模型到底谁强：Benchmark 成绩、评测方法论争议与排行榜变化的持续记录。
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。
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...
推荐理由：Anthropic 的旗舰模型在一个有分量的第三方基准上拿了第一，同时降价 20%，属于当天必写。没给 95 分是因为这毕竟只是基准测试结果，不是模型发布本身，但 6/10 项领先、跟 GPT-6 Astra 打平、价格还降了，放在 featured 档很合适。
Max Woolf 用了一年多时间验证一件事：给 AI 代理定一条硬规矩——每次改代码必须至少提速 5%，否则回滚——然后让它自己去迭代优化 Rust。从 Claude Opus 4.5 开始，这套玩法在 UMAP 等算法上拿到了 2 到 20 倍的加速，对比的是已经打磨多年的成熟库，而且全程没碰 unsafe 代码。文章把提示词和基准测试结果都贴出来...
推荐理由：Max Woolf 用一年时间验证了一个具体玩法：给 AI 代理下死命令，每次改 Rust 代码必须提速至少 5%，否则回滚。从 Claude Opus 4.5 开始，这套流程在 UMAP 等算法上跑出了 2 到 20 倍的加速，对比对象是已经打磨多年的成熟库，而且没动 unsafe 代码。文章把提示词和基准测试结果都公开了，属于少见的有数字、能复现的一手实验。我会先打个折——这些加速是在特定算法和场景下拿到的，不一定能泛化到所有 Rust 项目，但方法论本身值得关注。
过去几天 AI 编程圈出了三件事。ZCode 被发现在后台把整个项目连同 Git 历史打包加密，排队往云端传，快照里 .git 对象占了 86.6%，但官方说数据会立即销毁，目前没有第三方验证。HarnessTax 的评测把同一个模型 Claude Fable 5 装进不同框架跑题，官方 Claude Code 和极简框架 Pi 成功率几乎一样（97....
推荐理由：三条 AI 编程新闻绑在一起讲，每条都带一个能记住的数字。ZCode 上传 Git 历史是硬安全事件，有 ferstar 的取证报告和社区复现支撑；HarnessTax 评测暴露了框架包装对模型能力的干扰；微软的架构案例给出了一个省钱路线。HKR 全中，安全、知识和共鸣都到位。
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 WebDev 榜上排第10名上下，开源权重模型里约第3，分数比上代涨了 153 分，有具体数字支撑。Flash 版参数量和跑分正文都没提，信息有缺口，所以重要性给到 78 比较合适，先别往更高拔。
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：小米的 MiMo-V2.6-Pro 在开放权重模型智能指数上登顶，分数从 26 涨到 46，进步明显，属于国产旗舰模型的正面信号。但正文没给参数量、架构和发布时间，关键信息缺着，所以分数先打个折。
小米发了新模型 MiMo-V2.6-Pro，在 Artificial Analysis 的智能指数上拿了 46 分，是目前开源权重模型里最高的。作为对比，上一代 MiMo-V2.5-Pro 只有 26 分，这次提升幅度不小。不过正文没披露模型大小、训练数据和开源协议，这些都会直接影响实际能用在哪、怎么用，所以分数先看着，等细节出来再判断。
推荐理由：小米这个模型分数翻倍、直接登顶，确实有新闻性。但正文没披露模型大小、训练数据和开源协议，这些直接决定能不能用、怎么用，所以分数先打 78，等细节出来再调整。
Fireworks AI 在 DeepSWE 编程基准上测了 18 个模型，发现按任务挑模型比死用一个强得多。单用最强的 GPT-6 Astra 能解决 74.1% 的任务，每次成本 6.52 美元；但一个“事后诸葛亮”路由器从 18 个模型里给每个任务挑最合适的，解决率能到 97.6%，成本反而降到 1.88 美元。只用开源模型也能到 90.3%，成...
推荐理由：Fireworks 用 18 个模型在 DeepSWE 上跑了一轮，拿到的结论是：按任务挑模型的路由器，在解决率和成本上都把单一最强模型比下去了。97.6% 对 74.1% 的解决率，1.88 美元对 6.52 美元的单次成本，差距很明显。开源模型组合能到 90.3%，也给了一条不绑死闭源模型的路。我会先打个折——这是他们自家发布的路由器，数据肯定挑好看的放，但逻辑本身对做模型调度和成本控制的人有参考价值。
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。
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。
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。
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。