Sayash Kapoor 等人提出开放世界评测并发布 CRUX 项目，AI 智能体成功上架 iOS 应用
Sayash Kapoor 与 Arvind Narayanan 等 17 位研究者发布 8000 字论文，定义开放世界评测这一新兴评测类型，并介绍定期开展此类评测的 CRUX 项目。
推荐理由：文章界定了开放世界评测这一新兴评测类型，并以 CRUX 首个实验给出智能体发布 iOS 应用的具体过程与成本细节。
评测基准
全部主题模型到底谁强：Benchmark 成绩、评测方法论争议与排行榜变化的持续记录。
当前仅显示精选新闻最新精选
第 41–44 条 · 共 44 条AI as Normal Technology精选AI 评分7474
Manus Blog精选AI 评分6363 Manus 横评 8 个免费 AI 作品集制作工具并给出 2026 年排名
Manus 博客用同一严格提示测试了 8 个 AI 作品集构建工具，按设计质量、AI 智能化程度和发布能力评分排名。Manus 和 Replit 均为 9/10，Aura、Figma、Webflow 为 8/10，Lovable、Wix 为 7/10，Jimdo 为 6/10。
推荐理由：作者用同一提示实测 8 个 AI 作品集构建工具，从设计、AI 智能化和发布能力逐项对比，读者可按预算和风格对号入座。
Manus Blog精选AI 评分6868 Manus 评测 7 款 AI 应用构建工具：同一提示下谁最能交付完整应用
Manus 用同一个 Solace Studio 健康工作室应用提示，实测 Manus、Lovable、Base44、Replit、Bubble、Figma App Builder 和 Glide 七个平台。结论是 Manus 综合最佳，几乎从单一提示交付支付、取消政策和预订逻辑等完整堆栈；Lovable 原型最精美，Replit 最适合开发者，多数平台仍主要生成前端，后端逻辑需手动补齐。
推荐理由：同一提示实测七款工具，指出多数平台只生成前端而支付与预订逻辑才是分水岭，结论可用于选型参考。
AI as Normal Technology精选AI 评分7070 AI as Normal Technology 团队发布论文《Towards a Science of AI Agent Reliability》
Sayash Kapoor、Arvind Narayanan 与 Stephan Rabanser 等人发布 66 页论文《Towards a Science of AI Agent Reliability》，将智能体可靠性拆解为一致性、鲁棒性、可预测性、安全性四维共 12 项指标。
推荐理由：论文把智能体可靠性拆成12个维度并实测14个模型，显示18个月内准确率大涨而可靠性仅小幅提升。