PulseAugur
中
实时 20:41:54
实体 Specialized Intelligence Index

Specialized Intelligence Index

PulseAugur coverage of Specialized Intelligence Index — every cluster mentioning Specialized Intelligence Index across labs, papers, and developer communities, ranked by signal.

Show in brief
总计 · 30天
4
90 天内 6
发布 · 30天
0
90 天内 0
论文 · 30天
0
90 天内 0
层级分布 · 90 天
主题
关系
时间线
  1. 2026-09-28 product_launch Fireworks expanded its Specialized Intelligence Index with the addition of Normalfactory and its CAD Arena, focusing on AI capabilities in computer-aided design. 来源
情绪 · 30 天

3 天有情绪数据

最近 · 第 1/1 页 · 共 6 条
  1. TOOL · CL_334942 ·

    Replit 发布 Cloud Agents 以进行代码生成并增强安全性

    Replit 推出了 Cloud Agents 功能,可将自然语言转换为经过测试的拉取请求,让用户能够将他们的想法直接集成到公司代码库中。此新功能已向 Pro 和 Enterprise 用户提供,该公司自己的设计团队已使用它输出了超过 250,000 行代码。Replit 还强调了其安全措施,这些措施成功阻止了近期内核漏洞的利用,并宣布了 Power Mode 下的 GPT-6.1 Terra 以及对日语的全面支持。

  2. RESEARCH · CL_334946 ·

    Replit 发布 ViBench 2.0 用于 AI 长期软件构建 · 跟踪 2 个来源

    Replit 发布了 ViBench 2.0,这是一个旨在评估 AI 代理在长期软件开发任务中的新基准。该基准模拟构建 Uber 或 GitHub 等真实世界产品,代理的任务是构建包含 241 项功能的 17 款不同产品。初步结果显示,即使是 GPT-6.1 Sol、GPT-6 Astra 和 Opus 5.5 等领先模型,在完成这些构建方面的成功率也仅在 49% 到 65% 之间。

  3. TOOL · CL_328743 ·

    Replit 发布 ViBench 2.0,用于长周期人工智能软件开发

    Replit 发布了 ViBench 2.0,这是一个旨在评估人工智能模型在长周期软件开发任务方面能力的新基准测试。与以往专注于特定编码问题的基准测试不同,ViBench 2.0 要求人工智能代理从头开始构建整个产品,并随着时间的推移逐步添加功能。该基准测试包含十七个不同的产品和 241 项功能请求,表现最佳的模型如 GPT-6.1 Sol、GPT-6 Astra 和 Opus 5.5 在测试计划上的成功率介于 49-65% 之间。

  4. FRONTIER RELEASE · CL_325620 ·

    Fireworks AI 发布 7 款新开源模型,挑战 Claude Opus 5

    在过去两周内,Fireworks AI 发布了七款新的开源模型,旨在使专业智能触手可及。其中,据报道,AIatMeta 的 Muse Spark Open 在金融基准测试中的表现优于 Claude Opus 5,而成本却显著降低。此次发布还包括用于低成本代理、长代理任务和路由的模型,以及用于金融、法律、编码和文档/图像处理的专业模型。

  5. TOOL · CL_270258 ·

    Fireworks 的专业智能指数新增 Normalfactory 的 CAD Arena

    Fireworks 已将其专业智能指数 (SII) 扩展,新增了 Normalfactory 及其 CAD Arena。此次整合旨在评估 AI 代理在将工程图纸转换为多平台准确且可编辑的 CAD 零件方面的能力。SII 现在包括计算机辅助设计的基准测试,以评估 AI 在工程应用中的性能。

  6. SIGNIFICANT · CL_269096 ·

    Fireworks AI 发布 Ember-1,Kimi K3 的一个 token 使用量减少 40% 的变体

    Fireworks AI 推出了 Ember-1,一个源自 Moonshot AI 的 Kimi K3 的模型。Ember-1 旨在产生更短的推理链,目标是在不影响任务准确性的情况下,将 token 使用量减少约 40%。这种优化是通过专门的后训练实现的,而不是简单地降低推理努力设置。Ember-1 目前可通过 Fireworks 无服务器 API 作为研究预览版提供,权重和训练细节未公开。