## 🔍 核心洞察
**斯坦福**与**Google DeepMind**联手用 **AlphaEvolve** 把静态工具调用基准“进化”得更难，直指评测过易的行业痛点 [1]；与此同时，**Amazon** 审计发现 9 个政策决策基准的参考答案与评分代码自身有错 [17]，**Anthropic** 神秘新模型在 **METR** 调查中 RSI 速度翻倍 [21]——评测可信度与模型能力正同步接受拷问。
## 🚀 重点动态
- **斯坦福与 DeepMind 用 AlphaEvolve 进化工具调用基准** [1]：TURTLE 方法对 AppWorld 等基准做变异，加入过滤条件与隐藏查询，把过易任务改造成仍可解但更难的测试。
- **Amazon 论文审计 9 个政策决策基准** [17]：发现税务、法律、商业规则类基准常把正确答案判错，根源在参考答案或评分代码本身有误。
- **Anthropic 最强 Model 4 首次曝光** [21]：METR 调查显示其 AECI 得分 178.6，2025 年 10 月后研发速度翻倍，80% 加速来自 AI 自助研发。
- **Simon Willison 用 Claude 对比 C 与 Rust 实现 SQLite 扩展** [9]：在 Claude 协助下编写 parse_number() 扩展，对比两种语言实现的性能与体积差异。
- **swyx 访谈 Mihail Eric：Stanford CS146S 如何教 AI 原生工程** [16]：Latent Space 在 AI Engineer 频道达成 100 万订阅之际，讨论 AI 原生软件工程该学什么 [18]。
- **个人“手搓”AI 股票分析助手热潮** [11]：DeepSeek、OpenAI 等模型结合 Ollama、OpenClaw 与低代码平台，普通投资者无需编程即可自建投研工具。
- **科技股估值 9 年来首次比大盘“便宜”** [23]：标普 500 科技板块远期市盈率首次低于大盘整体水平，多家华尔街机构同步给出加仓判断 [24]。
- **黄仁勋承认婚外情，英伟达成立独立调查委员会** [19]：董事会审查其是否成为情报行动目标，涉及新加坡 Megaspeed 公司高管关系。
## 🔗 Sources
[1] 斯坦福与DeepMind用AlphaEvolve进化工具调用基准 — https://aihot.news/items/rialbh5b2eqfs3dk649pr5ak7
[9] Simon Willison 用 Claude 对比 C 与 Rust 实现 parse_number() SQLite 扩展的性能与体积 — https://aihot.news/items/ppdjty0ow3ytzemiylt9jb0xa
[11] 个人“手搓”AI 股票分析助手热潮掀起，全民投研时代要到来了？ — https://www.bestblogs.dev/article/391a0473a9?utm_source=rss&utm_medium=feed&utm_campaign=resources&entry=rss_article_item
[16] swyx 访谈 Mihail Eric：Stanford CS146S 如何教授 AI 原生软件工程 — https://aihot.news/items/qjymzxvzgpiulyjjkcjaqt10u
[17] Amazon 论文审计 9 个政策决策基准，发现评分器和参考答案自身有错 — https://aihot.news/items/gp0q36wvaswnf2rnc5gz9lhrb
[18] 斯坦福 CS146S 如何教 AI
斯坦福与Google DeepMind联手用 AlphaEvolve 把静态工具调用基准“进化”得更难，直指评测过易的行业痛点 [1]；与此同时，Amazon 审计发现 9 个政策决策基准的参考答案与评分代码自身有错 [17]，Anthropic 神秘新模型在 METR 调查中 RSI 速度翻倍 [21]——评测可信度与模型能力正同步接受拷问。
🚀 重点动态
- 斯坦福与 DeepMind 用 AlphaEvolve 进化工具调用基准 [1]：TURTLE 方法对 AppWorld 等基准做变异，加入过滤条件与隐藏查询，把过易任务改造成仍可解但更难的测试。
- Amazon 论文审计 9 个政策决策基准 [17]：发现税务、法律、商业规则类基准常把正确答案判错，根源在参考答案或评分代码本身有误。
- Anthropic 最强 Model 4 首次曝光 [21]：METR 调查显示其 AECI 得分 178.6，2025 年 10 月后研发速度翻倍，80% 加速来自 AI 自助研发。
- Simon Willison 用 Claude 对比 C 与 Rust 实现 SQLite 扩展 [9]：在 Claude 协助下编写 parse_number() 扩展，对比两种语言实现的性能与体积差异。
- swyx 访谈 Mihail Eric：Stanford CS146S 如何教 AI 原生工程 [16]：Latent Space 在 AI Engineer 频道达成 100 万订阅之际，讨论 AI 原生软件工程该学什么 [18]。
- 个人“手搓”AI 股票分析助手热潮 [11]：DeepSeek、OpenAI 等模型结合 Ollama、OpenClaw 与低代码平台，普通投资者无需编程即可自建投研工具。
- 科技股估值 9 年来首次比大盘“便宜” [23]：标普 500 科技板块远期市盈率首次低于大盘整体水平，多家华尔街机构同步给出加仓判断 [24]。
- 黄仁勋承认婚外情，英伟达成立独立调查委员会 [19]：董事会审查其是否成为情报行动目标，涉及新加坡 Megaspeed 公司高管关系。
🔗 Sources
[1] 斯坦福与DeepMind用AlphaEvolve进化工具调用基准 — https://aihot.news/items/rialbh5b2eqfs3dk649pr5ak7
[9] Simon Willison 用 Claude 对比 C 与 Rust 实现 parse_number() SQLite 扩展的性能与体积 — https://aihot.news/items/ppdjty0ow3ytzemiylt9jb0xa
[11] 个人“手搓”AI 股票分析助手热潮掀起，全民投研时代要到来了？ — https://www.bestblogs.dev/article/391a0473a9?utm_source=rss&utm_medium=feed&utm_campaign=resources&entry=rss_article_item
[16] swyx 访谈 Mihail Eric：Stanford CS146S 如何教授 AI 原生软件工程 — https://aihot.news/items/qjymzxvzgpiulyjjkcjaqt10u
[17] Amazon 论文审计 9 个政策决策基准，发现评分器和参考答案自身有错 — https://aihot.news/items/gp0q36wvaswnf2rnc5gz9lhrb
[18] 斯坦福 CS146S 如何教 AI