Memdoor 实测:五个 Qwen3.8-27B 在 LiveCodeBench Hard 十题测试中超过 Fable 5
Memdoor 复现 GVS5H 多智能体流程,五个 Qwen3.8-27B 在前十道 LiveCodeBench Hard 题目上测试五轮,平均解出 9.8 题,原作者流程为 9.6 题、Fable 5 单模型为 8.0 题。
Memdoor 复现 GVS5H 多智能体流程,五个 Qwen3.8-27B 在前十道 LiveCodeBench Hard 题目上测试五轮,平均解出 9.8 题,原作者流程为 9.6 题、Fable 5 单模型为 8.0 题。
Ryan Madden 实测让 GPT-5.6 Sol 在 Codex 中以低思考级别运行,用 13.5 小时游戏时间通关无虫族敌人的 Factorio 和平模式。模型通过 Python 库操作游戏,并遵守玩家操作距离、战争迷雾等与 GUI 玩家相同的限制。相比 GPT-5.5 不使用传送带的问题,本次表现有所改善,但后期生产系统衔接失败拖慢了进度,Sol 最终依靠反复搬运物资完成火箭发射。
Jepsen 测试面向 AI 工作负载的数据库 ParticleDB 1.1.4 至 1.1.18.11.rc-22,发现 96 项问题,多数无需故障注入即可在单服务器、单客户端下触发。
OpenRouter 实测建议默认使用 Claude Sonnet 5.5,高量请求和子智能体使用 Haiku 5.5,长且模糊、出错代价高的任务保留 Opus 5.5。
推荐理由:OpenRouter 在相同编码任务上比较 Claude 三款模型,全部通过测试时每任务成本仍相差 19 至 30 倍。
Claude Duet 在作者实测中凭借快速响应、频道自动整理和分层权限,正在替代其大部分 AI 工作流。它可按频道限制 GitHub 仓库访问,不存储凭据,优先使用 Claude 现有连接器;顶层统览工作流,频道与子线程逐层收紧上下文和访问范围。产品仍处于 beta,存在运行线程不可见、委派仓库权限未正确附加的问题,作者也认为 Dot 的语音交互仍更出色。
Google 的 Gemini 4 Carbon 在 Artificial Analysis Intelligence Index v5 获得 59 分,排名第一,编码智能体指数排名第二。
推荐理由:Artificial Analysis 将 Gemini 4 Carbon 与同类模型比较,其单任务成本低于 Claude Opus 5.5。
Benjamin Skuse 经 IEEE Access 同意,分别用免费大语言模型和自动化科研系统 FARS 生成论文,两轮测试均未通过期刊检查。第一轮论文由 ChatGPT 和 Gemini 生成,STM Integrity Hub 检出 12 条虚构引用,MolecularConnections 无法验证其中 24 条引用。
Google DeepMind 发布 Gemini 4 Carbon,在 Artificial Analysis Intelligence Index v5 以 59 分排名第 1,优先通过 Fairwind Program 向可信网络安全防御人员开放。
Elorian 发布首个视觉推理模型 Glimpse,并在与 Mercor 合作的 DecoyCount 基准内部测试中取得 50.48% 准确率,是唯一超过 50% 的模型。
Google AI Mode 在 Kyle Orland 的实测中没有直接回答谁赢得 2020 年美国总统选举,而是让用户查阅联邦选举委员会(FEC)的官方报告。
Google 推出 Gemini 4 Carbon,Sundar Pichai 称其在更新后的 Artificial Analysis Intelligence Index v5.0 中以 59 分排名第一。
Artificial Analysis 更新 Intelligence Index 至 version 5,开源模型与榜首的差距从3点扩大至12点。Kimi K3.1 Pro 从第4名降至第9名,排在8个封闭模型之后;Grok 4.7 也下降12点。
Pydantic AI 在内部基准的 5,276 次评分运行中测试了 8 个模型,代码模式使长任务成本降低 58%、耗时降低 51%、成功率提高 16.0 个百分点。
推荐理由:Pydantic AI 用同一组工具比较两种执行方式,代码模式在长任务中节省成本,在少量操作中则可能增加开销。
Artificial Analysis 推出 Intelligence Index v5,新增两项评测、升级三项评测,60% 的指数基于私有测试集或保留答案的评测。
Artificial Analysis 推出 Intelligence Index v5.0,由 9 项评测组成,覆盖知识工作、编程、科学、通用四类,各占 25% 权重。
Artificial Analysis 评测显示,GPT-6.1 Terra 在最高推理强度下的智能指数比 GPT-5.6 Terra 高 6 点,单任务成本由 $1.40 降至 $0.40。
推荐理由:GPT-6.1 Terra 在低和中等推理强度下处于智能与成本的帕累托前沿,最高强度的单任务成本低于前代三分之一。
Grok 发布 AI 生成版《奥德赛》的前七分钟,将其称为《奥德赛》系列第一集。三个月前,Elon Musk 曾宣布将推出一部“历史准确”的长片版本;此次作品由 Grok 与 Wonder Studios、导演 Dev Walker 合作制作。TechCrunch 作者 Anthony Ha 观看后认为,部分镜头接近真人实拍,但冗长旁白、生硬对白和缺乏推进感的叙事削弱了观看吸引力。
皮肤科医生 Magnus Lynch 在 200 个活检确诊皮损上测试发现,微调后的 Inception v3 诊断准确率为 62%,GPT-6 Astra 和 Claude Fable 5.1 均约为 42%。
一种名为 ledger-based zero-shot self-orchestration 的免训练方法,让同一模型的新实例通过共享文件系统分解问题并协作,在 100 道最新高难度 LiveCodeBench 题上最高提升 25.6 个百分点。
一项针对 Drop7 的自主策略研究显示,基于 n-tuple 查表的评估器在深度 3 搜索下、512 局未见过的公开开发局中平均得分 487,066,比同一搜索内手工评估函数(326,717)高出约 16 万分。该结果于 2026-09-05 首次在 screen 层级击败冻结的公平评估叶,次日以 SHA-256 校验的同一查表复现,但仍远低于百万分目标,尚未进入资格赛。
Kimi K3.1 在 Artificial Analysis 评测中得分 55,位列帕累托前沿。该评测的智能指数涵盖模型在特定能力与行业上的表现,并对比 token 用量、成本、上下文窗口、输出速度与延迟等指标。
ModelCompare 向 12 个文本模型各提问 3 次,35 条有效回答中有 29 条被人工归为同一观点,即人类将归属、地位或自身叙事置于真相和原则之上。
Mia Sato 实测 Meta 的购物智能体 Muse,发现零售商访问限制、反机器人检查和配送条件会妨碍购物任务完成。Amazon 已要求 Meta 将 Amazon 从 Muse 中移除,Target 的检查则使访问时而成功、时而受阻,限制了比价覆盖范围。在 The RealReal 上,Muse 能反复将 10 件商品加入购物车、续上每次 20 分钟的保留期,阻止其他顾客购买这些商品。
eMudhra 的 8 个中间 CA 私钥仅有单字节取值,文章作者从公开证书中用不到 1 秒恢复了全部私钥。Chrome 和 Firefox 已封禁相关中间证书,但作者本地实测发现,默认配置的 curl、Python 和 Node 接受了为 api.stripe.com 伪造的证书,Windows CryptoAPI 在未开启吊销检查时也接受该证书链。
NetWasm 0.8.0 编译同一 print-42 工作负载产出 47,798 字节 Wasm,比 Rust 1.95.0 的 53,635 字节小 10.9%,Brotli-11 压缩后小 20.4%。
Terminal X 的 Eval Agent 基于 GPT-6.1 Sol,在 500 条评分判断中与资深人类评审的一致率达 88.6%,比次优模型高 220 个基点。该 Agent 按 54 项标准评分,对偏离基金投资授权范围的回答检出率提升约 25%,单次查询成本降低约 30%。一家私募股权客户借助自动化的尽职调查与投资备忘录流程,实现年化 240 万美元节省。
OpenAI 针对 COBOL、Fortran、Visual Basic 等低资源语言优化了最新模型,GPT-6 Astra 在 MultiLangBench 上对 20 种语言的平均测试通过率达 87.4%,GPT-5.6 Terra 约为 38%。
开放模型的单任务成本同时受 token 消耗和单价影响,Muse Spark Open 输出量不足 DeepSeek 的一半,任务费用却高出三倍多。Artificial Analysis 的评测中,两者综合成绩均为 39 分,平均每任务费用分别为 0.84 美元和 0.27 美元,计算涵盖输入、缓存、推理思维链及最终答案的 token 费用。
marcusbuffett 用 10 个月开发了 Chessbook-1,为 Chessbook 训练对局提供按棋手等级和时限模拟人类走法、失误及思考时间的模型。
作者在 ASUS ProArt P16 H7607BA-SE033W 上运行 Arch Linux,系统与 CUDA 均报告可用的同一物理内存池总量为 116.0 GiB。
DeepSeek-V4.1-Flash-20261017 (Max) 成为 Agent Arena 排名第一的开源模型,总榜第 11,基于超 7.5K 真实会话净提升 +5.1%。其中位任务成本 $0.20,约为 GPT-6.1 Sol 提升幅度的 37%、成本的 27%,Confirmed Success 提升 +11.5%,且无 Tool Hallucination 问题。
Meta 的 Muse Wonder Full (Max) 首次进入 Code Arena: WebDev 榜单,以 1726 分排名第 6。这一成绩使 Meta 成为该榜单第 3 实验室,此前该位置由 Google 持有。
DeepSeek-V4.1-Flash-20261017 (Max) 成为 Code Arena: WebDev 榜单第一开源模型,超过 Kimi K3 (Max),成本低约 10 倍。
Google DeepMind 团队的四个 Gemini 4 Argon 智能体在无人干预下击败末影龙,完成 Minecraft 通关。团队将它们置于随机生成的世界,未指定角色、策略或游戏专用工具;智能体自行分工、互相警告威胁、回收死亡队友的物品,并在共享记忆中记录失误。
开发者用 Claude Opus 5.5 在 Claude 聊天界面分多次会话生成了 500 个时钟,全部打包进一个 6.3 MB 的自包含 HTML 文件。作者称这是其个人版的「自行车上的鹈鹕」测试,用于检验前沿模型生成自包含网页的能力,并特别称赞 Opus 5.5 所造时钟的多样性与质量。
卡兹克实测华硕 ProArt 创16 RTX Spark 笔记本,128G 统一内存+1T 版本京东售价 37999 元,开售几分钟内被抢空。他受邀参加英伟达 RTX Spark 全球开售活动,并深度使用一周。
Codex Desktop 用户报告,Crashpad 转储持续积累至 ~323 GB、~4.04 million 个文件,占用 926 GB 磁盘的约 35%。
404 Media 实测发现,OpenAI 允许广告主依据邮箱、手机号或手机上的唯一标识符,向特定 ChatGPT 用户群体投放广告。广告定向也会使用用户输入的提示词,部分用户可能不知道广告主上传的个人数据被用于匹配广告。原文称 ChatGPT 拥有 10 亿月活跃用户,并指出个人数据定向在广告行业较为常见,而基于聊天提示词的定向方式较为新颖。
推荐理由:404 Media 实测发现 ChatGPT 广告可按提示词和个人标识定向投放,用户输入及广告主上传的个人数据都可能参与广告匹配。
Google DeepMind 的 Gemini 4 Argon 在 Epoch AI 综合能力指数 ECI 中达到 165,接近 GPT-6 Astra 的 166 和 Opus 5.5 的 167。
推荐理由:Google 的 Argon 在两种测试环境中表现差距显著,保留推理与上下文压缩等厂商 API 功能也参与了基准能力的比较。