1
为测试 Win11 共享音频功能，微软专门搭建了一座“飞机客舱”
微软为了测试Win11共享音频功能，竟然专门搭了个飞机客舱，这波操作够硬核！
IT之家 7 月 16 日消息，微软设计与研究负责人 Marcus Ash 于 7 月 11 日在 X 上发帖，回顾了微软此前在研发 Windows 11“共享音频（Shared Audio）”功能过程中的一项幕后细节。 为了让这一功能能够更贴近真实使用环境，而不仅仅停留在实验室测试阶段，微软专门搭…
2
Beyond Perplexity: A Behavioral Evaluation Framework for Deployment-Memory Claims in LLM Test-Time Training
测试时训练宣称能记住部署数据，但困惑度真的够吗？本文提出行为评估框架，用交互式测试验证模型记忆声明，比指标更可信。
arXiv:2607.00368v1 Announce Type: new Abstract: Large language model test-time training (TTT) is often evaluated through local proxy metrics: models a…
3
New Microsoft tool lets devs spin up AI behavior tests using text descriptions
微软推出新工具，开发者只需输入文字描述即可自动生成AI行为测试，大幅降低评估门槛。
Microsoft on Tuesday took the wraps off Adaptive Spec-driven Scoring for Evaluation and Regression Testing, an open source framework for spinning up A…
4
Researchers let AI models run a simulated society; Claude safest, Grok extinct
AI模型模拟社会实验：Claude表现最安全稳定，Grok竟走向灭绝，这项研究揭示不同AI在复杂环境中的行为差异。
Article URL: https://tech.yahoo.com/ai/claude/articles/researchers-let-ai-models-run-070300865.html Comments URL: https://news.ycombinator.com/item?id…