NVIDIA 介绍 Blackwell GPU 如何加速 OpenAI GPT-6 Astra Ultrafast
GPT-6 Astra Ultrafast 运行于 NVIDIA Blackwell GPU,token 生成速度最高可达 Astra Standard 模式的 8x。
推荐理由:OpenAI 利用自身模型优化 NVIDIA GPU 推理软件,加快响应可缩短编码智能体反复编辑、测试和调试的等待时间。
GPT-6 Astra Ultrafast 运行于 NVIDIA Blackwell GPU,token 生成速度最高可达 Astra Standard 模式的 8x。
推荐理由:OpenAI 利用自身模型优化 NVIDIA GPU 推理软件,加快响应可缩短编码智能体反复编辑、测试和调试的等待时间。
Google DeepMind 发布 Gemini 4 Argon,面向编码、企业知识工作和网络防御,目前仅通过 Fairwind Program 向政府用户和可信网络防御者开放,开发者与企业访问时间未定。
推荐理由:Google DeepMind 发布 Gemini 4 Argon,在 19 项基准中拿下 13 项第一,但仅通过 Fairwind Program 向政府用户和可信网络防御者开放,开发者与企业访问时间未定。
Google 发布新前沿模型 Gemini 4 Argon,在多项基准上追平 OpenAI 的 GPT-6 Astra 和 Anthropic 的 Claude Fable 5.1,但未取得明显领先。
推荐理由:Google 发布 Gemini 4 Argon,第三方基准显示其追平 GPT-6 Astra 与 Claude Fable 5.1,但每任务消耗的输出 token 约为对手两倍。
Artificial Analysis 评测显示,Google DeepMind 的 Gemini 4 Argon 在高推理模式下于 Artificial Analysis Intelligence Index 得分 53,与 GPT-6 Astra(max,53)持平,领先 GPT-6.1 Sol(max,52)1 分。
推荐理由:Artificial Analysis 的评测显示,Gemini 4 Argon 高推理模式智能指数得分 53,与 GPT-6 Astra 持平,且幻觉率在同类模型中最低。
OpenAI 发布 GPT-6 家族中档模型 GPT-6.1 Sol,在智能体编码、计算机操作和专业工作上接近 GPT-6 Astra,标准输入输出价格为 Astra 的五分之一,缓存输入降至每百万 token 0.10 美元。
推荐理由:OpenAI 发布 GPT-6.1 Sol,编码与计算机操作接近 Astra,价格仅为其五分之一,缓存输入降至每百万 token 0.10 美元,可看出中档模型在智能体场景下的成本取舍。
Google DeepMind 发布新一代前沿模型 Gemini 4 Argon,先通过 Fairwind Program 向受信任的网络安全防御方开放,随后逐步扩展至开发者、企业和消费者。
推荐理由:Gemini 4 Argon 先向受信任的网络安全防御方开放,并公布每百万输入 token 2 美元、输出 10 美元的定价,以及从 64K 提升到 1M 的输出上限。
Google 发布下一代前沿模型 Gemini 4 Argon,称其在软件工程、法律金融等企业知识工作和网络安全防御等复杂工作流中具备前沿性能。该模型初期仅向一组可信网络安全人员开放,Google 正参与美国政府的前置模型访问自愿流程并逐步扩大范围,同时将在更广泛推出前加强防范滥用、提示词注入和失准的保障措施。
推荐理由:Google 发布 Gemini 4 Argon,初期仅向可信网络安全人员开放,并配合美国政府的前置模型访问流程逐步扩大范围。
Google 宣布新模型 Gemini 4 Argon,通过 Fairwind Program 向部分可信网络防御团队逐步开放,面向编码、企业知识工作和网络安全防御。
推荐理由:Google 将 Gemini 4 Argon 的输出上限从 64K 提升至 1M tokens,为复杂任务的单次长程推理提供更大空间。
ElevenLabs 发布文本转语音模型 Eleven v4 和低延迟版本 Eleven v4 Turbo,增强情绪表达、说话人一致性与多说话人对话能力。两款模型支持超过 90 种语言,Instant Voice Clones 仅需 10 秒音频;Turbo 的推理延迟中位数约为 100ms,从请求到可听语音的时间中位数约为 150ms。
推荐理由:ElevenLabs 将情绪控制与低延迟语音结合进 Eleven v4 Turbo,让语音智能体在快速响应时也能保留更自然的表达。
OpenAI 发布 GPT-6.1 Sol,称其在编码、computer use 和跨应用工作流中表现强劲,价格低于 GPT-6 Astra。该模型面向复杂重构、深度代码库调查和长时间运行的智能体,缓存输入享有较标准输入定价 95% 的折扣,文档见 https://developers.openai.com/api/docs/models/gpt-6.1-sol。
推荐理由:OpenAI 发布 GPT-6.1 Sol,面向复杂重构、深度代码库调查和长时间运行的智能体,定价低于 GPT-6 Astra,缓存输入享标准输入 95% 折扣。
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%。
推荐理由:通过智能指数、成本与 token 效率的横向对比,读者可判断 GPT-6.1 Sol 在价格与能力之间的取舍。
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。
推荐理由:OpenAI 发布 GPT-6.1 Sol,升级智能体编码与 computer use 能力,缓存输入按标准输入价格的 95% 折扣计费,面向复杂重构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。
推荐理由:OpenAI 在 DevDay 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,而标准 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。
推荐理由:OpenAI 发布 GPT-6.1 Sol,以 Astra 五分之一成本在智能体编码、电脑操作和办公任务上接近后者,并给出与 Opus 5.5 的定价和多项基准对比。
OpenAI 发布 GPT‑6.1 Sol,在智能体编码、计算机使用和专业工作上接近 GPT‑6 Astra,标准输入输出 token 价格为其五分之一。
推荐理由:OpenAI 将 GPT‑6.1 Sol 的标准输入输出价格降至 Astra 的五分之一,多项智能体任务评测表现接近 Astra。
Anthropic 发布 Claude 5.5 家族的第二款模型 Claude Sonnet 5.5,相比 Sonnet 5 运行速度快 30% 以上,多数工作场景成本最多降低 30%。
推荐理由:Anthropic 发布 Claude 5.5 家族第二款模型 Sonnet 5.5,在单价与上代持平的情况下,多数任务成本最多降低三成,输出速度提升三成以上。
Arena 官方宣布 Claude Opus 5.5 (High) 进入 Agent Arena 排名第 2,净改进分 +12.15%,仅次于 Fable 5.1 (Max)。其中位价格为每任务 $1.31,比 Opus 5 (High) 便宜 40%、比 Opus 5 (Max) 便宜 56%。分项上 Steerability 排名第 1,为 +14.50%。
推荐理由:Claude Opus 5.5 (High) 在 Agent Arena 升至第 2,净改进分 +12.15%,中位成本降至每任务 $1.31,比 Opus 5 (High) 低 40%。
LaunchVideo 发布,用户粘贴产品 URL 或输入提示词,由 Claude Opus 5.5 编写影片代码并在 OpenComputer 的无服务器智能体上渲染成 MP4,单条视频约四分钟、约 100k tokens。
推荐理由:LaunchVideo 把产品链接或一句话交给 Opus 5.5 写影片代码,再由无服务器智能体渲染成 MP4,单条约四分钟、约 100k tokens,其用虚拟时钟逐帧确定性渲染的管线不依赖视频生成模型。
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。
推荐理由:Gemini 3.8 Live 在实时对话模型上加入近实时视频生成,支持唇形同步与97种语言切换,并可在对话中异步调用工具,展示了企业级多模态交互的当前形态。
Paper Instruments 发布 Paper Office,一套基于 python-docx、python-pptx 和 OpenPyxl 改造的 Python 包,让智能体更安全、正确地操作 Word、PowerPoint 和 Excel 文件。
推荐理由:Paper Instruments 将 python-docx、python-pptx 和 OpenPyxl 改造为面向智能体的 Office 编辑工具包,在 61 项任务中通过率 92.5%,高于上游库的 80.7%。
GitHub 项目 buried-injections 用 AgentDojo v1 的 629 条真实注入攻击测试 10 个开源提示词注入检测器,攻击被埋在工具输出中时,正则方法检出率为 0%,Meta 的 Prompt Guard 2 检出率为 1%。该仓库提供可复现的基准,代码与数据以 MIT 许可开源。
推荐理由:GitHub 项目 buried-injections 用 AgentDojo v1 的 629 条攻击测试 10 个开源检测器,攻击藏在工具输出中时 Regex 检出率为 0%,Meta 的 Prompt Guard 2 为 1%,并公开可复现基准。
Artificial Analysis 测评显示,Claude Opus 5.5 在 Claude Code max effort 下以 66 分登顶 Coding Agent Index,比 Opus 5 的 60 分高 6 分。
推荐理由:Artificial Analysis 测评显示 Claude Opus 5.5 以 66 分登顶 Coding Agent Index,比 Opus 5 高 6 分,但单任务成本升至 13.04 美元。
Anthropic 发布 Claude Opus 5.5,称其为新 Claude 5.5 家族首个模型,多数任务达到 Claude Fable 5.1 水平,运行成本比 Opus 5 低 40%,速度约快 30%。
推荐理由:Anthropic 发布 Claude Opus 5.5,官方称多数任务达到 Fable 5.1 水平,运行成本比 Opus 5 低 40%,速度约快 30%,第三方测算则显示单任务成本与 Opus 5 接近。
一项实测研究把编程智能体的外层控制软件拆成任务规划、上下文管理和动作接口三个开关,逐一测试其作用。撤掉专用文件工具改用纯命令行后,Nemotron-3 550B 在 SWE-Bench Verified 上成功率从 65.80% 升至 69.40%。
推荐理由:研究团队把编程智能体的外层控制软件拆成三个开关逐一实测,撤掉专用文件工具后 Nemotron-3 550B 成功率升 3.6 个百分点、成本减半,Mistral-Medium-3.5-128B 却跌 23.2 个百分点。
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。
推荐理由:Arena 上线 OpenAI 的 GPT-6 Sol 与 GPT-6 Luna 测试入口,评分尚未公布,用户可让两个模型跑真实智能体任务并投票,投票结果计入排行榜。
OpenAI 发布 GPT-6 Sol 和 GPT-6 Luna,两款模型沿用 GPT-6 Astra 的训练方法,API 价格较 GPT-5.6 促销价降低 50%,Sol 输入从 $4 降至 $2、输出从 $20 降至 $10,Luna 输入从 $0.20 降至 $0.10、输出从 $1.20 降至 $0.50(每 100 万 tokens)。
推荐理由:OpenAI 发布 GPT-6 Sol 与 Luna,沿用 Astra 训练方法,API 价格较 GPT-5.6 促销价降 50%,Sol 输入从每百万 tokens 4 美元降至 2 美元。
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。
推荐理由:Arena 将 Claude Opus 5.5 放进 Agent Arena,让模型自行联网、读写文件并运行终端命令,排行榜以因果追踪衡量其相对平均模型的表现。
Claude Opus 5.5 在 Artificial Analysis 智能指数上以 58 分登顶,为目前测得的最高分,并在十项评测中的六项领先。Anthropic 将 Opus 定价降至每 1M 输入/输出 token 4/20 美元,缓存读取从 0.50 美元降至 0.20 美元。
推荐理由:Claude Opus 5.5 在 Artificial Analysis 智能指数上以 58 分登顶,十项评测中六项领先,同时 Anthropic 将 Opus 输入输出价格下调 20%。
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。
推荐理由:小米 MiMo-V2.6-Pro 在 Code Arena 网页开发榜拿到 1628 分,比上一代高 153 分,整体排第 10 名上下,在 MIT 许可的开源权重模型里约第 3。
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。
推荐理由:小米 MiMo-V2.6-Pro 在 Artificial Analysis 开放权重模型智能指数上取得 46 分,高于前代 V2.5-Pro 的 26 分,是目前开放权重模型中的最高分。
工程师 Dan McKinley 在演讲《Prompts aren't Real》中提出,提示词不应被视为可独立维护的单元,因为把新提示词加入智能体会把它丢进一个与测试时完全不同的上下文环境,其他指令的叠加会影响其表现。
推荐理由:工程师 Dan McKinley 在演讲中提出,提示词无法作为独立单元维护,因为新指令加入智能体后会进入与测试时不同的上下文环境,进而影响表现。
作者 Ben Swerdlow 发布 Brood War Bench,让 19 个模型与 effort 配置在《星际争霸:母巢之战》中两两对战,Codex Astra / xhigh 以 18 胜 0 负、100% 胜率居首,Claude Fable 以 15 胜 3 负排第三。
推荐理由:作者 Ben Swerdlow 让 19 个模型与 effort 配置在《星际争霸:母巢之战》中两两对战,Codex Astra 的 xhigh 配置以 18 胜 0 负居首,所有模型都未超出新手水平。
UC Berkeley 等机构的研究者在 SWE-bench Lite 和 Terminal-Bench 2.0 上评测了 7 个模型与 Claude Code、Codex CLI、Pi 三个 harness 组成的 21 组配对,发现 harness 选择对任务成功率影响很小,但成本差异显著,同一模型成功率相近时成本最高可差 5 倍。
推荐理由:UC Berkeley 等机构将 7 个模型与三种编程助手外壳配对测试,发现外壳对任务成功率影响很小,同一模型成本最高可差 5 倍。
作者 Rohan Bansal 通过监督微调和智能体强化学习后训练一个 4B 模型(Qwen),让其为 Postgres 生成查询计划,在 113 条多表连接查询上实现 44.7% 的延迟下降,标题称查询计划比 Postgres 默认计划快 81%。
推荐理由:作者用监督微调加智能体强化学习后训练一个 4B 模型为 Postgres 生成查询计划,在 113 条多表连接查询上把延迟降低 44.7%,完整训练流程可供小模型做查询优化参考。
Arena 更新 Image-to-WebDev 排行榜,纳入四个新评测模型。GPT-6 Astra(Max)以 1733 分居第一,领先 GPT-5.6 Sol(xHigh)129 分;Claude Fable 5.1(Max)以 1710 分排第二,Muse Spark 1.3(Max)1645 分第四,GLM-5.3-Flash 1588 分第十。
推荐理由:Arena 更新 Image-to-WebDev 榜单,GPT-6 Astra 以 1733 分登顶,比第二名 Claude Fable 5.1 高 23 分,领先 GPT-5.6 Sol 达 129 分。
Good Start Labs 用 1830 铁路游戏训练一个 30B 模型,并测试其能否迁移到金融研究任务。实验对比单轮问答与多轮终端智能体两种训练设计,两者都提升了游戏内表现,但只有终端智能体设计在 Finance-Agent 基准上取得提升。该公司由 Every 孵化,获 General Catalyst、Inovia 等 360 万美元融资,其思路是把游戏环境当作课程来训练模型能力。
推荐理由:Good Start Labs 用 1830 铁路游戏训练 30B 模型,对比单轮问答与多轮终端智能体两种设计,只有后者在金融研究基准上取得提升。
Michael Noukhovitch 发布关于 LLM 强化学习后训练的论文博客,提出 Matthew Effect 现象,并主张用 Never Give Up 方法解决。博客以交互式、非正式方式呈现,涵盖评估指标实际测量内容、Matthew Effect 成因、异步 RL 陈旧性与 NGU 技巧,以及在数学和代码任务上的实验,并附有 arXiv 论文和 GitHub 代码链接。
推荐理由:Michael Noukhovitch 在博客中提出 RL 后训练的马太效应,即模型越练越偏向简单题,并给出强制保留难题采样信号的 NGU 方法,附数学与代码任务实验。
DeepSeek 正式发布 V4.1 Flash,这是其全新模型架构系列中参数最小的模型,采用 552B 参数的 MoE 与 Causal-Encoder-Decoder 架构,输入侧仅激活 8B、输出侧激活 16B,原生支持多模态视觉理解。
推荐理由:DeepSeek 发布 V4.1 Flash,552B 参数 MoE 仅激活 8B 输入与 16B 输出,跑分超过自家 V4 Pro,KV 缓存较初代缩小 437 倍。
DeepSeek 今天发布 DeepSeek-V4.1-Flash,作为全新模型结构系列中尺寸最小的模型,具备原生多模态视觉理解能力。模型已上线 DeepSeek API,使用 deepseek-flash 即可调用,API 价格同步下调;旧模型 V4 Flash 与 V4 Flash Vision Exp 已下线,其调用名称暂时路由至 V4.1 Flash。
推荐理由:DeepSeek 将旧模型名称暂时路由到 V4.1 Flash 并同步下调 API 价格,现有调用可保持名称兼容但会切换模型。
Staatsgeheim 在 GitHub 开源 MathKernel 1.3.0,定位为面向 LLM 的证据感知多引擎数学运行时,覆盖精确、符号、形式化、认证区间与数值计算,并带类型化 MathIR、信任标签和完整溯源。
推荐理由:Staatsgeheim 开源 MathKernel 1.3.0,把精确、符号、形式化、认证区间与数值五类计算引擎收进一个面向 LLM 的运行时,并附类型化 MathIR、信任标签与完整溯源。