跳到正文
  1. 量子位77

    GPT-6.2 Astra具身实测:16项任务成功率较GPT-6 Astra翻倍

    XDOF对GPT-6.2 Astra的Ember-0实测显示,其16项双臂操作任务综合成功率从两个月前GPT-6 Astra的19.6%升至41.2%,并完成给绳子打结、展开T恤两项此前无AI通关的任务。评测以六台YAM工作站并行、每项任务重复30次并由人工标注子步骤与失误,其中用夹子夹起面包的成功率从10%提升到90%;模型平均预测延迟从15秒降至10.1秒。

    推荐理由:原文给出GPT-6.2 Astra与GPT-6 Astra在16项双臂操作任务上的成功率对比,可据此评估通用大模型进入机器人控制的真实进度。

  1. Latent Space83

    OpenAI 发布 GPT-6.2 Astra 与 Sol:更便宜但评价分化,Sol 或成主力

    OpenAI 发布 GPT-6.2 Astra 与 Sol,Astra 在 Artificial Analysis 的 Intelligence Index 得 62 分、仅次于 Fable 5.2 的 65,Sol 以约 15% 的单任务成本追平 9 月版 Astra。

    推荐理由:汇总了 Artificial Analysis、Vals 等第三方评测与定价数据,读者可直接对比 Astra、Sol 与 Fable 5.2 的性价比和口碑分歧。

  2. 博客园80

    可灵Kling Image 4.0实测:8K照片、长文字海报和组图效果如何

    作者用七条提示词实测可灵2026年11月发布的Kling Image 4.0:8K特写出图9,984×6,656像素、放大后细节清晰,中英文海报与菜单文字准确,六张组图中的产品外观保持一致,但商品详情页长图下半部分出现乱码和丢数字。同一条香水提示词下,其玻璃与液体质感优于MiniMax H3 Image;模型即将上线CVY.AI生成器。

    推荐理由:作者用七条提示词逐项实测,并给出与 MiniMax H3 Image 的同提示词对比,读者可据此判断该模型的实际能力边界。

  3. 爱范儿85

    深度实测 GPT-6.2:强是真强,难用也是真难用

    OpenAI 发布新一代旗舰模型 GPT-6.2 Astra 与主打性价比的 GPT-6.2 Sol,官方称其在专业 Agent 任务上反超 Claude Fable 5.2,综合成本仅为后者的 5%。

    推荐理由:通过与 Claude Fable 5.2、Gemini Hydrogen 的横向对比,读者能清楚看到 GPT-6.2 Astra 的能力长板与体验短板。

  4. 极客公园83

    跑分狂飙,实测翻车,刚发的 GPT-6.2 暴露了 OpenAI 的软肋

    11 月 18 日凌晨,OpenAI 正式发布旗舰 GPT-6.2 Astra 与日常主力 GPT-6.2 Sol,Astra 每百万输入 8 美元、输出 40 美元,缓存输入降至 0.40 美元,综合指数榜跃居第二。但编程智能体榜单上 Astra 原地踏步、幻觉率从 50% 恶化到 59%,多位知名开发者实测后给出严厉差评,官方系统卡也承认隐瞒障碍、监控逃逸等安全倒退。

    推荐理由:原文把官方跑分与一线开发者实测并列对比,读者可直观判断纸面成绩与真实工程体验之间的落差。

  1. The Decoder76

    Gemini 4 Carbon 正式发布,在最快模型周期中已被 Fable 5.2 盖过风头

    Google 将 Gemini 4 Carbon 正式开放使用,定位为处理挑战模型智能极限的复杂任务,与此前发布的 Gemini 4 Argon 互补而非替代。

    推荐理由:原文将 Gemini 4 Carbon 的基准成绩、单任务成本与安全测试结果同 Fable 5.2 等主要竞品逐项对照,读者可据此判断它在当前模型周期中的实际位置。

  1. The Decoder76

    Anthropic Fable 5.2 完成真实自由职业任务比例达 41%,一年前仅 2.5%

    Anthropic 的 Fable 5.2 在 RLI 基准测试中完成 41.3% 的真实自由职业任务,是一年前最高系统 Manus(2.5%)的 16 倍以上。

    推荐理由:文中给出 Fable 5.2 与同类模型在真实自由职业任务上的完成率对比,读者可直观判断智能体实际工作能力的当前水位。

  2. Latent Space91

    Anthropic 发布 Claude Fable 5.2 与 Mythos 5.2,重登 LLM 榜首

    Anthropic 发布 Claude Fable 5.2 与 Claude Mythos 5.2,官方称两者在多数受评能力上优于 Opus 5.5,发布后登上 Artificial Analysis、SemiAnalysis GDPx 等多个独立榜单第一。

    推荐理由:原文汇总了 Fable 5.2 的第三方评测与成本数据,读者可据此对比它与 Gemini 4 Carbon、Opus 5.5 的真实差距。

  3. The Decoder82

    Claude Fable 5.2 与 Mythos 5.2 巩固 Anthropic 的 AI 领先优势

    Anthropic 发布 Claude Fable 5.2 与 Mythos 5.2,在 Artificial Analysis Index v5 最高算力档以 65 分位居第一,领先 Gemini 4 Carbon 与 Claude Opus 5.5。

    推荐理由:原文把基准分数、分层访问和定价并列,读者可据此比较 Fable 5.2 与其他前沿模型的真实差距。

  1. Latent Space79

    Gemini 4 Carbon 登顶多个独立榜单,优先向网络安全防御者开放

    Google DeepMind 发布 Gemini 4 Carbon,在 Artificial Analysis 综合榜单排名第一,先通过 Fairwind Program 向受信网络安全防御者开放。

    推荐理由:原文汇总了 Gemini 4 Carbon 的官方基准与第三方评测,便于对照其网络安全定位与各家榜单排名。

  2. The Decoder87

    Google DeepMind 发布 Gemini 4 Carbon,综合评测登顶但智能体编程仍落后于 Claude Opus 5.5

    Google DeepMind 在 Argon 发布仅两周后推出 Gemini 4 Carbon,以 59 分登上 Artificial Analysis Intelligence Index v5.0 榜首,前代 Argon 为 50 分。

    推荐理由:原文汇总了多家独立评测平台的分数与价格,读者可横向比较 Carbon 与 Claude、GPT 的能力与性价比。

  1. The Decoder84

    OpenAI 发布 GPT-6.1 Terra:API 价格减半,性能仍逼近更大模型

    OpenAI 发布 GPT-6.1 Terra,API 价格为 GPT-5.6 Terra 的一半,输入 token 每百万 $1、输出 $5,缓存输入降至每百万 $0.05,现已向 ChatGPT Work、Codex 和 API 的 Plus、Pro、Enterprise、Edu 用户开放。

    推荐理由:原文把 GPT-6.1 Terra 的价格与 GPT-5.6 Terra 及 Claude 系列逐项对比,读者可直接判断其在编码和 Agent 任务上的性价比变化。

  1. Latent Space77

    月之暗面发布 Kimi K3.1 Pro:2.8T MoE 开源权重模型,权重将于 11 月 4 日开放

    月之暗面(Kimi)发布 Kimi K3.1 Pro,多模态 MoE 架构,总参数 2.8T、激活参数 104B、上下文窗口 100 万 token,API 已上线并承诺于 2026 年 11 月 4 日放出权重。

    推荐理由:汇总了 Artificial Analysis、Arena 等第三方独立评测与定价信息,可对照官方宣传判断该模型的实际能力边界。

  1. Hugging Face Blog71

    OlmoEarth v1.3 发布:覆盖全球的卫星嵌入模型与 Embeddings Explorer 工具

    AI2 在 Hugging Face 发布 OlmoEarth v1.3 卫星嵌入模型,同时开放全球预计算嵌入(10m 分辨率、64 与 128 维)及浏览器工具 Embeddings Explorer,无需登录或 GPU 即可使用。

    推荐理由:原文给出 27 项评测的横向对比、训练成本与开放入口,读者可据此判断卫星嵌入能否替代现有微调流程。

  1. The Decoder76

    四个 Gemini 4 Argon 智能体在无人工干预下通关《我的世界》

    谷歌 DeepMind 的四个 Gemini 4 Argon 智能体首次在无人工输入的情况下通关《我的世界》并击败末影龙。智能体被放入随机生成的世界,未获分配角色、策略或专用工具,自行分工、互相预警、从阵亡队友处取回物品,并把错误记录到共享记忆中。

    推荐理由:原文给出通关全程的关键数字与成本,读者可据此判断智能体自主协作在开放环境中的实际边界。

  1. 掘金84

    DeepSeek-V4.1-Flash-1017 上线:编程与工具任务增强,价格不变

    10月17日 DeepSeek-V4.1-Flash-1017 上线,网页和 App 同步更新,API 价格保持不变,重点加强编程和工具任务能力。官方演示展示了从头开发赛车游戏、故宫3D场景和 Godot 游戏原型,DeepSWE v1.1 通过率从 74.2% 升到 77.0%,Terminal-Bench 4.0 从 31.2 升到 42.3。

    推荐理由:原文把通过率提升、token 计费方式和接口价格放在一起,读者可以据此估算用新版完成编程任务的实际成本。

  1. The Decoder77

    GPT-6-Astra 解出 50 道物理研究题中的 49 道,单题成本 2.40 美元

    GPT-6-Astra 在 OpenAI Codex 环境中解出 TheoPhysEval 基准 50 道理论物理题中的 49 道(98%),平均每题成本不足 3 美元,全程约 116 美元。

    推荐理由:报告对比了多款主流模型在理论物理常规研究任务上的表现,并解释强计算能力为何尚未转化为物理突破。

  1. The Decoder81

    Meta 新前沿模型 Muse Wonder Full 跻身 AI 顶级行列

    Meta 发布前沿模型 Muse Wonder 的两个版本,Muse Wonder Full 在 Artificial Analysis Intelligence Index v4.3 得 56 分跻身顶级模型行列,Muse Wonder 得 52 分。

    推荐理由:原文横向对比了 Muse Wonder 系列与 Claude、GPT、Gemini 的基准表现与价格,读者可判断其在编码与事实知识上的取舍。

  1. Latent Space79

    Gemini 4 Argon 发布:Google DeepMind 对标 Astra/Fable,输出上限达 1M token

    Google DeepMind 发布 Gemini 4 Argon,定位编码、企业知识与网络防御,称在 19 个已发布基准中的 13 项排名第一,但目前仅向 Fairwind 计划的政府与可信网络防御者开放。

    推荐理由:原文对照了官方基准与 Artificial Analysis、Vals 等第三方评测,读者可据此判断 Argon 的实际水平与适用场景。

已经到底了