AI 是否便宜到足以取代开发者
文章对比公开基准与私有代码库上的分数落差，指出 Claude Opus 4.8 在 SWE-bench Verified 上达 88.6%，而在真正私有商业集上无模型超过 47%。
#评测/基准
Hacker News AIAI 评分5858
OpenRouter AnnouncementsAI 评分5050 开放权重与闭源权重模型有何区别：OpenRouter 数据显示开放权重模型已占前 50 模型 token 的 72%
OpenRouter 数据显示，开放权重模型在前 50 模型 token 中的占比从 2025 年 10 月的 27% 升至 2026 年 9 月底的 72%。
Hacker News AIAI 评分4545 为什么 AI 设计工具总做出同一张传单：Claude Design、Canva、Moda 与 Grafista 实测
在 Claude Design、Canva、Moda 和 Grafista 上各跑三次两组传单提示词后，Claude Design、Moda 和 Canva 对每组提示词都只保留一种版式，三次结果像同一设计换了配色；Grafista 则产出六份版式、字体与视觉概念各异的方案。
ChinaTalkAI 评分2828 专访葬AI作者咸鱼：吐槽中国 AI 行业
独立写作者咸鱼（葬AI）在 ChinaTalk 访谈中谈 AI 写作与行业炒作，他称自己 2025 年下半年起完全弃用 AI 写作，因主流模型编程能力提升的同时写作原创性明显下降。他还做了一个让普通人按“梗度”给视频模型排名的网站，并认为五年规划也是一种 benchmark。
Hacker News AIAI 评分5858 AI 智能体能否胜任资深专家工作？五项研究证据梳理
一项综述梳理五项研究后认为，AI 在部分任务和条件下可达到专家水平，但需自行测试具体任务。GDPval 用 44 个职业的真实工作产品让平均 14 年经验的专家盲评。
Nathan Lambert InterconnectsAI 评分4242 Artificial Analysis v5 发布：新 Intelligence Index 与基准测试者的两难
Artificial Analysis 更新 Intelligence Index 至 v5，按知识工作、编程、科学、通用各 25% 加权，纳入 AA-Briefcase、FrontierCode 2.0、Terminal-Bench 4.0、HLE-Diamond 等评测。
Hacker News AI精选AI 评分7878 建筑师实测 13 个 AI 模型：Claude Opus 5.5 能画出可报批施工图
建筑师 Stephen Gallagher 用同一套房屋概念草图和参考施工图，测试 13 个新旧 AI 模型的制图能力，认为 2026 年 9 月 22 日发布的 Claude Opus 5.5 最强，经人工批注修改后能产出可用于报批的简单建筑图纸。
推荐理由：作者以建筑师身份实测 13 个模型出图，给出各模型施工图质量对比与成本耗时，可据此判断 AI 制图的真实水平。
Browser Use BlogAI 评分3838 Browser Use 与 Browserless 对比：定价、隐身能力与功能差异
Browser Use 与 Browserless 均提供免自建浏览器集群的自动化能力，但计费与部署方式不同。Browser Use 按 $0.02/浏览器小时计费且无订阅，Browserless 采用订阅加用量单位制，Prototyping 年付起价 $25/月。
The DecoderAI 评分6060 Anthropic 联合创始人 Jack Clark 将自我改进 AI 预测提前至 2027 年
Anthropic 联合创始人 Jack Clark 把递归自我改进（RSI）可能出现的时间从 2028 年提前到 2027 年，依据是数学突破进展和 P-Zero Research 的 TasteVal 基准。
Microsoft ResearchAI 评分2323 Microsoft 研究播客：AI 会犯哪些错，失败能教我们什么
Microsoft 合伙人研究经理 Jennifer Neville 在 Microsoft Research Podcast 中与首席应用科学家 Chad Atalla 对话，讨论评估如何推动 AI 系统突破传统 benchmark 的性能边界，以及模型在超出常规测试时出现的"意外失败"。