论文提出轨迹式人工智慧评估框架
论文提出以轨迹衡量人工智慧：关注大模型建议在决策条件变化时是否仍恰当，而非只测能力。框架含七项阶段标准、两项转换评估，主结果为九成分画像，并单独报告瓶颈与关键失败。简化模拟未验证完整方案，价格、国内可用性未知。
要点
- 人工智慧被定义为情境敏感的判断调节，评估前由版本化参照规范确定可接受回答与转换的重要性。
- 稳定性要求先前判断充分，允许在已登记承诺类别内切换，持续错误不获得稳定性得分。
- 单准则模拟在每领域24个情景达到精度标准；接近瓶颈并列时估计偏低0.55分，且能否预测独立决策结果仍未证实。
为什么值得看
现有能力基准只衡量大模型能做什么，并未检验决策条件变化后建议是否仍然恰当。该研究把人工智慧定义为情境敏感的判断调节，并给出可预先规定的轨迹评估方案。
谁会受影响
面向研究大模型决策建议、评测基准与验证协议的学者；论文提交者署名为Md Jalil Piran。
今天就能怎么试
资料未提供可运行工具、代码或试用入口，完整分析的可行性与校准仍待评估。价格、具体参数和国内可用性未知，未实测。
原始来源
1Evaluating Artificial Wisdom (AW): A Trajectory-Based Framework for Context-Sensitive Decision Regulation · arXiv cs.AI · 2026年10月23日✓ 已打开核对本条由 AI 根据上面的原始来源整理，经编辑审核后发布。数字和结论以原文为准，发现错误欢迎反馈。
相关动态
开放世界模型结合游戏引擎，单卡生成实时可玩画面
Matrix-Game 4.0 让轻量引擎负责规则和状态，视频模型将低多边形画面转成细致视觉，编码智能体则修改场景与玩法。论文报告 RTX 5090 上实现 480p、60 帧交互，按键到显示延迟为 112 毫秒，并宣布开放代码与资产。实时帧率需与响应延迟分开看。
业务智能体基准检查执行过程，完成任务也可能判失败
BizAgentBench 将 789 份知识文档、601 项业务工具和 50 个长流程任务放进可执行环境，既核验最终目标，也检查中间步骤约束。论文显示只看任务完成会掩盖无效操作；HF 早期标题为 BizBench，arXiv 修订版已改名。同时还应记录任务过程中的工具调用成本。
中英密集文字生图基准发布，专测海报长文与布局
UltraText Bench 提供 432 条人工检查的提示，覆盖 24 类真实场景，中英文各半，每张图要求四至十二处文字。评估分别看文字准确、清晰度、空间安排和场景质量，揭示快速模型可能更清晰却更容易写错字的取舍。适合中文海报选型。
AI协助发现PHP高危漏洞，网站维护者面临集中修补
爱范儿梳理 PHP2Shell 漏洞披露与紧急修补过程，介绍 OpenAI 安全研究在构造可复现证据中的作用。事件涉及底层软件广泛使用带来的连锁影响；具体风险取决于运行版本与部署条件，不能把使用 PHP 都等同于已经遭入侵。