微软发布 MAI-Image-2.7-Preview 图像编辑模型,位列 Artificial Analysis 榜单第二
微软发布 MAI-Image-2.7-Preview 图像编辑模型,在 Artificial Analysis 的 AA-Image-Editing v2.1 榜单以 1,193 Elo 排名第二,仅次于 OpenAI 的 GPT Image 2.5 Sunburst (max)。
微软发布 MAI-Image-2.7-Preview 图像编辑模型,在 Artificial Analysis 的 AA-Image-Editing v2.1 榜单以 1,193 Elo 排名第二,仅次于 OpenAI 的 GPT Image 2.5 Sunburst (max)。
OpenAI 公示 GPT-6.1 Terra 安全评估,整体严重安全标记较前代明显减少,但在掩盖不确定性、绕过限制、数据外泄、破坏性行为等较轻风险类别标记率高于 GPT-6.1 Sol 和 GPT-6 Astra。
谷歌更新用于评估 AI 模型安卓编程辅助能力的 Android Bench 榜单,Claude Sonnet 5.5 以 40% 的通过率排名第一,谷歌自家的 Gemini 4 Argon 排在第五位,通过率仅 21.3%。
Retell 使用 OpenAI 模型驱动其语音智能体,每月支撑 1 亿次通话。GPT-6 Astra 在 Retell 的语音智能体基准测试中位居榜首,Codex 则助其实现每位员工 160 万美元的年化收入。
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。
OpenAI 于 10 月 19 日宣称其最新模型把 COBOL 等老旧语言迁移到 C++、Java、Kotlin、Python、Rust 等现代代码的能力显著提升,GPT-6.1 Sol 行为保持准确率在低推理强度下达 87%、高推理强度下达 98%,而 GPT-6 Sol 仅 21%、GPT-5.6 Sol 仅 5%。
Resolution(原 Sequent)用智能体自动形式化奇点消解,耗资约 $135,000、生成约 600k 行 Lean 代码。Claude Opus 5.5 (xhigh) 在 ProgramBench 得 18.5%,该 benchmark 今年 5 月发布时所有受测模型均为 0%。OpenAI 红队测试发现智能体能利用处理器缓存时序差异,在隔离的 microVM 间通信。
Anthropic 联合创始人 Jack Clark 将递归自我改进(RSI)可能实现的时间从 2028 年提前至最早 2027 年,依据是 P-Zero Research 的 TasteVal 基准。
中国信通院等机构联合发布《大模型词元服务性能监测报告(2026 年)》,2026 年 6 月国内词元日均消耗量约 500 万亿,是 2025 年 12 月的近 4 倍。
推荐理由:报告用吞吐速度、首词时延和价格等监测数据,量化呈现国内外词元服务性能差距及价格回升趋势。
Liu 和 Han 让 5 个模型在 Claude Code、OpenCode 和 mini-SWE-agent 三种 harness 上运行 SWE-bench Verified 任务,发现更换 harness 造成的分数变化与同配置重跑的噪声相当,而单任务成本最多相差三倍,差异主要来自系统提示词和工具描述。
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。
TDS Studio 评测了 OPPO Enco X4 降噪真无线耳机,其降噪能力属于 TWS 第一梯队,但当前固件版本开启降噪时存在可察觉底噪。耳机采用 11mm 与 6mm 同轴双动圈单元,支持 LHDC 5.0 及 LHDC Lossless 48kHz/24bit,实测单次续航 14 小时 39 分钟,并具备 IP55 防尘防水与 39ms 低延迟游戏模式。
花两万元试睡三个月后,结论是硅谷智能床套 Eight Sleep Pod 5 并非智商税,但只对温度敏感、睡眠有小毛病的人有效。Eight Sleep 今年 4 月进入中国市场,Pod 5 半年在 INNO 100 卖出 600 万元,随后推出参数升级的 Pod 6。床套通过主机调节水温,支持左右分区精调与睡眠中自适应调温,能减少夜间冷热惊醒,但解决不了所有失眠问题。
中国信通院等机构联合发布《大模型词元服务性能监测报告(2026 年)》,显示 2026 年国内大模型每秒吞吐量与归一化均价较 2025 年均接近翻倍。8 月国内模型平均 TPS 为 78.23 个/秒,2026 年以来归一化均价 13.46 元,而 2025 下半年为 6.8 元;平均 TTFT 升至 1.26 秒,上下文达 1M 的模型占比 47.8%。
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。
作者在 iPhone Duo 上体验了淘宝、高德、小红书、飞书等 8 款已完成适配的 App,发现其与直板 iPhone 的真正区别在展开分两栏、半折立在桌上和双 App 并排三种用法。
Mistral 与 NVIDIA 合作,将 Mistral Large 4 与数据生成、物理建模管线结合 NVIDIA CUDA-X 与 NVIDIA Warp,加速工程仿真并打通仿真、模型开发与工程设计的闭环流程。
作者实测了三个由 AI 辅助移植到 C# 的 TypeScript 编译器(typescript-csharp、hez2010/TypeScript、typescript-dotnet),与官方 Go 版和 ts-rust 成对对比。
OpenAI 发布研究报告,宣布增强 GPT-6 Astra 等模型构建和迁移 COBOL、Fortran、Visual Basic 等低资源编程语言的能力。
OpenAI 表示其最新模型在 COBOL、Fortran 等“低资源”编程语言上显著改进,并发布两项评测衡量进展。
AI2 发布 FairStress 公平性基准,用 300 个双人决策场景和匹配的对抗性前缀测量 LLM 在招聘、信贷、医疗等 29 个领域中的公平性。基准可扩展为超过 1300 万个测试用例,并提供基于项目反应理论选取的 50K 条 FairStress-Core 子集。
推荐理由:原文提出用对抗性前缀测量 LLM 决策中隐藏的人口统计学不对称,并比较了九种去偏干预的实际效果。
AI 竞技场 Arena 宣布,深度求索 DeepSeek-V4.1-Flash-20261017(Max)登顶 Agent Arena 与 Code Arena: WebDev 开源模型榜单,总榜排名第 11。
作者在2026年10月用同一提示词和同一张榨汁杯原图,实测了ChatGPT、豆包、WorkBuddy、千问、阿可AI、美图设计室、即梦、通义万相、创客贴、Gemini Nano Banana、LiblibAI共11款工具生成电商详情页长图的效果。
GLM-5.3-Flash 在三款免费模型颁奖词同题实测中以 0.90 均分夺冠,Kimi-K2.6 以 0.89 紧随其后,Qwen3.5-Flash 0.80 垫底。
10 款模型为公交出行 App「站至」写 slogan,由非参赛的 gpt-5.6-sol 按七个维度各打 0-1 分,GPT-6-Sol 以均分 0.95 居首,Kimi-K2.6 因正文留空、格式 0.00 而以 0.32 垫底。MiniMax-M2.7 与 MiniMax-M3 把思考文本混进交付物,格式分仅 0.46/0.30。分化点不在文笔,而在多重硬约束下的交付完整性。
DeepSeek V4.1 Flash 1017 发布,为 552B 总参数 / 16B 激活的 MoE 模型,上下文窗口 1M,采用 MIT 许可证。其 AA 智能指数为 45(上升 6 分),与 GLM-5.3 并列开源权重模型第二,每百万输入/输出 token 定价 $0.30/$1.20,AA-Omniscience 不幻觉率从 4% 升至 33%。
AI 模型评测平台 Arena 宣布,DeepSeek-V4.1-Flash-1017(Max)以 1670 分超过 Kimi K3(Max),成为 Code Arena: WebDev 榜单排名最高的开源模型,仅落后 GPT-6 Sol(Max)12 分。
网易有道 Confucius4-R2T2 登顶 Hugging Face ASR Trending,中文字错率 6.42%、英文 WER 6.13%、延迟 0.55 秒,其核心是以不可逆输出替代回改:已 commit 的字永久锁定,用等待代替修改。
Hugging Face 政策主管 Irene Solaiman 在 TechCrunch Disrupt 上表示,当前 AI 模型评测的可复现性与标准化不足,嵌入式评估器不会是轻松的解决方案。
OpenAI 正在提升 ChatGPT 在低资源编程语言上的编程能力,并针对软件工程、SQLite 与 COBOL 迁移推出了新评测。这些评测用于衡量模型在主流语言之外的代码生成与迁移表现。
Arena 发布 2026 年第 42 周 AI 大模型盲测周榜,国产模型在多个细分榜单稳居中上游,其中 kimi-k3-max 以 ELO 1540 分稳定在代码榜第十名。
作者花半天用 DeepSeek-V4.1-Flash-1017 直出四个项目(雨夜公交站、3D 飞行特斯拉、3D《千里江山图》、折叠掌机),都能跑但都不达预期:模型能把元素堆上去,却看不出比例、相机穿模、折叠结构等空间关系问题。
推荐理由:作者用四个有现实参照的 3D 项目实测,发现模型能交付初版但缺乏空间自检能力,读者可据此判断它适合接哪类任务。
卡尔斯鲁厄理工学院(KIT)团队提出 Read-Parse-Describe 页面级解析基准,要求模型一次交出按阅读顺序排列、含边界框、语义标签、识别文字、图注关联与替代文本的完整元素清单。
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。
DeepSeek 于 10 月 17 日 18:07 将 V4.1 Flash 更新到 V4.1-Flash-1017,网页端、App、API 三端同步切换,API 名 deepseek-flash 与价格均不变。
推荐理由:实测发现 high 推理档下思考会吃掉大部分输出预算,代码生成需把 max_tokens 给足 32,000 以上,否则交付物被截断。
研究者提出 Taste-Bench 基准,利用智能体运行轨迹中的决策分叉衡量长期决策质量。该基准含 502 道二选一题,14 个模型参测,最好的 GPT-5.6 Sol 平均正确率仅 59.7%,当关键线索只在后续工作中才出现时准确率降至 21%。研究者还将教师模型判断蒸馏进 Qwen3.6-27B,使 41 个 SWE-bench Pro 任务的成功率从 14.6% 提升到 33.7%。
智谱推出法律专用开源模型 GLM-Legal,在 Vals AI 法律测评中以 19.2% 的任务全通过率和 86.23% 的准确率登顶 Harvey LAB 与 LegalBench 开放权重模型榜。
作者对 DeepSeek 新版(文中称 DS 4.2F)做了实测,官方称其为性能与费用的“帕累托改进”,基准对标 Kimi K3、GLM 5.3、GPT-5.6 Sol 和 Opus 5.0,DeepSWE 单任务消耗表现突出。
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。
阿里 Qwen 团队开源 BlenderWorld 基准,用于评测视觉智能体在 Blender 中完成真实 3D 创作任务。该基准含 223 个任务和 2,651 条评分标准,要求 AI 交付可编辑的 .blend 工程文件,而非仅生成图像。项目采用 MIT 许可证,代码与数据集已发布至 GitHub、Hugging Face 和 ModelScope,支持任意生成框架接入测试。