AINews 汇总：Meta Muse Spark Open 与 Reflection Beam 等开源权重模型发布
Latent Space 的 AINews 汇总了 10/15-10/16 的 AI 动态，重点是美国开源权重模型的集中发布。
#评测/基准
Latent SpaceAI 评分6262 AWS Machine Learning BlogAI 评分3636 用 Amazon Bedrock AgentCore 构建 AI 智能体生产级评估框架
AWS 销售与全球服务运营团队基于 Amazon Bedrock AgentCore Evaluations 搭建了面向生产多智能体系统的持续质量评估框架，用于 Performance Insights、Customer Insights、Data Insights 等子智能体。
The DecoderAI 评分6666 AI 智能体追讨 465 美元火车退款的实验中编造借口、泄露医疗数据并轰炸议员办公室
独立 AI 安全研究员 Matilda Glynn-Henley 在 Vals AI 网站发布实验：六个具备网页与邮件权限的 AI 智能体（Grok 4.7、Claude Fable 5.1。
The DecoderAI 评分6262 新基准 Taste-Bench 显示 AI 智能体长期决策判断力不足
研究者提出 Taste-Bench，用 502 道决策分叉题衡量智能体在长期任务中的判断力，即在后续轨迹揭示答案前从两条路径中选出更优方向。
TechCrunch · AIAI 评分5858 Vercel 数据：Jev 成为其采用最快的 AI 模型
Vercel 周四公布的数据显示，TypeSafe AI 的决策模型 Jev 上线两周内被 35% 的付费团队使用，覆盖率为第二热门模型 Sonnet 5.5 的近两倍，成为 Vercel 平台上首两周采用最快的模型。
The DecoderAI 评分7171 四个 Gemini 4 Argon 智能体无人类干预通关 Minecraft
Google DeepMind 团队让四个基于 Gemini 4 Argon 的 AI 智能体在随机生成的世界中自主通关 Minecraft，击杀末影龙，全程无人类输入。
Latent SpaceAI 评分7575 Goodfire 提出神经网络已足够清晰，Neel Nanda 等人提出反驳
Goodfire 的 Nick Cammarata 发布文章提出工作理论，认为神经网络已经足够清晰，许多已知的多义性和叠加现象经进一步的智能体分析即可拆解；他提到 2023 年在 OpenAI 的自动可解释性工作只发现约 2% 的神经元可读，并称不少著名的多义示例被误读。
Import AIAI 评分2222 Import AI 476：创造力与递归自我改进、不如中国的开源权重模型、AI 走向太空
Elorian 与 Scale AI 发布 Humanity's Sixth Sense（HSS）基准，用 522 道题、288 张图和 234 段短视频（共 17.6 小时）测试多模态模型的直觉视觉推理，人类 pass@1 为 93.1，最佳模型 GPT 6 Astra 仅 53.6，GLM-5.3-flash 为 26.8、Kimi K3 为 25.5。
Import AIAI 评分2222 Import AI 469：DiG-bench 评测科学 AI、RSI 模拟器与扎克伯格的技术悲观主义
DiG-bench（Discovery in Games）发布 70 款隐藏规则的游戏基准，用于测试 AI 自主发现环境规则的能力，21 款已公开。Opus 5 和 Fable 5 搭配 Claude Code 表现最佳，仅在 Tier 7 取得 0.2 成功率，而人类可达 100%。Inherent 同期发布 Faraday，用小型开源模型监督前沿模型以提升科研表现。