作者设计 15 道两轮陷阱题，第一轮故意说出错误前提，第二轮装作没听见继续提问，用三个 AI 裁判评测了 5 个模型的'回头纠错'能力。150 次对话结果显示，融合模型 FUMO 旗下的 Fusion Code 以 90% 的纠错比例遥遥领先，GPT-6 Astra、Claude Fable 5.1、Claude Opus 5 和 GPT-5.6 均在 70% 左右。文章对比了模型路由与多模型协作的差异，指出榜单分数高不等于会在用户走偏时拦截，并介绍了 FUMO Fusion Max 2.0 在办公文档分析上的新能力。
文章解读了一篇关于 FDE（Forward Deployed Engineer）的论文《FDE-Gym》。该论文将真实企业项目改造成覆盖金融、医疗、制造、能源等 18 个行业的 95 个任务，评测 AI Agent 承担真实企业交付工作的能力。Agent 仅获得客户最初的一句话需求，需自行读文档、查系统、确认信息并判断客户真正的问题。评分不仅要求完成需求，还要求交付系统真正改善业务指标，乱找人、反复试错都会产生成本。结果显示最强模型平均得分仅 0.56，95 个任务中仅真正解决 14 个，最大瓶颈在于未写入需求的业务规则、隐性约束以及客户未表达清楚的问题。文章指出 FDE 的难点在于在信息不完整、需求模糊的环境里判断该解决什么并真正交付。
本文介绍了MLS-Bench基准测试，该测试旨在评估AI系统在机器学习研究中的方法发现能力，而非仅仅是工程执行能力。MLS-Bench包含12个领域、140个真实研究任务，通过控制可修改范围、复现强人类基线、跨条件验证等设计，将算法贡献与调参、容量等因素分离。实验表明，当前AI模型即使经过多轮迭代，也主要是在优化和组合现有组件，未能发现新机制，且在实验规划和论证判断方面表现不足。文章指出，真正的科学发现需要方法提出、实验设计、预算分配、证据判断等综合能力，而当前模型尚未具备。MLS-Bench已被Kimi K3、Qwen3.8-Max等模型官方评测采用，成为衡量AI研究能力的新前沿。
本文从AI视频创作者视角评测MiniMax发布的H3模型。通过36条实测视频，分析了H3在镜头叙事、微表情、音画同步及2K重拍等方面的表现。文章解读了H3的技术架构，指出其具备“执行导演”机制和音画同生能力，且成本低廉。最后探讨了开源对行业竞争及创作者的影响。
文章通过实测 7 个不同的设计 Skill 与 Kimi K3 模型的搭配效果，评估其在网页设计、动效和交互方面的表现。测试发现，design-taste-frontend 和 Impeccable 表现最佳，而 Kimi K3 自身的审美能力已相当出色。Skill 的作用更像是更换创意总监，而非简单的加分升级，优秀的 Skill 应为模型提供指引而非限制。
本文深入评测了新兴的 AI Agent 引擎 Hermes Engine，视其为 OpenClaw 的强力替代品。文章指出 Hermes 在稳定性、记忆持久化和进度可视化方面显著优于 OpenClaw，且完美兼容 OpenClaw 的技能生态。详细提供了 Linux/Mac/Windows 全平台安装教程、数据迁移方法及 Telegram Bot 集成指南，推荐搭配 Google AI Studio 的免费 Gemma 模型使用。
本文是对 AI 产品 Moxt 的深度评测。作者指出当前 AI 工作存在“上下文散”和“格式脏”两大痛点，而 Moxt 通过构建基于本地文件系统和 Markdown 格式的工作空间有效解决了这些问题。文章详细介绍了 Moxt 的核心功能：包括基于 AGENTS.md 的个人 AI 分身、支持 Skill 自动化的工作流、以及生成可视化的 HTML 报告。作者认为 Moxt 将 AI 从单纯的对话工具转变为具备记忆和执行能力的“同事”，非常适合处理复杂的组织协作任务。
文章评测了Genentech关于Agent端到端执行生物信息学工作流的预印本。测试涵盖基因组学等领域，Codex CLI和Claude Code表现良好，但存在运行间的不稳定性。作者指出，这虽然证明了Agent在处理依赖和调用工具方面的“操作员”能力，但目前仍缺乏对生物学判断和科学决策可靠性的验证。
作者经过数周实测，从1000多个GitHub仓库和200多个Claude技能中筛选出90个真正实用的AI工具。文章详细介绍了22个Claude Skills（涵盖办公、设计、开发、SEO等领域）、3个改变工作流的MCP服务器（Tavily、Context7、Task Master），以及25个核心开源Agent项目（如OpenClaw、AutoGPT、Dify）。此外还列出了40个值得关注的新鲜仓库，涉及Agent编排、基础设施、记忆系统及开发工具。
