GPT-6.1 上线 Arena 的 Agent Arena 评测平台
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。
#Agent
#Agent
今日 4 条今天 · 9月30日星期三 · 4 条
OpenAI 发布 GPT-6.1 Sol，强化智能体编码与 computer use
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，读者可了解其在智能体编码与 computer use 上的能力升级及缓存输入定价。
OpenAI 发布 GPT-6.1 Sol，称接近 GPT-6 Astra 且价格更低
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：读者可了解 GPT-6.1 Sol 在智能体编码与事实准确性上的具体提升，以及 GPT-6.1 Astra 因安全顾虑被搁置的背景。
OpenAI 发布 GPT-6.1 Sol，以五分之一成本接近 Astra
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：原文给出 Sol 与 Astra、Opus 5.5 的定价和多项基准对比，可据此判断低价替代方案的能力边界。
昨天 · 9月29日星期二
OpenAI 发布 GPT-6.1 Sol 模型
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。
推荐理由：OpenAI 发布 GPT-6.1 Sol，读者可了解其面向编码与计算机操作的能力定位及定价变化。
AINews 周报：Opus 5.5 擅长生成讲解视频
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。
Anthropic 发布 Claude Sonnet 5.5：比上代快 30% 以上，单次任务成本最多降三成
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...
推荐理由：Anthropic 正式发了 Claude Sonnet 5.5，是 5.5 家族的第二款模型。定位很明确：日常编码、修 bug、做文档这些边界清晰的任务。最抓人的点是 Terminal-Bench 从 10.3% 飙到 70.6%，速度快 30%，单价没变但实际任务成本降了 30%。我会先打个折——这个成本降幅的测算方式正文没展开，而且 Terminal-Bench 的测试环境是否贴近真实开发流程也没说。但整体信息量够、判断直接，是同一天必须写的模型更新。没给 95 是因为它更像是 Opus 5.5 的补充，不是独立扛旗的发布。
Claude Opus 5.5 (High) 在 Agent Arena 冲到第 2，中位成本降到 $1.31 一次任务
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...
推荐理由：Anthropic 的新模型在 Agent Arena 排第 2，同时价格砍了一截，是同一天就该写的产品信号。+12.15% 的净改进分和 $1.31 的中位成本给了硬数据，可控性提升是加分项。没打更高是因为这毕竟还是榜单成绩，正文没给真实场景的验证，我会先打个折。
9月24日星期四
开源提示注入检测器几乎抓不到藏在工具输出里的真实攻击，Regex 检出率 0%，Meta Prompt Guard 2 只有 1%
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...
推荐理由：这个基准测试把 629 条 AgentDojo 的注入攻击混进搜索结果、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，而是藏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，实用价值加分。但只测了两个检测器，没有横向对比更多方案，所以分数先停在 78。
Claude Opus 5.5 在编程智能体评测里拿了第一，但跑一次任务要花 13 美元
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....
推荐理由：Claude Opus 5.5 在 Artificial Analysis 的 Coding Agent Index 上拿了 66 分，比 Opus 5 高出 6 分，三项子测试全线上涨，登顶没问题。但单任务成本 13.04 美元是硬数字，比上一代贵了不少。这是独立第三方用 Claude Code 的“最大出力”模式实测的结果，数据具体、来源可信，对实际用的人有直接参考意义。没给更高分是因为这只是单一基准测试，不代表整体能力。
9月23日星期三
Claude Opus 5.5 发布：写作质量大幅提升，成本降了 40%，直接成了 AINews 的默认模型
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 ...
推荐理由：Anthropic 发了新旗舰系列的第一个模型，声称性能持平 Fable 5.1 但便宜 40%，还把写作体验改进摆上台面——这对 Claude 重度用户是直接可操作的升级信号。没给 90 分以上是因为目前只有官方说法和 Latent Space 的初步观察，缺独立验证，先别太激动。
同一个工具开关，一个模型赚了，一个崩了：编程智能体外层设计的关键决策
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...
推荐理由：这篇论文做了一个很干净的对照实验：把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，单独拧动看效果。最反直觉的发现是，把预设的文件读写工具全撤掉、换成纯命令行后，Nemotron-3 550B 在代码修复任务上成功率涨了 3.6 个百分点，单任务成本从 2.33 美元砍到 1.11 美元；但 Mistral-Medium-3.5-128B 的成功率却直接掉了一截。这种同一开关、两个模型走向完全相反的结果，比单纯刷榜有信息量得多。正文没披露实验的统计显著性检验，这点先别太激动，但成本数字和成功率变化幅度已经足够让做工程的人重新审视自己...
Arena 开始测 GPT-6 Sol 和 Luna 了，分数还没出，但你可以上手跑真实任务
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：GPT-6 首次公开出现，两个变体在 Arena 上跑智能体任务，悬念和信号都很强。扣分是因为正文没提模型规模、发布时间和定价，目前只是一个测试入口，信息偏薄，所以分数我会先打个折。
OpenAI 发布 GPT-6 Sol 和 Luna，API 价格比 GPT-5.6 直接砍半
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...
推荐理由：OpenAI 官方发新模型，API 价格砍半，Sol 在 agent 基准上的成本只有竞品 9%，对整个行业的成本结构冲击很大。H、K、R 全中，定价和基准数据都给了。扣 3 分是因为正文没把 Sol 和 Luna 的能力差距说透，只知道 Sol 更强但贵，Luna 更省但弱，具体弱在哪没展开。
Claude Opus 5.5 进了 Arena 的 Agent 擂台，能联网、操作文件、跑终端，排名靠用户投票
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：Opus 5.5 上 Agent Arena 是本周最值得盯的第三方评测信号。因果追踪的排行榜设计比原始胜率多一层信息，但正文没给具体任务例子，也没说 Battle Mode 规则，实际能打程度还得等社区跑完再看——这点先别太激动。
9月22日星期二
TypeSafe AI 发布 Jev 决策模型，只输出浮点分数
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。
马斯克称 Grok 4.7 在智能体编码上排第三
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。
9月20日星期日
提示词没那么重要，不如搭一套评估流水线来管住模型
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...
推荐理由：Dan McKinley 拿自己搭消费者 agent 的实战经验说话，案例具体、判断尖锐。但这是个人演讲，不是正式论文，正文也没披露 pass^k 测试的通过率和规模，所以我会先打个折。
9月19日星期六
19 个模型打《星际争霸》，没有一个超过新手水平
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...
推荐理由：Ben Swerdlow 搞了个《母巢之战》模型对战测试，19 个模型互打，没一个能赢新手。Codex Astra 的 xhigh 版 18 胜 0 负排第一，但赢法不是靠运营，而是早期派一个探机去骚扰农民，对面模型会花几十秒想对策，直接卡死。Grok 4.6 最拉胯，xhigh 版 43 分钟里只发出 6 个有效动作。这个测试把模型在实时环境里的反应延迟和决策瘫痪暴露得很直观，数据也扎实，胜率、APM、单局成本都有。我会先打个折，因为这只是一个人做的非正式 benchmark，样本量和环境控制有限，但信号很强，值得从业者看一眼。
9月17日星期四
AI 智能体能不能像真人一样过一天？Qwen3.8-27b 跑了个测试，成功率 56.7%
Reddit 上有人发了个新测试集叫 AndroidLife，专门看 AI 智能体能不能完成一个真实用户一天里会做的各种任务。目前只放了一个结果：Qwen3.8-27b 跑下来成功率 56.7%，刚过一半。正文被 Reddit 屏蔽了，所以具体测了哪些任务、怎么算成功、有没有对比其他模型，一概没披露。这个数字本身不算惊艳，但方向有意思——以前测智能体多...
编程助手的“外壳”可能让你多花一倍的钱，准确率却没变
UC Berkeley 和 Arena 的研究人员把 7 个模型装进 3 种不同的编程助手外壳（Claude Code、Codex CLI 和 Pi），在 SWE-bench Lite 和 Terminal-Bench 2.0 上各跑了 30 个任务，每个组合重复 3 次。结果发现，换外壳对任务成功率影响很小（±2–5%），但成本最多能差到 5 倍。比...
推荐理由：UC Berkeley和Arena的人做了件挺实在的事：把7个模型塞进3种不同的编程助手外壳里跑分，结果发现换壳对能不能完成任务影响很小，但花的钱最多能差5倍。这个结论对天天在终端里切工具的开发者来说很实用，而且实验设计干净、数字具体，没有吹牛成分。分数定在78，因为正文摘要没展开讲成本差异具体从哪来、不同外壳的失败模式有什么不同，信息有缺口，先不打更高。
训练一个 4B 模型，让它生成的查询计划比 Postgres 默认的快 81%
Rohan Bansal 拿 Qwen 4B 模型做实验，先让 GPT-6 Astra 当老师，用 500 条示范轨迹做监督微调，再设计了一套强化学习变体，让模型自己生成查询计划、扔到 Postgres 里实测耗时，根据快慢给奖励信号来更新权重。在 113 条多表联查的 SQL 上，最终模型生成的计划比 Postgres 默认计划延迟降低 44.7%，...
推荐理由：一个 4B 小模型，靠强化学习训出来的查询计划比 Postgres 默认计划快 81%，方法本身有实用价值。但测试只跑了 113 条多表联查 SQL，能不能泛化到其他场景还没验证，所以分数卡在 78。
9月10日星期四
DeepSeek 发了个 V4.1 Flash：跑分超自家 Pro，API 降价，模型还开源了
DeepSeek 今天放出了 V4.1 Flash，一个总参数 552B 的 MoE 模型，但实际干活时输入只激活 8B、输出激活 16B 参数，所以推理成本压得很低。它用了新的非对称编码器-解码器架构，跑分直接超过了自家的 V4 Pro。KV 缓存也大幅瘦身，相比上代 HBM 需求降到 1/4、SSD 需求降到 1/8，这对经常要缓存命中的 agen...
推荐理由：DeepSeek 旗舰模型发布，架构有变化，跑分和成本数字都给了硬信息，按惯例对标美国大厂发布处理。HKR 三项全中：超 V4 Pro 的跑分和缓存瘦身都是硬货。没给 P1 是因为目前只有标题和摘要，正文细节还没看到。
Astra 产能告急可能暂停新订阅，DeepSeek V4.1 Flash 评测逼近 Astra 但成本仅 1.4%，Codex 额度显示 bug 引发恐慌
OpenAI 的 Tibo 公开承认 Astra 需求前所未有，可能暂停新 Pro 订阅，群友反映谷时段也卡顿、WebSocket 频繁断连。DeepSeek V4.1 Flash 在 OpenDesign 的设计任务评测中拿到 81.2 分，达到 Astra 的 98%，但成本只有 Astra 的 1.4%。不过群友扒出 DeepSeek API 强...
9月7日星期一
MathKernel：给大模型配一个会自证清白的数学内核
Staatsgeheim 开源了一个叫 MathKernel 的数学内核，专门解决大模型算不准数学题的问题。它同时跑五套引擎——符号计算、精确有理数、形式化验证、带误差区间的数值计算和普通数值计算——每算一次都附上“信任标签”和完整的计算溯源，告诉你结果是怎么来的、靠不靠谱。项目直接做成 MCP 服务器，可以插到 Claude Desktop 这类客户...
推荐理由：五引擎并行加信任标签的设计有想法，MCP 形态让接入成本很低，对做 agent 工具链的开发者是个实在东西。不过目前是个人开源项目，正文没给出任何基准测试数据，效果到底怎么样还不好说，这点先别太激动。
llama.cpp 新增对 Spark-X2.5 的支持，两个 1.7B 和 4B 小模型，原生支持 100 万 token 上下文
llama.cpp 的 PR #27868 合并了 XHToken 的 Spark-X2.5-1.7B 和 4B 两个小模型。它们用了一种混合注意力设计——一层全局注意力加三层滑动窗口注意力——来把长文本的计算量压下来，原生支持最长 100 万 token 的上下文窗口。官方说在对话、写作、翻译、推理、写代码和让模型进业务流程干活（agent 任务）这...
9月4日星期五
GPT-6 Astra 编码智能体跑分追平 Fable 5，但价格涨到 2.5 倍
Artificial Analysis 用自家 Coding Agent Index 测了 GPT-6 Astra，得分 67，跟 Claude Opus 5 和 Fable 5 打平。成本比 Fable 5 便宜一半以上，但跟 GPT-5.6 Sol（max）比贵了约 2.5 倍。token 效率比 GPT-5.6 Sol 高出约 70%，说明同样任...
推荐理由：Artificial Analysis 的 Coding Agent Index 是独立第三方评测，GPT-6 Astra 拿了 67 分，跟 Claude Opus 5 和 Fable 5 打平。token 效率比 GPT-5.6 Sol 高出约 70%，说明同样任务消耗更少 token，但单价涨了约 2.5 倍，实际花销反而更高。比 Fable 5 便宜一半以上这点挺实在，但正文没披露具体价格数字，只能看相对比例。我会先打个折：这是第三方跑分，不是官方数据，实际业务里表现可能有出入。不过价格和效率的反差确实让选型的人得重新算账，所以给了 fea...
9月3日星期四
Meta Muse Spark 1.3 在编码智能体评测里跟 Claude 组合打了个平手，都是 68 分
Artificial Analysis 的编码智能体指数把 Meta Muse Spark 1.3（max 配置，跑在 Muse Code 上）和 Claude Code + Opus 5（xhigh 配置）都标了 68 分，并列第一梯队。帖子只给了分数，没拆具体任务、延迟和成本，所以这个平手先别太当真——等详细数据出来再看值不值得切模型。
Meta 五个月发四个版本，Muse Spark 1.3 科学推理和智能体能力有提升
Meta 发布了 Muse Spark 1.3，这是五个月内的第四个版本，迭代速度很快。xhigh 变体在 Artificial Analysis 的智能指数上得了 61 分，主要提升在科学推理和智能体能力上。但正文没披露具体改进了什么、怎么训练的，所以这点先别太激动——分数本身不说明绝对水平，得看跟谁比、怎么测的。
9月2日星期三
Multiverse Computing 发布 Quasar 438B，在欧洲模型里综合得分最高
Multiverse Computing 推出了他们的第一个大模型 Quasar 438B，一个面向企业级智能体和编程的推理模型，支持英语和西班牙语。在 Artificial Analysis 的智力指数上，它拿了 43 分，是目前欧洲模型里的最高分，比 Mistral Medium 3.5 的 30 分和 NVIDIA Nemotron 3 Ultr...
推荐理由：欧洲第一个 438B 推理模型，有具体跑分和对手对比，信号够强。但来源是厂商自述，还没看到独立评测，所以分数卡在 featured 门槛上。
Anthropic 发布 Claude Fable/Mythos 5.1：编程跑分登顶，但输出 token 多了七成
Anthropic 在 9 月 1 日推出了 Claude Fable 5.1 和 Mythos 5.1，主打编程和知识工作。Fable 5.1 在 Terminal-Bench 4.0 上拿到 55.8% 的分数，官方把它定位成能自己跑多步复杂任务的模型。价格方面，缓存读取费砍了 75%，降到每百万 token 0.25 美元，但 Artificia...
推荐理由：Anthropic 发了 Claude Fable/Mythos 5.1，Terminal-Bench 4.0 得分 55.8%，缓存读取价砍了 75% 到每百万 token 0.25 美元，输出 token 上限涨了 70%。能力升级加定价大调整，当天就该写。没给 95 是因为目前只有 Lat 的初步数据，实际表现和稳定性还得等更多反馈。
8月29日星期六
智谱把 GLM-5.3 模型权重开源了，擅长写代码和做网络安全
智谱放出了 GLM-5.3 的模型权重，支持本地部署和商用。这个模型在 AA 综合智能指数上拿了 60 分，跟 Claude Fable 5、GPT-5.6 Sol 这些闭源旗舰差不多，和 Kimi K3 并列开源第一。它主要强在复杂编程、防御性网络安全和长链条任务上。因为网络安全能力太强，智谱在发布前专门多花了两周做安全评估。另外，年收入超过 100...
推荐理由：智谱把 GLM-5.3 的权重直接开源了，允许本地部署和商用。模型在 AA 综合智能指数上拿了 60 分，跟 Claude Fable 5、GPT-5.6 Sol 这些闭源旗舰打平，和 Kimi K3 并列开源第一。它主攻复杂编程、防御性网络安全和长链条任务，因为网安能力太强，发布前专门多花了两周做安全评估。正文没提模型参数量和具体推理成本，这点先别太激动。年收入超过 100 万的商用需要单独谈授权，小团队和个人开发者可以放心用。
自我改进 AI：一个被压扁的二维场
2026年上半年，自我改进AI从实验室术语变成了融资热词，但各家系统做的事差得很远。Karpathy开源的autoresearch只动一个train.py文件，靠5分钟微型训练跑出的压缩指标驱动，一夜能试100次。Weco的AIDE²改的是智能体的运行脚手架，在8天无人值守的测试里跑赢了人类工程师调了2年的基线。拿了6.5亿美元融资的RSI则横跨训练脚...
推荐理由：这篇不是一手发布，是行业评论，但信息密度高，把“自我改进 AI”这个被融资吹胀的词压回工程现实。文章只给了框架预览，完整矩阵没展开，所以分数没给更高。
8月26日星期三
把 AI 助手的上下文当成生命周期来管，而不只是存起来
这篇论文的核心判断是：生产环境里的 AI 助手（agent）翻车，多数不是因为推理不行，而是被自己攒下的上下文撑死了。对话历史、工具定义、工具返回的结果越堆越多，每次调用模型都要把整坨东西塞进去，token 费用会随着对话轮次平方级增长。粗暴地做摘要虽然能把成本压成线性，但准确率会断崖式下跌。作者把这个问题叫做“智能体上下文管理（ACM）”，拆成五件事...
推荐理由：这篇论文没在讲模型多强，而是讲 agent 在生产环境里怎么被自己攒下的上下文拖垮。作者把问题拆成五件事，相当于给上下文管理画了一张架构蓝图。我会先打个折：正文没披露大规模生产验证，更像一个框架提案，所以分数停在 78，刚好够 featured 门槛。
8月23日星期日
Skill 不是教材，是检查单：普林斯顿等五校论文拆解 Agent Skill 的真实机制
普林斯顿等五所高校的一篇新论文，扒开了 8,135 次 agent 干活记录，发现 skill 真正管用的地方是给步骤、给检查单，占生效案例的 65.7%；靠补知识起效的只有 4.5%。研究者用同一批操作记录做了三组对照：裸考 agent 成功率 59.1%，给原始流水账反而跌到 55.9%，提炼成一页操作指南则升到 61.9%。更坑的是，如果提炼时不...
推荐理由：五校联合的论文，8135 条 agent 执行轨迹加三组对照实验，把 skill 的真实机制扒得很透：它就是检查单，不是知识库。三个维度都打中了，对做 agent 的人有直接指导意义。稍微扣一点分，因为这是对论文的二次解读，不是一手评测，但信息量和判断都很扎实。
Prime Intellect 让 18 个前沿模型比赛自动优化 NanoGPT，Fable 5 把验证损失压到 2,726，追平了人类最优记录 81.7...
Prime Intellect 搞了一场“极速挑战”，把 18 个前沿模型分别配上编程助手，让它们自己动手改 NanoGPT 的训练脚本，目标是尽可能降低验证损失。Fable 5 搭配 Claude Code 跑出了 2,726 的最好成绩，把人类基线到最优记录之间的差距补上了 81.7%。第二名 Opus 5 和第三名 Kimi K3 分别补上了 5...
推荐理由：Prime Intellect 搞的这场极速挑战，让模型自己动手改 NanoGPT 训练脚本，比的是谁能把验证损失压到最低。Fable 5 加 Claude Code 跑出 2,726，把人类基线和最优记录之间的差距补上了 81.7%，第二名和第三名只补了 5% 左右，领先优势非常明显。排行榜、方法和具体数字都公开，对做 agent 和看 benchmark 的人有直接用处。
让 AI 干活不难，让它知道什么时候该停手才难
a16z 这篇博客聊了一个很实际的问题：我们让 AI 模型自己循环干活（比如写代码、改设计），它几乎能永远改下去，但最难的不是让它重试，而是让它知道“改到哪一步算完”。人靠 deadline、测试通过、编辑点头这些外部信号来判断，模型没有这种直觉。文章提醒，一个循环好不好用，完全取决于每一步的“检查员”（verifier）靠不靠谱。他们举了 SpecB...
推荐理由：a16z 抓住了 agent 落地最被低估的工程问题：收敛条件。有 SpecBench 数据打底，不是纯观点输出。扣分是因为它毕竟是 VC 博客而非一手研究，且话题偏工程方法论，不是产品发布。
8月16日星期日
Google 开源 DiffusionGemma：把 Gemma 4 改成扩散模型，解码飙到 1456 tok/s，但复杂推理掉分明显
Google 把训练好的 Gemma 4 26B-A4B 模型权重直接转成了离散多项式扩散模型，并在 Hugging Face 上开源。它不再从左到右逐个 token 写，而是在 256 个 token 的“画布”里通过多轮去噪并行生成。在单张 H100、FP8、单请求的纯解码测试中，速度达到每秒 1456 个 token，是原自回归模型的 7 倍多，...
推荐理由：Google 把训好的 Gemma 4 权重直接转成扩散模型开源了，不是从头训的，这点挺特别。它不再一个字一个字往外蹦，而是在 256 个 token 的“画布”里并行去噪生成，单张 H100 上纯解码跑到每秒 1456 个 token，是原版自回归模型的 7 倍多。代价是数学能力掉了一截，AIME 从 88.3 降到 69.1，正文没细说其他 benchmark 的跌幅，但至少给了推理工程师一个能算账的参考点。我会先打个折：这还只是单请求、FP8 的测试，真实并发和长文本下的表现还没看到，别急着下结论说扩散模型要替代自回归。
8月13日星期四
阿里首次把 Qwen-Max 级别的模型权重放出来了，总参数 2.4 万亿，每次只激活 950 亿
阿里 Qwen 团队开源了 Qwen3.8-2.4T-A95B，这是他们第一次把云端最强模型级别的权重直接公开。模型用了混合专家架构，总共 2.4 万亿参数，但每次计算只激活其中的 950 亿，所以跑起来比同体量的稠密模型省算力。它原生支持 26 万多 token 的上下文，能一口气处理整本小说，还能扩展到 101 万 token。训练时加入了多 to...
推荐理由：阿里第一次把云端旗舰模型完整开源，2.4T MoE、激活95B、原生256K上下文，这几个指标放在一起分量很重。三个维度都踩中了：头部大厂罕见动作、技术上有具体新东西、对国内开发者生态有直接拉动。没给更高分是因为目前只有公告，还没看到第三方实测跑分和实际部署反馈，我会先打个折，等社区验证了再往上调。
8月12日星期三
Cursor 与 SpaceXAI 联合发布 Grok 4.6，专为长时间运行的智能体和交互式项目调优
Grok 4.6 在 Grok 4.5 基础上加了一轮补充训练，用模型自己生成的数据来强化推理和工程能力。它在综合 9 项基准的 Artificial Analysis 智能指数上追平了 GPT-5.6 Sol。这个模型更擅长把一个宽泛的产品想法直接做成能跑的第一版，在长任务里也开始出现自我检查、自己验证的行为。价格是每百万输入 token 2 美元、...
推荐理由：追平 GPT-5.6 Sol 是个硬信号，价格也透明。但正文只有摘要，没给出自我验证的具体案例或失败模式，所以分数压在 85 以下。Cursor 的用户基数和编程场景让这条值得上推荐位。