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。
PlanetScale 把 TIN 正式推成 GA 了，这是一个给 Postgres 用的全文搜索扩展。它支持布尔、短语、模糊和正则匹配，并且在并发写入时能正确处理 MVCC 可见性。文章用 1.5 亿条 Stack Exchange 数据跑了基准测试，给了索引构建时间和混合查询延迟，但没直接跟现有的 Postgres 全文搜索方案做横向对比，这点先别...
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。
一台型号为 Mac18,6 的设备跑出了 Geekbench 7 单核 4150 分，是目前公开的最高分。这颗 M6 Pro 有 18 个核心，分成 6+12 两组，基础频率 4.78 GHz，配了 48 GB 内存。多核 37565 分。单核成绩比前代 M 系列明显高出一截，说明苹果在单线程性能上还在往前推。不过这只是个跑分，实际功耗、散热和最终量产...
ByteShape 放出了 Qwen 3.8 27B 的完整 ShapeLearn 量化模型，一共五个版本，覆盖不同显存和速度。默认推荐 GPU-5（IQ4_XS，3.84 bpw，13.1 GB），在 RTX 5090 上跑出 93.66 tok/s，精度达到 BF16 的 99.63%。如果显存紧张，GPU-4（IQ3_S，11.0 GB）也能保住...
《经济学人》报道，在一些地缘政治事件的预测比赛里，AI 模型的表现已经超过了部分顶尖的人类预测员。文章提到了具体的竞赛和模型，但正文没披露模型名字、用了多少数据训练、误差范围有多大。我会先打个折：等看到完整评测再判断这个领先到底有多稳。
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...
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。
耶鲁等机构的研究人员找来物理系教授和博士生，把六个常用物理基准测试的评分重新审了一遍。结果发现，之前被判错的答案，大部分是评分程序出错、参考答案本身是错的，或者题目问得不清不楚。以 GPT-5.6-Sol 为例，在 HLE-Physics 上，修正后的 mean@4 从 47.3% 跳到了 78.7%；在 CMT-Benchmark 上，从 61.0%...
推荐理由：耶鲁等机构的研究人员拉来物理系教授和博士生，把六个常用物理基准测试的评分重新审了一遍。结果发现，之前被判错的答案，大部分是评分程序出错、参考答案本身是错的，或者题目问得不清不楚。以 GPT-5.6-Sol 为例，在 HLE-Physics 上，修正后的 mean@4 从 47.3% 跳到了 78.7%；在 CMT-Benchmark 上，从 61.0% 跳到 89.1%，接近满分。这个涨幅说明，很多“模型物理不行”的判断，其实是基准本身质量不行。我会先打个折：正文没披露重新评分时有没有统一标准、不同评审之间一致性如何，这点先别太激动。但至少提醒我们...
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。
AIUC 刚宣布完成 4000 万美元 A 轮融资，由 Ribbit Capital 和 First Harmonic 领投。CEO Rune Kvist 是 Anthropic 第一个产品岗员工，他认为限制 AI 落地的不是能力，而是信任和出了事谁负责。他们搞了一套叫 AIUC-1 的标准，专门给 AI 代理做压力测试，查越狱、幻觉、数据泄露这些毛病...
推荐理由：AI 代理保险是个新品类，AIUC-1 标准加上 4000 万 A 轮让这事有实感，不是纯 PR。CEO 的 Anthropic 出身和 Ribbit Capital 背书增加了可信度，但产品还在早期——正文没披露实际理赔数据或保费定价，所以我会先打个折，不把它吹成已经跑通的生意。
NVIDIA 的下一代旗舰 Vera Rubin NVL72 第一次跑 MLPerf Inference v6.1 就拿了第一。这台机器是 Blackwell 之后的顶配，72 张 GPU 通过 NVLink 连在一起，专门为大规模推理场景设计。不过官方博客只说了“领先性能”，没公布具体分数，也没说跟谁比、领先多少。对买家来说，这暗示推理吞吐和延迟会比...
Arena 把四个新模型丢进了图片转网页的评测榜单。GPT-6 Astra（Max）拿了 1733 分排第一，比第二名的 GPT-5.6 Sol（xHigh）高出 129 分。Claude Fable 5.1（Max）1710 分排第三，Muse Spark 1.3（Max）1645 分第四，GLM-5.3-Flash 1588 分第十。正文没披露具体...
推荐理由：GPT-6 Astra 首秀就登顶，领先幅度 129 分，这个信号够硬，值得上首页。但正文只给了分数和排名，没展开方法细节或模型差异，读起来像一条快讯。H 和 K 都踩中了，R 缺位，整体重要性我给 72 分，放在 featured 里刚好。
Good Start Labs 拿一款 30B 参数的模型在铁路经营游戏《1830》里训练，然后让它去做金融研究任务——查数据库、写 Excel 公式、边推理边算。结果发现，只有做成多轮终端智能体（让模型自己用工具探索环境、实时调整策略）的版本，技能才迁移得过去；单轮问答式的训练就没这个效果。这家公司去年 10 月从 Every 分拆出来，拿了 360...
推荐理由：实验设计有新意，给出了技能迁移的正面证据和一个失败对照组，对 agent 训练研究有参考价值。但公司刚分拆出来，产品路径不明，金融任务上也没给具体数字，所以我会先打个折，重要性给到 72。
Michael Noukhovitch 写了篇博客介绍他新论文里的发现：用强化学习（RL）做模型后训练时，会出现马太效应——训练越往后，模型越爱挑简单题做，难题被采样的次数越来越少，因为早期在简单题上拿到的奖励把训练方向带偏了。他提出的修正方法叫 Never Give Up（NGU），核心是给难题设一个最低采样比例，不让它们被挤掉。在 Olmo 3.1...
推荐理由：Michael Noukhovitch 把自家论文写成了博客，讲的是 RL 后训练里一个隐蔽的退化现象：模型会越来越爱做简单题，难题采样率一路下滑，因为早期简单题的奖励把训练方向带偏了。他管这个叫马太效应，提出的修正方案 NGU 就是给难题设最低采样比例，强制保留训练信号。正文没披露 NGU 在 Olmo 3.1 之外更多模型上的验证结果，这点先别太激动，但思路本身对正在跑 RL 流程的团队有直接参考价值。
今天最直观的教训来自 @搞仁义毛义仁：给 Astra 一个空白 C++ 仓库，代码写得一塌糊涂；把积累了大量 code review 经验的 GacUI 上下文导进去，质量立刻飙升。这说明模型不是不会写，是得用具体规则去“规训”。@今天群内信息量极大 实测了 Ollama Cloud 跑 DeepSeek V4.1 Flash，解码吞吐是官方 API ...
推荐理由：今天群聊里两条实操经验比大多数论文都实在。第一条来自 @搞仁义毛义仁：用 Astra 写 C++，给个空仓库代码质量很差，但把积累了多年 code review 规则的 GacUI 上下文喂进去，质量立刻上来了。这说明模型不是不会写，是得用具体、有约束的规则去“规训”，光靠模型自己发挥不行。第二条是 @今天群内信息量极大 实测 Ollama Cloud 跑 DeepSeek V4.1 Flash，解码吞吐比官方 API 高出一截，但正文没披露具体延迟和成本数字，所以这个“快”到底在什么条件下成立、性价比如何，还得自己测了才知道。两条都指向同一个方向...
Fireworks 跑了一遍 DeepSeek-V4.1-Flash 的完整测试。在衡量自动修 bug、写代码能力的 DeepSWE 基准上，它的 pass@1 得分是 74.34%，跟 GPT-6 Astra 的 74.12% 在同一档，但每次任务成本只要 0.43 美元，比 Astra 便宜 15 倍，比 Claude Opus 5 便宜 28 倍...
推荐理由：DeepSeek V4.1-Flash 在 DeepSWE 上跟 GPT-6 Astra 平起平坐，成本却砍了一个数量级，是本周最强的性价比信号。扣分是因为数据来自 Fireworks 自己的评测，不是独立第三方，而且原文被 cookie 墙截断，看不到完整方法和误差范围，所以结论先打个折。
Entelligence 用 50 个真实 PR 测了这两个模型做代码审查。Luna 每百万输出 token 只要 1.2 美元，Astra 要 50 美元，单次审查成本差了 28 倍。最终 Luna 找到 69 个确认 bug，Astra 找到 92 个。但 Luna 的误报率高得多，93 条意见里有 24 条是错的，Astra 只有 4 条。在 S...
推荐理由：Entelligence 自己测了自己的模型，正文没交代这 50 个 PR 从哪来、有没有人类审查员做对照，独立性要打个折。但实验设计清楚，成本、召回、误报率都给了具体数字，对选模型做代码审查的人有参考价值。
Nari Labs 用他们部署的 Qwen3-ASR 和 Qwen3-TTS 模型，在 Coval 的语音 AI 基准测试里拿了两个第一。语音识别（STT）这边，从用户说完话到出最终文本的中位延迟只有 44 毫秒，错误率 3.6%，排第二，仅次于 AssemblyAI 的 3.5%，但价格只要后者的四分之一不到。语音合成（TTS）那边，从文字到出第一段...
Maksim Ilin 把 LinkedIn、世界经济论坛、斯坦福、普华永道和贝恩的数据拼在一起，画出了 2026 年 9 月的 AI 就业图景。最抢手的岗位是 AI 工程师，就是把大模型塞进产品里干活的人，美国周均新增约 1550 个职位，年薪中位数 17.6 万美元。最顶尖的是前沿实验室的研究科学家，Anthropic 年薪中位数约 74.6 万美...
推荐理由：一篇个人博客把几份公开报告的数据揉在一起，给出了 2026 年 9 月 AI 岗位的薪资和需求全景。数字具体、来源可查，对从业者有直接参考价值。扣分是因为本质上是二手数据整合，不是一手调研，权威性有限，所以停在 72 分。
Tom Gally 用 Claude Fable 5.1 搭了个站，把 Simon Willison 那个经典的“鹈鹕骑自行车”测试扩展成了 30 道 SVG 画图题，比如“章鱼弹管风琴”、“长颈鹿组装落地钟”。2026 年跑了 6 个模型，2025 年跑了 10 个。页面直接贴模型返回的原始 SVG，没做主观打分，你自己看图画得怎么样。每张图下面标了...
推荐理由：Simon Willison 那个经典的鹈鹕骑自行车测试，社区里玩了好几年了。Tom Gally 这次把它扩成 30 道题，还跑了 2025 和 2026 两批模型，信息量挺大。页面没做主观打分，就让你自己看图判断，这点反而实在——省得被一个分数带偏。缺点是你得一张张翻，没法一眼扫出排名，但当成一个原始素材库来用，价值很高。
OpenAI 发布 GPT-6 Astra 后，评测机构 Artificial Analysis 一周内两次修改评分规则，让 Astra 从落后 5 分变成与 Claude Fable 5.1 并列第一，模型本身没动过。榜单是门生意：评测方卖高价订阅需要大厂背书，厂商需要排名做营销，双方利益绑在一起。DeepSeek V4 Flash 只重训了后训练阶...
推荐理由：这篇评论用一件具体的事——Artificial Analysis 在 GPT-6 Astra 发布后一周内两次改评分规则，让排名从落后 5 分翻成并列第一——把 AI 榜单的商业逻辑讲透了。有版本号、有分数、有权重变化，信息扎实。对从业者来说，它不是在复述新闻，而是在提醒：你花钱订阅的排行榜，尺子可能随时跟着大厂的新模型重画。我会给高分，因为这种“拆台”视角比单纯报分数更有价值。
ModelRift 让 6 个 AI 智能体分别用 CadQuery 和 OpenSCAD 建模三个可打印零件，所有 STL 文件都通过了水密性检测。区别在于失败模式：OpenSCAD 更快（平均 2061 秒 vs CadQuery 的 2406 秒），但无法检查零件边缘；CadQuery 支持 B-rep 有效性验证，但更慢。最难的 M24 螺纹接...
Sebastian 在 Earendil 的博客里用 SlopCodeBench 的指标测了 AI 写代码的“水分”。AI agent 写的代码平均啰嗦度 0.33，人类仓库只有 0.15；侵蚀度 0.68，人类是 0.31——AI 代码的啰嗦和臃肿程度大概是人类的两倍。在多轮、清空上下文的迭代测试里，哪怕最顶尖的模型，严格通过率也是 0%，坏决策会越...
推荐理由：Sebastian 在 Earendil 的博客里用 SlopCodeBench 测了 AI 写代码的“水分”，给了两个新指标：啰嗦度（verbosity）和侵蚀度（erosion）。AI agent 写的代码啰嗦度 0.33，人类仓库 0.15；侵蚀度 0.68，人类 0.31——AI 代码的臃肿程度大概是人写的两倍。多轮迭代测试里，哪怕最顶尖的模型，严格通过率也是 0%，坏决策会越滚越多。这个角度比泛泛说“AI 代码质量差”具体得多，直接量化了“能用但脏”的状态。我会先打个折：这是单篇博客，不是同行评审，SlopCodeBench 也没开源，可...
这个仓库重放了 393 次真实 Claude Code 会话里的 6.8 万个请求，专门测试那些号称能替代 LRU 的 KV 缓存淘汰新策略。结果发现，很多新方法在论文的标准测试集上看着挺美，一碰到真实 agent 工作流（让模型进业务流程干活）的访问模式就露馅了。正文没给出具体的命中率数字，但核心结论很明确：真实场景下的访问规律跟学术基准差得远，生产...
推荐理由：这个仓库没走论文老路，而是拿真实 agent 工作流的访问模式来压测 KV 缓存淘汰策略。393 次会话、6.8 万个请求的规模够看，直接点出很多新方法在学术基准上好看、一上生产就露馅。不过正文没披露具体命中率数字，所以分数先停在 featured 这一档，等有数据再往上调。
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...
Fusion 不是新模型，而是一套让模型“开会讨论”的流程。你提一个问题，它会同时发给最多 8 个模型（评审团）各自回答，然后由一个裁判模型对比它们的答案，找出共识、分歧和遗漏点，最后让主模型综合这些分析写出最终回复。默认三模型评审团的成本大约是单次调用的 4 到 5 倍，耗时 2 到 3 倍。在 DRACO 深度研究基准测试中，一个由 Gemini ...
推荐理由：Fusion是一套多模型辩论后合成的流程，不是新模型。成本和延迟数字、DRACO基准数据让它比纯营销稿扎实，但本质是路由层的产品更新，不是基础模型突破，所以放在featured低分段。
Cognition 推出了新模型 SWE-2，在 FrontierCode 1.1 Main 上拿到 50.0% 的分数，比自家上一代 SWE-1.7 高出 8 个百分点，同时成本比对手 Fable 5.1 低了 64%。它是在 2.8 万亿参数的 Kimi K3 基础上做强化学习后训练得到的，用的是一种单轮训练法，把不同思考深度的模式一起练出来。实际...
推荐理由：SWE-2 在 FrontierCode 1.1 Main 上跑到 50.0%，比前代涨了 8 个点，成本比 Fable 5.1 便宜 64%，是 Cognition 目前最接近前沿的一次。没给 85 分是因为它还是比 GPT-6 Astra 差几个点，而且基座用的是 Kimi K3 而不是自研模型。不过单轮 RL 训练法把不同思考深度揉在一起练，工程上省事，成本控制也漂亮，对想用第三方模型做编码 agent 的团队来说是个很实际的参考。
Tibo 亲自标定，Astra 的 low 档位表现已经超过 Sol 的 high 档位，建议之前觉得 Sol high 够用的人直接降档，能省下数倍额度。群友贴出的 Codex CLI 速度横评也印证了这一点：Astra Pro Normal 模式虽然最慢（36 tps），但跑三个任务只花 0.09% 的周配额，几乎不花钱；API Fast 模式吞吐...
两场千人级实验揭开了同一个真相。土耳其高中数学课上，用 ChatGPT 做练习的学生成绩暴涨 48%，但一关屏幕独立考试，分数反而比没用 AI 的对照组低了 17%。屏幕亮着时的漂亮卷面，只是向外部算力借来的下限，一断网就清零。米兰商学院的营销写作实验更微妙：用了 AI 的学生，作业得分在 5 分制上高出近 1 分，表达逼近专家水平。但实验同时发现，那...
推荐理由：两场千人级随机对照实验给出了硬数字，把 AI 辅助学习的幻觉拆得很清楚：练习分数虚高，闭卷考试反而倒退，学生跳过推理直接抄答案。HKR 三项都强，但文章是综述性质，不是一手研究发布，所以分数压在 85 以下。
一位老哥在 5090 上对比了 Qwen 3.8-27B 的两种本地运行方式：用 NInfer 跑的 NVFP4（4-bit 量化）和用 llama.cpp 跑的 Q5_K_M。一开始用默认采样参数（temp=1.0, min_p=0.0）跑 IFBench 指令遵循测试，Q5 严格分 76% 略高于 NVFP4 的 74%。但他发现 NVFP4 的宽...
推荐理由：这是一篇单人单卡、单模型的实测笔记，不是纸上谈兵。作者发现NVFP4默认参数下指令遵循能力被压住了，调参后直接反超更高比特的量化方案，还附了速度对比。我会先打个折：测试只在一张5090上跑了一个模型，依赖NInfer这个相对小众的推理引擎，普适性有限。但文章的价值在于给出了一个具体、可复现的调参思路，对本地部署党来说比泛泛的量化对比报告有用得多。
Fortune 发现 OpenAI 在 9 月 3 日发布 GPT-6 Astra 后，多次悄悄修改了官方博客里的基准测试成绩。最夸张的是 Astra 的幻觉率，先是从 4.2% 降到 2%，后来又改回了 4.2%。Anthropic 的模型 Fable 5.1 也遭了殃，数学成绩一度被 OpenAI 下调了近 10 分。OpenAI 解释说这是发布前...
推荐理由：GPT-6 Astra 发布本身就是大事，Fortune 抓到发布后改基准测试成绩，还动了竞品分数，热点、知识增量、读者决策影响全占了。没给到 95 是因为目前只有 Fortune 一家报道，OpenAI 的回应也比较模糊，先观望一下后续。
GPT-6 Astra（Max 版本）在 Code Arena 的网页开发专项榜上跑出 1797 分，排第一。第二名 Claude Fable 5.1（Max）是 1762 分，第三名 Claude Opus 5（Max）1688 分。这条信息只来自一条推文，正文没披露测试样本量、具体任务类型和响应延迟，所以这个领先幅度先别太当真，等有更多细节再判断。
推荐理由：GPT-6 在 Code Arena 网页开发专项上首次超过 Claude，35 分的差距值得聊一聊。但消息只来自一条推文，没给测试样本量、具体任务和响应延迟，分数先打个折，等更多信息出来再调整。
GPT-6 Astra 今天向所有 Pro 用户开放，Codex CLI 和 Copilot 都已接入。群友实测同一个任务从 12 分钟缩到 6 分钟，但单次消耗比 Sol 贵约 75%，有人用 API 跑一轮代码审查直接烧掉 100 美元。Tibo 和 Anthropic 同一天都给用户重置了额度，Codex 则顺手封堵了一个能无限白嫖的漏洞。另外，...
推荐理由：GPT-6 Astra 全量上线是本周最大的产品动作，这份群聊日报用第一天的实测数字把速度和成本都摆出来了，比官方公告更有参考价值。打 78 分是因为来源是匿名群聊整理，不是一手官方公告，部分细节（比如漏洞具体怎么堵的）正文没展开，所以没给更高。
Artificial Analysis 更新了模型评测榜单到 v4.2 版，主要做了两件事：一是新增了 AA-Briefcase 和 GDP.pdf 两个更贴近真实场景的测试；二是把不公开的隐藏题库权重翻倍到 40%，专门防止模型厂商针对公开题刷分。AA-Briefcase 是它们自己出的隐藏题，模拟需要好几周才能完成的知识工作项目，让模型处理几千个源...
推荐理由：这次更新核心就一件事：防刷分。Artificial Analysis把不公开题库的权重从20%提到40%，摆明了告诉厂商别想靠背题拿高分。新增的AA-Briefcase和GDP.pdf两个测试也值得看一眼，前者让模型处理几千个源文件做长周期项目，后者直接扔一本4592页的文档考信息提取，比MMLU这类饱和基准更接地气。不过正文没披露具体模型排名变化，只说后续会陆续放出，所以现在只能当方法论预告看，别急着拿它做选型决策。
一位用户在 RX 7900 XTX 上对比了 Ollama ROCm 和 llama.cpp Vulkan 跑 Qwen3.8 27B Q4_K_M 的性能。纯解码速度上，llama.cpp Vulkan 只比 Ollama 快约 4%（36 vs 34.4 t/s），而 Ollama 在 64K 上下文的提示处理上反而领先（215.8 vs 192 ...
EEBench 搞了个电路设计基准测试，不让模型在 GUI 里点来点去，而是用声明式代码（atopile）直接操作元器件和约束，然后跑 SPICE 仿真检查电压、容差、成本和真实零件能不能买到。Claude Opus 5 目前最高，得分 61.6%，Grok 4.6 以 57.1% 紧随其后。在一个电能表任务里，有设计选了个标称 22µF 的电容，但在...
推荐理由：EEBench 用声明式代码加 SPICE 仿真测了几家大模型做电路板设计的能力，Claude Opus 5 目前最高 61.6%，Grok 4.6 紧随其后。文章正好接在 GPT-6 Astra 的 KiCad 演示后面，时机很巧，热度够。分数和翻车案例都有，信息量扎实。不过 PCB 设计话题本身比较垂直，普通 AI 从业者不一定追，所以可读性上我会先打个折。
OpenAI 宣称 GPT-6 Astra 在 ARC AGI-3 基准上拿了 98.6%，但用的是他们自己定制的测试套件，不是官方标准版。Nvidia 之前用自家的 AVO 套件已经跑到了 100%，更早的 Arc-Skill 和 VISTA 系统也接近满分。换成标准套件后，Astra 的成绩掉到 66%。这个分数依然不错，但远没到 AGI。Open...
推荐理由：这篇文章用两个数字拆掉了 OpenAI 的 98.6% 叙事——Nvidia 的 100% 和标准套件下的 66%，信息密度高，冲突直接。没给更高分是因为来源是 Reddit 个人帖，不是机构评测，正文也没披露标准套件的具体测试条件和样本量，验证力度有限。
Google 发布 Gemini 3.8 Flash，输入价格每百万 token 0.75 美元，在 DeepSWE 编程基准上拿到 71% 的分数，多项智能体跑分超过 Sol 和 Opus 5。同一天 Meta 放出 Muse Spark 1.3，智力分跟 Grok 4.6 持平，Contributor 档位输入价只要 0.1 美元，但默认会用你的数...
推荐理由：Gemini 3.8 Flash 以 Flash 档位定价在智能体跑分上超过 Sol 和 Opus 5，这个信号很炸。来源是群聊日报而非官方公告，所以我会先打个折，但里面给的数字和实测笔记密度很高，对做模型选型的人有直接参考价值。
GPT-6 Astra 主打两件事：一是让模型像人一样操作电脑，二是安全对齐。在 OSWorld 真实桌面任务测试里，完成任务的时间从 75 分钟缩短到 40 分钟；职场自动化任务成功率从 18% 涨到 41%。对齐方面，上一代模型不加防护时越狱率是 48%，Astra 直接压到 0%。作者还提到，用 2000 美元的算力就让 Astra 解出了 10...
推荐理由：GPT-6 Astra 发布本身就是行业级事件。电脑操作和对齐两条线都给了具体数字，不是空泛宣传，所以 H、K、R 全中。没给 98-100 分，是因为目前只有推文摘要，缺官方博客或第三方复现，等更多材料出来可以再往上调。