认推理等级。
Simon WillisonAI 评分2222 用 Parseable 配合 Datasette 追踪 OpenTelemetry traces
Simon Willison 记录了如何用 Parseable 接收 Datasette 的 OpenTelemetry traces。Parseable 是兼容 OpenTelemetry 的新可观测性工具，提供 AGPL 开源 Rust 实现（单个约 180MB 二进制）、企业版和云托管选项。
GitHub Blog · AI & MLAI 评分5757 GitHub 发布 ReviewBench：一个开放的 AI 代码审查基准
GitHub 发布 ReviewBench，一个面向 AI 代码审查 Agent 的离线基准，现已通过 ReviewBench 网站提供研究预览版。
Hugging Face Blog精选AI 评分6262 微软与 Hugging Face 开源 ThinkingBox：按数据库终态给 AI agent 打分，507 条任务各跑 20 次
微软 Copilot Studio 团队与 Hugging Face 联合发布 ThinkingBox，它不看 agent 的最终回复或工具调用是否合法，而是检查其留在后端数据库里的终态和副作用，并对 507 条有状态业务流程各跑 20 次。
推荐理由：想给自家 agent 加可靠性评测的，可以直接用这套 MIT 许可的沙盒和 507 条任务跑一遍，重点看 20/20 全过率而不是 pass@1。
Latent SpaceAI 评分2222 AINews：GPT-6.1 Sol 与 Sonnet 5.5 重塑性价比前沿
OpenAI 发布 GPT-6.1 Sol，定价 $2/$10 每百万输入/输出 token，比 Astra 的 $10/$50 便宜 81%，在 Agent Arena 以 $0.56 中位成本进入第 5 名。Anthropic 的 Sonnet 5.5 首秀排名第 3，并在 Chat 类别登顶，每任务成本 $2.74。Anthropic 模型目前占据 Agent Arena 前三名。
Hugging Face BlogAI 评分2222 Hugging Face 推出 Open TTS Leaderboard：面向多语言 TTS 与声音克隆的可扩展评测
Hugging Face 上线 Open TTS Leaderboard，用客观指标评测开源多语言 TTS 与声音克隆模型，单模型评测耗时从数周投票缩短到数小时。
Latent SpaceAI 评分2828 Opus 5.5 擅长讲解视频：SimpleBench 88.4% 登顶
Claude Opus 5.5 本周发布后在讲解视频类任务上表现突出，以 88.4% 登顶 SimpleBench，并被 @skalskip92 评为 Anthropic 迄今最强视觉模型，成本比 Fable 5.1 低约 60%。
Hugging Face Blog精选AI 评分6262 我们如何用本地模型免费给 OpenClaw 仓库做 PR 分类
Hugging Face 博客分享了用本地模型对 OpenClaw 仓库的 issue 和 PR 做实时分类与通知的实践，作者在 NVIDIA GB10 上运行 gemma-4-26b-a4b 和 qwen3.6-35b-a3b，通过 Pi 智能体框架配合只读的 reposhell 和 final_json 工具输出结构化标签。
推荐理由：用本地模型做 PR/issue 分类的完整实测，含 330 行评测集与 Gemma、Qwen 的精度、吞吐对比，可照着搭一套。
Hugging Face BlogAI 评分4848 Hugging Face 用 transformers 实测：开源模型在自有工具上的 agentic 能力基准
Hugging Face 发布了一套以 transformers 为案例的工具型 agent 基准，不看最终答案，而是测 agent 完成任务所花的成本、延迟、token 用量与失败次数。
OpenAI NewsAI 评分2020 OpenAI 发布 LifeSciBench：面向生命科学研究任务的专家评测基准
OpenAI 发布 LifeSciBench，一个由专家编写并评审的基准，用于评估 AI 系统处理真实生命科学研究任务与决策的能力。该基准聚焦真实科研场景，而非通用问答。
Supabase BlogAI 评分2222 Supabase 解读何时用 Read Replicas、何时升级更大计算规格
Supabase 发文给出数据库变慢时的扩容判断标准：CPU（用户进程）持续高于 70% 或工作负载以写入为主时应升级计算规格，分析查询拖累生产库或欧洲、亚洲用户延迟高时则加 Read Replicas。
Neon BlogAI 评分2222 Neon 对比 AWS RDS：大规模场景下的快照机制反思
Neon 发文对比其与 AWS RDS 在大规模 Postgres 数据库下的快照体验，指出当数据库增长到数 TB 级别时，AWS RDS 快照主要用于防范误操作，实际使用体验会明显变差。文章围绕快照这一生产环境安全网展开，讨论两者在规模扩大后的差异。
OpenAI NewsAI 评分2020 OpenAI 发布 BrowseComp：面向浏览智能体的基准测试
OpenAI 推出 BrowseComp，一个面向浏览智能体（browsing agents）的基准测试。该基准用于评估智能体在浏览网页时的能力表现。
Hugging Face Blog精选AI 评分6262 用 Sentence Transformers 微调重排模型：150M 小模型 30 分钟超过 13 个公开基线
Hugging Face 发布教程，讲如何用 Sentence Transformers 的 CrossEncoderTrainer 微调重排模型（cross-encoder），涵盖数据集格式、损失函数、训练参数、评估器和训练器五个组件。
推荐理由：用 99k 条 GooAQ 数据微调 150M 重排模型，30 分钟就能超过 13 个公开基线，做搜索的可以照脚本复现。
Neon BlogAI 评分2222 并排对比 Cursor 与 Windsurf 的编程体验
Cursor 和 Windsurf 都是基于 VSCode 分支、底层使用 Anthropic Claude 模型的 AI IDE，功能集相似。文章对两者进行了并排编程对比。
Neon BlogAI 评分2222 Postgres 用户用 SQLite 做测试的隐患
Neon 发文指出，SQLite 虽然内置于每台 Android、iPhone、浏览器和 Mac、Windows 设备中，但 Postgres 用户用它做测试存在隐患。文章提醒开发者注意两者差异带来的风险。
Neon BlogAI 评分2222 本地优先框架与方法对比：local-first 架构怎么选
Neon 博客对比了 local-first（本地优先）框架与实现方法，聚焦 Google Docs、Replit 这类云端应用背后所需的同步机制。文章从云端应用的“魔法感”切入，讨论本地优先架构在多人协作场景下的取舍。
Neon BlogAI 评分2020 如何看待 Node.js 之外的 Bun 和 Deno 运行时
Node.js 运行时领域近年出现 Bun 和 Deno 等新竞争者，打破了 Node.js 此前的唯一可行地位。文章探讨这些新运行时是否已准备好投入正式使用，以及它们各自适合在什么场景、由谁来用。
Neon BlogAI 评分2222 Neon 自动扩缩容实测：用 pgbench 对 Postgres 做负载测试
Neon 用 Postgres 基准测试工具 pgbench 演示自动扩缩容：模拟 30 个客户端并发执行一条含高开销数学函数的重查询。测试展示了负载上升时 Neon 如何自动调整计算资源。
Supabase BlogAI 评分3434 Supabase 如何把 Realtime 性能测试自动化：从 k6 到 Grafana 的实践
Supabase 为验证重写后的 Realtime 服务（v1 复制、v2 RLS、v3 集群三个版本）性能，用 k6 做负载生成、Grafana 加 Prometheus 做可观测性，并引入 Telegraf 中转指标，搭建起一套手动性能测试流程。测试中发现负载机资源耗尽、Prometheus 推送端点被压垮等问题，最终通过自动化解决手动启动 VM、共享资源和更新多台负载机代码的痛点。
Neon BlogAI 评分2222 Mistral 7B 与 BAAI 模型在 Workers AI 上对比 OpenAI 模型的 RAG 表现
针对 RAG 场景，Mistral 7B 和 BAAI 模型在 Workers AI 上与 OpenAI 的 GPT 模型进行了对比分析。文章探讨了在 AI 应用中如何选择合适模型，Mistral 7B 被视为 OpenAI GPT 模型的一个有前景的替代方案。
Supabase BlogAI 评分3030 Supabase Beta 2023 年 10 月更新：@supabase/ssr、pgvector 基准测试与 CLI 存储管理
Supabase 发布 @supabase/ssr，用 cookie 存储用户会话，并更新 create-next-app 模板以兼容 Next.js 14。pgvector 在成本与查询吞吐上优于 Pinecone 且不牺牲准确率，同时 Supabase CLI 新增 Storage bucket 管理命令。
Supabase Blog精选AI 评分6262 Supabase 实测 pgvector 与 Pinecone：同预算下 QPS 与成本对比
Supabase 用 dbpedia 数据集（100 万条 OpenAI 1536 维 embedding）对比 pgvector 与 Pinecone，在约 480 美元/月的同等预算下，pgvector 的 HNSW 索引比 Pinecone s1 方案多处理 1185% 的每秒查询数，且每月便宜 70 美元。
推荐理由：Supabase 用同一数据集和预算对比 pgvector 与 Pinecone，做向量检索选型或想省下托管费的可以看这份实测数字。
Supabase Blog精选AI 评分6262 Supabase 实测 pgvector 0.4.0：100 万条 OpenAI embeddings 跑到约 1800 QPS
Supabase 用 ANN Benchmarks 方法在 dbpedia-entities-openai-1M 数据集（100 万条 1536 维 OpenAI embeddings）上测试 pgvector 0.4.0。
推荐理由：Supabase 用 1M OpenAI embeddings 实测 pgvector 0.4.0 的 QPS 与准确率，并给出 lists、probes 与预热的具体调参路径。
Supabase BlogAI 评分3838 Postgres 全文搜索对比 SQLite FTS、MeiliSearch、OpenSearch 与 Typesense
Supabase 发文对比 Postgres 全文搜索（FTS）与 SQLite FTS、MeiliSearch、OpenSearch、Typesense 等新一代开源搜索引擎。