AI 日报 · 2026 年 11 月 4 日 · 星期三
AI STATION
IBM 同模型对比显示 CUGA 任务通过率领先
IBM 以同一 GLM-5.3-flash 模型和 90 个 AppWorld 任务比较三款智能体系统，CUGA 通过率达 81.1%，高于 Hermes 和 Deep Agents。Collinear AI 同时发布网络安全评测基准 CWE-bench v2，Google DeepMind 为 Antigravity 推出药物化学技能。
论文研究
IBM CUGA、Hermes 与 Deep Agents 的同模型对比及选型方法
IBM 用同一 GLM-5.3-flash 模型和 90 个 AppWorld 任务比较 CUGA、Hermes 与 Deep Agents，任务通过率分别为 81.1%、46.7% 和 30.0%。CUGA 通过任务分解、执行前验证、自动反思、沙箱及策略层提供规则执行和边界内部署；文中也说明了测试样本、配置差异及未测试策略执行等限制。
Collinear AI 发布 CWE-bench v2 网络安全评测基准
Collinear AI 发布 CWE-bench v2，公开 100 个供模型查找并修复真实开源仓库安全漏洞的任务，覆盖 91 类 CWE。全部 11 个参评模型中，Gemini 4 Argon 以 67.8% pass@1、81.0% pass@4 领先，Claude Opus 5.5 的 pass@1 为 67.3%。
AllenAI 发布 StateBench，评测语言模型在长文档中的状态跟踪能力
AllenAI 发布 StateBench 长上下文状态跟踪基准及配套技术报告、数据和代码，用于测试模型在实体信息随文档演化时的更新追踪能力。
技巧与观点
Google DeepMind一手Google Antigravity 发布 Cheminformatics Skills 加速药物发现工作流
Google DeepMind 为 Google Antigravity 发布 Cheminformatics Skills，可让智能体执行文献检索、分子匹配对分析、效力模型训练和宏环分子设计。示例中，智能体在约 1 小时内检索数千种化合物，并提出带有合成路线的新刚性宏环候选；该功能现已提供，Enterprise 用户可通过 Google Cloud 凭据使用。
Hugging Face 提出 Transformers Model Integration Contracts 测试标准
Hugging Face 提出 Transformers Model Integration Contracts（MIC），用缩小模型、固定使用路径和人工审核的输出基线，在 PR 阶段检查模型集成回归。
推荐收听
本期新节目 · 根据公开标题与简介筛选，未核验音频全文；推荐在成刊时固定。
播客 · Unhedged · 英文
What Binance's historic heist means for crypto
公开标题与简介涉及经济与市场机制，包含访谈或机制分析线索；可作为深入收听候选。
It was the largest heist ever. Within a span of a night, more than $6bn vanished from Binance. That’s the blockchain platform that’s supposed to be the biggest and safest. Authorities point to North Korea as the likely culprit, but the company says it will make customers whole. Columnist Katie Martin and digital markets correspondent Nikou Asgari look at the breach and wonder why billions of dollars have already flowed back onto the platform. Fo…
19:35 · 2026/11/4