AI 编程实时动态与要闻

2026-11-06，Cua（@trycua）与 Scale AI AgentEnv 联合发布 Cua Driver Bench（Bench v2）：固定 Claude Sonnet 5.5 与任务，只换 computer-use driver，考核任务完成、仅 GUI、以及 8 项「用户未被打扰」。Scale 口径 macOS 后台全通过：cua-driver 约 58%（23/40）、agent-desktop 约 20%、browser-use 约 3%；Cua 自跑 Codex Computer Use 约 33%。任务与轨迹公开可复跑。

查看大图

Scale AI 团队在 arXiv:2610.17724 中开源革命性智能体评测与验证架构 Sauron。针对大模型在长程智能体评估中作为裁判（LLM-as-a-Judge）时普遍存在的臆测裁判、幻觉解释与无法追溯问题，Sauron 提出“证据优先（Evidence-First）”范式。通过对执行轨迹进行自适应有界质询、提取确定性检查回执并隔离共享证据，在 PA100 基准上全面刷新 F1 分数，以比 Archipelago 低 85% 的推理成本实现 0.94 精确率与 0.97 召回率，评估速度飙升 4.2 倍。

查看大图

Meta 官方正式披露其位于俄亥俄州新奥尔巴尼的吉瓦级（Gigawatt-Scale）AI 超算中心 Prometheus，拥有数十万张顶尖 GPU，在预训练中实现超 85% 的有效算力率（Goodput），在强化学习（RL）中达到 90% 以上。在此超级算力加持下，Meta 新一代代码与视觉旗舰模型 Muse Wonder Full 在 LMSYS Code Arena: WebDev 中斩获 1726 分跃居全球第 6 名（超越 Claude Sonnet 5.5 与 Gemini 4 Argon），推动 Meta 晋升全球前三大模型实验室。

查看大图