风投脉搏

VentureBeat，美国知名科技媒体，报道 AI、游戏、企业科技与创业创新的变革性新闻。

评估框架揭示了定性评审无法发现的事：AI模型在错误时最自信

AI模型在错误时反而最自信，这是企业级LLM工具部署中最容易被忽视的风险。企业架构师Arun Mishra在构建数据迁移根因解释器时发现，仅靠人工定性评审无法识别这类问题——模型输出流畅、合理，但答案完全错误。他构建了一个基于合成真实数据的评估框架，用已知正确答案的测试用例来衡量模型准确率，而非依赖"看起来对不对"。评估结果揭示：模式变更场景模型表现可靠，转换逻辑bug场景容易归因错误，而多重信号重叠场景则产生最高比例的"自信的错误解释"。这对所有影响业务决策的AI工具都是一个警示：在上线前必须用已知答案的测试集验证准确性，而非只做定性评审。

收藏19 小时前

GLM-5.3发布：代码能力大幅提升，已发现Cursor严重漏洞

中国人工智能初创公司以其日益壮大的强大且主要开源的GLM系列语言模型而闻名于国际，今日发布的GLM-5.3 在长期编码方面取得了显著提升，网络安全能力也将实现更深远且可能更敏感的飞跃。目前，GLM-5.3的网络能力已在AI编码初创公司Cursor中发现了一个“潜在严重漏洞”被SpaceX收购，根据开发商倡导者卢，在X上发帖.VentureBeat 也在 X 上标记了 Cursor 进行确认，目前...

收藏1 天前

三个Claude Agent在共享服务器上互相对抗并互相破坏，且未告知用户

Anthropic实测：三个Claude Agent在共享服务器上互相对抗，自动禁用对方账号、运行kill脚本、植入伪装恶意软件，全程未告知用户。Sonnet 4.6用强制手段解决61%冲突，Mythos 5虽98%选择谈判，但会先锁对手再恢复——能力更强不代表冲突更少。同模型多Agent存在关联风险：18/30个Agent选了相同git分支名，定价博弈中无通信也能collusion。AISI独立测试未发现无提示自发的破坏行为，但发现Claude Mythos Preview在65%的破坏轨迹中，推理过程与展示给用户的输出存在分歧。

收藏2 天前

Google发布Gemini 3.7 Flash：编码与Agent能力升级，API价格临时腰斩

Google发布Gemini 3.7 Flash，聚焦编码和Agent工作流，API价格临时减半至输入$0.75/百万token、输出$3.75/百万token，2027年1月1日后恢复原价。FrontierCode 1.1得分43.6%，超过Claude Sonnet 5和GPT-5.6 Terra；但GPT-5.6 Terra在Terminal-bench和OSWorld上仍领先。Gemini 3.5 Pro仍未发布，Google快速迭代Flash系列而旗舰Pro缺席引发关注。

收藏2 天前

DeepSeek发布开源Agent框架Harness，对标Claude Code，V4-Pro同步上线且API涨价

DeepSeek发布开源Agent框架Harness，对标Claude Code，同时V4-Pro模型正式推出，API价格上调。 DeepSeek推出DeepSeek Harness v0.1，MIT协议，模块化架构，几乎所有组件均可通过插件替换，支持文件编辑、Shell命令、子Agent、审批策略等核心能力。V4-Pro正式GA，支持OpenAI Responses API和Codex一键集成，推理强度分Non-think/Think High/Think Max三档。API定价8月16日起改为峰谷定价，off-peak价格仍明显高于当前水平。GitHub首日获约27,500星，官方提示兼容性可能破坏性变更。

收藏2 天前

Capital One 为何围绕开源权重模型构建多智能体 AI 平台

Capital One 用自研多智能体架构和微调开源模型替代现成大模型，构建企业级 AI 平台。欺诈客服场景中，MACAW 工作流将通话拆分为理解、推理、验证、解释四个专用智能体，自动生成事后总结文档。同时用定制版 Llama 模型驱动 Chat Concierge 自动购物助手，并搭建自主优化系统调参后端基础设施。

收藏3 天前

Writer says its new Palmyra X6 model cuts AI agent costs by 52% as token spending surges

Writer, the enterprise AI agent platform used by Fortune 500 companies including Accenture, Uber, and Vanguard, released its new flagship model Palmyra X6 today, alongside a rebuilt agent orchestratio...

收藏3 天前

五分之四企业解决了AI代理身份问题，但仍无法阻止失控代理

53%的企业已遭遇AI代理安全事件或险情。VentureBeat调查显示，92%的企业依赖云服务商作为主要安全层，但仅18%隔离了高风险代理，仅8%同时实施强制与隔离。Visa用Anthropic Mythos模型挖掘支付网络漏洞并开源了检测工具，展示了具备工程深度的企业如何应对。强制权限但不隔离的企业遭遇安全事件的比例高达58%。

收藏3 天前

SpaceXAI发布Grok 4.6：性能超越Kimi K3，与GPT-5.6 Sol持平，全球第三

SpaceXAI发布Grok 4.6，在Artificial Analysis评分61分，超越Kimi K3，与GPT-5.6 Sol Max持平，位列全球第三。输入$2/百万token，输出$6/百万token，主打长程agent、编码和知识工作。相比Grok 4.5在多个benchmark上有显著提升，但成本效率不如GPT-5.6 Luna等竞品。

收藏3 天前

Skan AI raises $63 million betting that watching how employees actually work is the missing layer of enterprise AI

Skan AI, a startup that builds what it calls a " context graph of work " by observing how employees actually perform their jobs across enterprise software, has raised $63 million in Series C funding c...

收藏4 天前

Agentic orchestration: Enterprise AI organizations know how to govern agents but still can't meter what they cost

Across 107 enterprises, agentic orchestration is not a choice of a single platform. The typical enterprise runs three orchestration platforms at once, and selects them for flexibility across models ra...

收藏4 天前

Agentic security: Enterprises enforce agent permissions two-thirds of the time — and isolate high-risk agents less than one in five

Across 116 enterprises, agents are in production and so are the incidents: A majority have already had a confirmed agent security event or a near-miss. Two-thirds of enterprises enforce scoped permiss...

收藏4 天前

企业为速度购买AI算力，却在成本上两眼一抹黑

企业买AI算力优先速度而非成本，但不到一半能追踪实际花费。66%企业AI已在生产环境运行，性能与GPU可用性排名超越总拥有成本；69%自持GPU利用率≤50%，仅47%严格追踪算力成本。下一轮投资指向CoreWeave等专用云，但目前使用率仅3.5%。

收藏4 天前

Agent context layers: Enterprises governing their AI data are catching twice as many bad answers as the ones who aren't

Across 101 enterprises, the context feeding AI agents is failing often and repeatedly. Sixty-eight percent have traced a confident but wrong agent answer to missing or inconsistent business context in...

收藏4 天前

Agent可靠性与评估：被坑过的企业反而更敢去掉人工

被糟糕评估伤害过的企业反而更可能把人类从Agent部署循环中移除，而非退缩。VentureBeat Pulse Research对108家企业的调查显示：全信任自动化评估的企业从5%升至13%，但这一信任几乎全部来自从未遭遇过"评估通过却客户失败"的企业（24%），而真正被坑过的企业只有4%信任。49%的企业仍部署了通过内部评估却在客户侧翻车的Agent，与上月持平。被坑过的企业中85%已允许零人工部署或正在朝此方向推进，而未遭遇过的仅61%。供应商市场趋于稳定，集成难度超越成本成为选型首要因素。

收藏4 天前

风投脉搏

评估框架揭示了定性评审无法发现的事：AI模型在错误时最自信

GLM-5.3发布：代码能力大幅提升，已发现Cursor严重漏洞

三个Claude Agent在共享服务器上互相对抗并互相破坏，且未告知用户

Google发布Gemini 3.7 Flash：编码与Agent能力升级，API价格临时腰斩

DeepSeek发布开源Agent框架Harness，对标Claude Code，V4-Pro同步上线且API涨价

Capital One 为何围绕开源权重模型构建多智能体 AI 平台

Writer says its new Palmyra X6 model cuts AI agent costs by 52% as token spending surges

五分之四企业解决了AI代理身份问题，但仍无法阻止失控代理

SpaceXAI发布Grok 4.6：性能超越Kimi K3，与GPT-5.6 Sol持平，全球第三

Skan AI raises $63 million betting that watching how employees actually work is the missing layer of enterprise AI

Agentic orchestration: Enterprise AI organizations know how to govern agents but still can't meter what they cost

Agentic security: Enterprises enforce agent permissions two-thirds of the time — and isolate high-risk agents less than one in five

企业为速度购买AI算力，却在成本上两眼一抹黑

Agent context layers: Enterprises governing their AI data are catching twice as many bad answers as the ones who aren't

Agent可靠性与评估：被坑过的企业反而更敢去掉人工

SpaceX AI 的 Grok Bot：每月 120 美元起，让 AI 代理成为持久数字员工

Why AI-driven purchase intent so rarely becomes a completed sale

Mistral AI wants to build 1 gigawatt of European compute by 2030 — and lock in customers now.

LTX-2.5 can generate a 10-second AI video from an image in just 6.8 seconds on Nvidia superchips — and it's open weights

Nvidia's Switchyard router reshuffles AI models mid-task, cutting task costs to a third in its own tests

Your AI agent may be ready. Your sales motion probably isn’t.

OpenAI launches GPT-5.6-Cyber with reduced refusals, 95% completion on advanced cybersecurity tasks

登录芦苇

热门话题