GPT-6.1 Sol 在发布 7 天后接替 GPT-6 Sol，智能指数比 GPT-6 Astra 低 1 分，价格仍为每百万输入/输出 token 2 美元/10 美元，缓存读取折扣从 90% 升至 95%。

Arena 公布 Claude Sonnet 5.5 (High) 在 Code Arena: WebDev 以 1699 分排第 4，混合价格约 $8 per Mtoken，比第 2、3 名便宜 80%。相较 Sonnet 5 (High) 的 1540 分提升 159 分，Reference-Based Design、Simulations、Gaming 均从第 30 多名升至第 4。

Arena 宣布 OpenAI 的 GPT-6.1 已上线 Agent Arena，用户投票将影响其评估，分数即将公布。Agent Arena 通过数百万个真实世界、长时程智能体任务评测模型，模型可调用网页搜索、文件系统和终端工具完成复杂工作流，排行榜采用因果追踪方法衡量模型相对平均模型的结果表现。

OpenAI 发布 GPT-6.1 Sol，升级了智能体编码和 computer use 能力，接近 Astra 性能。缓存输入定价为标准输入价格的 95% 折扣，模型面向复杂重构、深度代码库调查和跨应用长时间运行的智能体。

OpenAI 在 DevDay 上发布 GPT-6.1 Sol，称其在智能体编码、计算机使用和专业工作上接近 GPT-6 Astra 的智能水平，标准输入输出 token 价格仅为后者的五分之一。

OpenAI 发布 GPT-6.1 Sol，称其在智能体编码、电脑操作和办公任务上接近因安全问题未按计划发布的旗舰模型 GPT-6.1 Astra，成本约为后者的五分之一。

ElevenLabs 发布 Eleven v4 语音模型，能更准确跟随脚本中的情绪、停顿与音效标签，并在长篇制作中保持音色一致。新架构同时驱动 Turbo 版本，官方测试中约 150 毫秒开始输出语音，对比 Cartesia Sonic 3.6 的 262 毫秒和 OpenAI GPT-4o mini TTS 的 814 毫秒。

PostHog 开源了一个叫 Jeeves 的项目，核心思路是用推理（reasoning）来改进类似 Jev 的决策模型。简单说，就是让模型在做出判断前先“想一想”，而不是直接给结果。不过目前 GitHub 仓库只有一个 2026 年 9 月 29 日的提交，正文没有披露具体的模型架构、参数量或性能数据，所以效果到底怎么样、成本高不高，都还不清楚。如果...

OpenAI 发布 GPT-6.1 Sol，定位为面向编码、计算机操作和专业工作的接近 Astra 级智能。其标准 API 输入与输出 token 价格为 Astra 的五分之一。

Latent Space 的 AINews 汇总 9/24-9/25 动态，指出本周发布的 Claude Opus 5.5 在讲解视频生成上表现突出，并以 88.4% 领跑 SimpleBench。

Jeff 是一组从 Qwen3.5 和 Gemma 4 微调出来的 0.8B 参数小模型，专门做零样本分类——也就是不给例子直接判断类别。亮点是作者说在家用普通显卡上就能训练，推理一次只要 30 毫秒左右，延迟很低，适合塞进实时决策流程。模型兼容 Jev 格式，GitHub 上放了代码和权重。不过正文没披露用了多大训练集、在什么基准上测过，所以实际效果...

Reddit用户发帖说用一张RTX 3090跑Qwen 27B模型，生成了10万个token，吞吐量超过95 token/秒，上下文窗口开到262K。这个速度意味着本地跑长文本生成已经接近可用了——10万字级别的输出不用等太久。但帖子正文被Reddit屏蔽了，看不到具体用了什么量化、什么推理框架，也没法确认这是真实跑分还是某种优化后的极限测试。如果是真...

Claude Sonnet 5.5 是 5.5 家族的第二款模型，定位是日常编码、修 bug 和做文档、幻灯片这类边界清晰的工作。它跑得比 Sonnet 5 快 30% 以上，虽然输入输出单价没变（每百万 token 输入 2 美元、输出 10 美元），但完成同样任务用的 token 更少，实际单次任务成本最多能降 30%。在测模型自主编程能力的 Te...

Claude Opus 5.5 (High) 在 Agent Arena 的净改进分是 +12.15%，排第 2，只输给 Fable 5.1 (Max)。中位价格每任务 $1.31，比上一代 Opus 5 (High) 便宜 40%，比 Opus 5 (Max) 便宜 56%——如果这个数据稳定，跑 agent 的成本确实降了一截。Steerabili...

LaunchVideo 的做法是：你给它一个网址或一段文字描述，Opus 5.5 直接写 HTML、CSS 和动画脚本，然后一个无头 Chromium 微虚拟机逐帧渲染成 1080p 30fps 的 MP4。整个过程没有用到视频生成模型，靠的是把页面里的时钟（requestAnimationFrame、Date、CSS 动画等）替换成虚拟时钟，保证每一...

Google DeepMind 发布 Gemini 3.8 Live with Live Avatar，在原生实时对话模型上加入近实时视频生成，实现带唇形同步、自然表情和流畅轮次切换的动态视觉形象。

Paper Instruments 开源了 Paper Office，在 python-docx、python-pptx 和 OpenPyxl 的基础上加了安全校验和更完整的编辑能力。他们用 5 个模型跑了 61 项任务，Paper 工具包加上引导后通过率 92.5%，直接用上游库是 80.7%，用 Anthropic 的 Office skills ...

这个基准测试把 629 条来自 AgentDojo 的注入攻击藏进搜索结果、邮件正文这类工具返回内容里，然后拿 Regex 和 Meta 的 Prompt Guard 2 去测。Regex 一条都没抓到，Prompt Guard 2 只抓到 1%。攻击不是直接发给模型的，而是混在模型调用的工具输出里，所以现有检测器基本是瞎的。代码和复现步骤都公开了，但...

Artificial Analysis 把 Claude Opus 5.5 放在 Claude Code 的“最大出力”模式下跑了一遍 Coding Agent Index，得分 66，比上一代 Opus 5 的 60 分高出 6 分。三项子测试全线上涨：Terminal-Bench 4.0 正确率 63.1%，DeepSWE v1.1 正确率 68....

Jevper 是一个轻量封装，让任何兼容 OpenAI 接口的模型输出分类概率和置信度分数，而不是直接吐文字。它复刻了 Jev 的“TypeSafe System One”接口，把生成模型当分类器用。项目没给基准测试或生产案例，但思路很直接：用概率做决策，而不是靠模型自己写答案。如果你需要模型在几个固定类别里做选择，并且想知道它有多确定，这个工具能省掉...

Anthropic 发了 Claude Opus 5.5，这是新 5.5 系列的第一个模型。官方说它在大多数任务上能追平之前的旗舰 Fable 5.1，但运行成本比 Opus 5 低了 40%，速度也快了约 30%。这次发布很少见地把写作改进放在了显眼位置：模型会把关键信息放在最前面，也更听你的风格指令，长对话读起来没那么累。Latent Space ...

蚂蚁开源了 Ming-Image-0.1-Design 系列，包含两个 6B 参数模型，分别负责设计图生成和图层编辑。6B 参数属于中等规模，比动辄几十B的大模型更轻量，部署成本低。但原文页面被拦截，正文没披露模型架构、训练数据、评测指标，也没说跟现有方案比效果如何。目前能确认的是：开源、两个模型、覆盖从生成到编辑的流程。具体能不能打，得等代码和权重放...

一项新研究把编程智能体的外层控制软件拆成了任务规划、上下文管理和动作接口三个独立开关，挨个测试。最扎眼的结果是：把预设的文件读写工具全撤掉、换成纯命令行后，Nemotron-3 550B 在代码修复任务上的成功率涨了 3.6 个百分点，单任务估算成本从 2.33 美元砍到 1.11 美元；但 Mistral-Medium-3.5-128B 的成功率却从...

Arena 放出了 OpenAI 两个新模型 GPT-6 Sol 和 GPT-6 Luna 的测试入口，目前还没公布评分。你可以直接去 Arena 让它们跑真实的智能体任务，然后投票，结果会进排行榜。正文没提模型规模、发布时间和定价，所以这些先别猜。

OpenAI 在 GPT-6 系列里加了两个更省钱的模型：Sol 和 Luna。API 价格全部对折，Sol 输入/输出每百万 token 收 2/10 美元，Luna 只要 0.10/0.50 美元。Sol 在 AutomationBench 上开足马力拿到 33.2% 的分数，但每次任务成本只有 Claude Opus 5 的 9%；在 Agent...

Arena 把 Claude Opus 5.5 放上了 Agent Arena，让模型直接干长链条的活——可以自己上网搜资料、读写文件、敲命令行。排行榜不只看输赢，用的是因果追踪，看它比平均水平强多少。正文没具体说 Battle Mode 怎么打，也没给任务例子，所以实际有多能打还得等实测。

Claude Opus 5.5 在 Artificial Analysis 的智能指数上得了 58 分，是目前测过的最高分。它在 10 项评测里 6 项领先，比如在 Humanity's Last Exam 上正确率 61.4%，SciCode 上 66.9%，Terminal-Bench 4.0 上 59.6%，跟 GPT-6 Astra 打平。在模...

文章标题说卡兹克对比了 Grok 4.7 和小米 MiMo V2.6，结论是 MiMo V2.6 解决了“不可能三角”（通常指模型在成本、速度、质量上难以兼得）。但正文被微信屏蔽，只显示环境异常和验证页面，没有披露任何模型参数、测试方法或具体结果。所以这条信息目前只有结论，没有证据支撑。

oMLX 的作者 Jun Kim 加入 Hugging Face，专职支持 MLX 社区。oMLX 是苹果 MLX 框架的扩展库，能让大模型在 Mac 上跑得更高效。正文没披露具体合作细节或后续计划。

TypeSafe AI 发布 Jev，一种被称为 System One 或决策模型的新形态模型，输入文本后不输出文本，而是返回类别、是/否、评分对应的浮点数和置信度。

小米发了两个全模态模型 MiMo-V2.6-Pro 和 Flash。Pro 版在 Code Arena 的网页开发榜上拿了 1628 分，比上一代 MiMo-V2.5-Pro 的 1475 分涨了 153 分，整体排第10名上下，在 MIT 许可的开源权重模型里大概排第3。Flash 版的跑分和参数量正文都没提。

小米放出了 MiMo-V2.6-Pro，在 Artificial Analysis 的智能指数上拿了 46 分，比上一代 V2.5-Pro 的 26 分涨了不少，现在是开放权重模型里最高的。不过正文没提参数量、具体架构和什么时候能公开用，这些关键信息都还缺着，所以这个分数先别太激动。

马斯克引用 Artificial Analysis 的评测说，Grok 4.7 让 xAI 在智能体编码能力上排到第三，仅次于 Anthropic 和 OpenAI。但正文没披露具体评测指标、分数或版本对比，只有排名和对手。这个排名如果是真的，说明 Grok 在让模型自主写代码、调工具这类任务上进步明显，但缺少数据支撑，建议先观望。

Jared Palmer 开源了 Kev，一组基于 Qwen3.5 的小型决策模型，思路跟 Jev 差不多。正文没披露参数量、训练数据和跑分，社区还在观望（29 票 14 条评论）。如果真能做到小模型快速做决策，成本会很低，但验证还不够，先别太激动。

Dan McKinley 在演讲里说，整天跟大模型来回改提示词是条死胡同。他做面向消费者的 agent 时发现，哪怕用了结构化输出，模型还是会在一小部分请求里发疯，比如把标题字段塞满废话直到爆掉。他试出来的一个离谱解法是把字段名从“title”改成“heading”，暂时管用，但随时可能失效。他的核心观点是，提示词本身靠不住，得靠 pass^k 测试和...

阶跃星辰发布了旗舰模型 Step 5 Preview，并计划在10月15日开源模型权重。不过原文页面被拦截，正文没披露模型参数量、性能指标或开源范围，所以目前能确认的只有发布时间和开源日期。开源权重意味着开发者可以下载模型自己跑，不用走API，这对想微调或部署私有模型的团队是个好消息。但具体效果如何、能不能打，得等开源后实测才知道。

DXOMARK 给 iPhone 18 Pro 相机打了 172 分，排全球第二。最大亮点是可调光圈（f/1.48–f/4.0），复杂场景下也能保持画面锐度。自动对焦稳定，眩光比上一代控制得好，但光圈收小时仍可能出现绿斑。主摄 48MP，超广角 48MP 120°，长焦 48MP 8 倍光学变焦。

Ben Swerdlow 让 19 个模型在《星际争霸：母巢之战》里互相对打，结果没有哪个模型能玩到新手以上的水平。Codex Astra 的 xhigh 版本以 18 胜 0 负排第一，但它靠的不是运营，而是早期派一个探机去骚扰对手工人，对面模型会花几十秒思考怎么处理，直接瘫痪。Grok 4.6 表现最差，xhigh 版本在 43 分钟里只发出了 6...

Vals 拿了 a16z 的投资，想当 AI 模型评测的“中立第三方”。现在各家模型厂商都自己出分，Vals 想站出来当那个大家信得过的裁判。不过正文没披露它的评测方法、技术细节和早期客户，所以它到底怎么保证中立、怎么避免自己也变成另一个刷分工具，目前还看不出来。

Swift 团队基于 Qwen 3.8 微调的 27B 模型在 HuggingFace 上累计下载超过10万次，目前是微调类第一、全模型第九。Reddit 原帖正文被屏蔽，没披露训练数据、评测指标或具体用例，所以不清楚它到底强在哪、适合干什么。能冲上榜首说明社区认可度不低，但缺细节，先别急着下结论。