FusionEval：大模型融合难低成本兼顾推理与工具使用
FusionEval是面向大语言模型融合的基准，用受控专家池比较免训练与需训练方法。专家来自Qwen3和Llama，覆盖数学、代码、科学、指令遵循和工具使用。结果显示免训练方法能保留推理，但工具使用明显下降；MOPD更均衡，却需要额外数据、推理和训练。低成本同时保住三项能力仍是挑战。
要点
- 免训练融合方法在两种模型规模上保留了推理表现，但工具使用能力明显下降。
- MOPD更能保留工具使用并取得较均衡的能力表现，不过需要额外的数据准备、推理和训练。
- 评测同时报告归一化平均与最差成绩、运行时间和峰值显存，低成本兼顾推理、指令遵循和工具使用仍困难。
为什么值得看
现有评测对长链推理和工具使用覆盖有限，平均成绩还可能掩盖单项专家能力损失，因此需要在统一条件下比较融合后的能力保留与计算成本。
谁会受影响
面向研究模型融合、把多个领域专家合并为单一大模型的研究者，以及基于Qwen3或Llama构建数学、代码、科学、指令遵循和工具使用专家的团队。
今天就能怎么试
论文称提供代码，但具体地址、版本、硬件要求、价格和国内可用性均未知；本次未实测。可按其八个公开基准，查看归一化平均与最差表现、运行时间和峰值显存。
原始来源
1FusionEval: Benchmarking Model Fusion for Large Language Models · 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。