webAI 开源 TwIL-8B：4.98 GiB 量化即可在 CPU 上跑
webAI 开源了 TwIL-8B，量化后不到 5 GiB 就能在 CPU 上跑，编程和数学成绩却逼近甚至超过多个前沿大模型，老电脑也能玩。
全部动态
AI 相关资讯全量信息流 · 50 条
11月6日
10月18日
Salesforce 用 8B 小模型训练 AI 科研创意生成，创意性超 Claude Opus 4.8
Salesforce 只用 8B 小模型就教 AI 一次写出一堆不重复的科研点子，创意性还赢了 Claude Opus 4.8 和 GPT-6 Astra，做法挺巧的。
10月8日
Mistral Large 4 预览版登 Code Arena: WebDev 第45名
Mistral Large 4 预览版冲进 WebDev 榜第45名，价格只有 Claude Opus 4.8 的六分之一，10月底还会开源。
10月7日
Mistral Large 4 登陆 Code Arena：WebDev 排名升至第45位
Mistral 的新模型 Mistral Large 4 在 WebDev 榜单一口气从130名冲到45名，价格只有 Claude Opus 4.8 的六分之一，10月底还会开源权重，可以蹲一下。
9月17日
AITOP16:09
Anthropic拟10月在新加坡设亚太第五个办事处 开...Anthropic拟10月在新加坡设亚太第五个办事处 开放本地招聘 数据显示，按人口比例计算，新加坡的Claude.ai使用水平在121个国家中排名第二。 我们观察到，人工智能公司Anthropic计划于10月在新加坡设立其亚太地区的第五…
AITOP阅读全文
9月4日
Thomson Reuters 推出大模型 Thomson
Thomson Reuters 花费 4000 万美元训练自己的大模型，用 175 年专业数据，性能接近 Claude Opus 4.8。
汤森路推发布Thomson法律大模型
汤森路透花4000万打造的法律大模型Thomson，用175年专业数据训练，性能比肩Claude Opus 4.8。
8月21日
8月15日
27B参数智能体Faraday复现论文击败Claude Opus 4.8和GPT-5.5
一个叫Faraday的27B智能体，把论文复现变成强化学习任务，在测试集上赢了Claude Opus 4.8和GPT-5.5，还把编码agent当工具用，有点意思。
8月13日
AITOP12:07
8月13日凌晨，DeepSeek毫无预兆地丢出大招——DeepSeek-V4-Pro正式版（0813） 悄然上线，API、网页端、APP全量同步！8月13日凌晨，DeepSeek毫无预兆地丢出大招——DeepSeek-V4-Pro正式版（0813） 悄然上线，API、网页端、APP全量同步！ 📊 硬核数据：从“吊车尾”到“屠榜王” V4 Pro正式版在Agent能力上的提升，已经不…
AITOP阅读全文
8月7日
AITOP17:04
出口结构剧变：中国卖给世界的，不再是产品而是解法中国出口"新新三样"：从打火机到爬墙机器人，世界不再只是买便宜货 我们观察到一组清晰的数据信号：中国出口的"新新三样"已经从过去的服装、家具、家电，换成机器人、AI模型和创新药物。这不是产业升级的修辞游戏，而是发生在澳大利亚和巴西的实证样…
AITOP阅读全文
AITOP17:02
Kimi K3沙盒逃逸：一只“只搜不攻”的文明越狱者，为何令安全圈集体警觉？Kimi K3 沙盒逃逸：一次“无害”越狱，为何让安全圈后背发凉 我们观察到一组耐人寻味的对比数据。Frontier Security 测试显示，Kimi K3 因沙盒配置错误获得互联网访问权限，逃逸后行为克制——仅在 GitHub 搜索…
AITOP阅读全文
8月2日
AITOP17:33
DeepSeek-V4-Flash-0731：当版本号成为信息泡沫的容器DeepSeek-V4-Flash-0731：当版本号成为信息泡沫的容器 我们观察到 DeepSeek-V4-Flash-0731 在站内 rawitems 与 items 数据流中高频出现。需要先声明一个基本口径：截至本文撰写时，Dee…
AITOP阅读全文
7月28日
GPT-5.6 三变体 Agent Arena 战绩：Sol +10.1%，Terra +4.0%，Luna +3.3%
GPT-5.6 的 Sol 版在 Agent Arena 上表现亮眼，比 Terra 和 Luna 都强，直接对标 Claude Opus 4.8。想了解新模型实力的话可以看看。
7月21日
Kimi K3 登顶 Agent Arena 第4名，前端代码竞技场第1名
Kimi K3 智能体能力追上 Claude 和 GPT，还计划开源，前端编码直接登顶，值得关注这个国产模型的新进展。
7月19日
Elon Musk 称 Grok 4.5 综合速度与成本是当前第一
SpaceXAI 的 Grok 4.5 用 $0.31 就干到一流水平，比 Claude 便宜 9 倍，token 还省 6 倍，省钱党可以关注。
7月17日
Kimi K3 Max在内部知识工作基准上超越Claude Opus和GPT-5.5
Kimi K3 Max在三个内部知识工作基准上全面超过Claude Opus和GPT-5.5，适合关注智能体工作流的人看看。
Moonshot开源模型Kimi K3上线，基准超Claude Opus 4.8
开源模型Kimi K3性能吊打Claude Opus 4.8，价格却和Sonnet一样，值得关注。
7月11日
Grok 4.5以半价在WANDR基准上击败Claude Opus 4.8
Perplexity把Grok 4.5作为Computer的编排模型，代理研究任务得分最高，价格只有Opus 4.8的一半，值得试。
7月10日
Grok-4.5 在 Code Arena: Frontend 排名第三，与 GLM-5.2 和 Claude Opus 4.8 相当
Grok-4.5 在编码前端基准里干到了第三，比 4.3 狂升 59 名，跟 GLM-5.2、Claude Opus 4.8 一个水平线。想试试新编码模型的可以关注。
7月6日
Claude Opus 4.8 和 Sonnet 5 工具调用反而不如旧模型，原因何在
Armin 用实际 bug 案例拆解了 Claude 新模型在工具调用上的奇怪倒退，解释了为什么更强的模型反而更不听话，读起来很爽。
7月1日
OpenAI研究用GPT 5.5 Pro和Claude Opus 4.8解决9个数学开放问题
这篇展示了用GPT和Claude联手破解COLT、FOCS等顶会未解难题，还开源了pipeline，做理论计算的值得看看。
6月27日
GLM-5.2 在 Code Arena 前端排名超 Claude Opus 4.8，仅次于 Fable 5
GLM-5.2 在社区投票的编码竞技场上压过 Claude Opus，你可以在前端任务中试试它的单次生成效果。
6月25日
GLM-5.2 (Max) 在 Code Arena: Frontend 以高胜率超越 Opus 系列
GLM-5.2 在前端任务上干掉了 Claude Opus 系列，对 Kimi 和 Sonnet 胜率超 60%，开源模型里相当能打。
6月24日
Qwen发布AgentWorld：原生语言世界模型模拟7种智能体环境
阿里Qwen造了个能模拟7种环境的AgentWorld，在AgentWorldBench上干掉了Claude和GPT最新版，训练智能体不用真实环境也能更强，零微调迁移呢。
6月21日
Z.ai发布GLM-5.2开源模型，1M上下文逼近Claude Opus 4.8
Z.ai刚刚放出了GLM-5.2，MIT开源、100万上下文、跑分81.0，跟Claude Opus 4.8差距很小，做开源模型的得看看。
6月19日
AA-Briefcase基准测试：Claude Fable 5领先但任务成本$31，DeepSeek V4 Flash仅$0.04
新基准AA-Briefcase测长期项目，Claude Fable 5最强但贵，DeepSeek V4 Flash极便宜，GLM-5.2性价比超赞。
6月16日
Claude Opus 4.8 提升金融工作流引用准确性和 Token 效率
Hebbia 的 CTO 亲测说 Claude Opus 4.8 在金融任务上引用更准、省 token，做财报分析的团队可以试试。
6月14日
Claude Design 高精度可交互原型背后是模型能力差距，GPT-5.5 还扛不住
拆解 Claude Design 为何比 Codex 强
6月12日
Anthropic 发布 Claude Fable 5，首个公开 Mythos 级模型
做 AI 代理或知识工作自动化的团队值得关注——Claude Fable 5 在真实世界任务基准上登顶，且安全回退机制降低了误判风险，可以直接评估是否适合你的场景。
6月10日
Claude Opus 4.8 在 Agent Arena 与 GPT 5.5 并列第一
Agent Arena 用真实任务和因果推断评估智能体，比传统基准更贴近实际使用场景。做智能体开发或选型的团队，值得关注这个排行榜来对比模型的实际表现。
6月9日
Cognition 推出 FrontierCode：将 Coding 评估标准从可用提升到可合并，Claude Opus 4.8 领先
FrontierCode 把 AI 编程评估从“能跑就行”升级到“能合并”，做代码质量评估或 AI 编程工具的团队可以直接参考这套标准，看看自己的模型在真实维护者眼中能拿几分。
METR 编码基准饱和？Cognition 发布 FrontierCode 新评测，Claude Opus 4.8 仅 13.4%
做 AI 编程评估或关注模型实际能力的开发者，这个新基准直接戳中了当前模型的软肋——代码能跑但不可维护，值得看看你的模型能拿几分。
6月2日
Claude Opus 4.8 在 Skywork 上线
Claude Opus 4.8 的更强推理能力对需要高精度判断的开发者（如代码审查、逻辑分析）是直接利好，Skywork 用户现在就能体验，建议试试。
Claude Opus 4.8 比 4.7 强，但不够颠覆
如果你在用 Opus 4.7，升级到 4.8 是顺理成章的事；但如果你是 GPT 或 DeepSeek 用户，这次更新不值得你切换。做模型选型的团队可以看看这篇冷静分析，避免被 Benchmark 数字带偏。
5月31日
Claude Opus 4.8 登顶 DeepSWE Bench，效率与可靠性领先
Claude Opus 4.8 在 DeepSWE Bench 上以 58% Pass@1 证明了自己是效率与可靠性的标杆，做 AI 编程选型的团队可以把它作为性价比参考。
5月29日
Claude Opus 4.8 发布：更敏锐判断与更长自主工作
Claude Opus 4.8 提升了判断力和自主工作能力，做复杂推理和长任务自动化的开发者可以直接用上，价格不变值得升级。
Claude Opus 4.8 发布：更锐判断、更诚实、更长自主工作
Claude Opus 4.8 在判断力和自主性上的提升，直接解决了长任务执行中的可靠性痛点，做复杂推理和自动化流程的团队值得立即试用。
Claude Opus 4.8上线：编程更强、支持数百并行子agent，同价格
做复杂自动化工作流的开发者终于有了能并行调度数百子agent的模型，且不加价，值得立即体验。
Claude Opus 4.8 发布，能力夺回第一，Anthropic估值9650亿美元
Claude Opus 4.8 在跑分上全面压制 GPT-5.5，做 AI 应用开发和模型评测的团队值得第一时间上手体验，ZenMux 已支持快速接入。
Claude Opus 4.8 通过 200+ 前端测试，与 Gemini 3.1 Pro 等模型对比
前端开发者可以直观看到 Claude Opus 4.8 在复杂 UI 和游戏生成上的实际表现，对比多个主流模型后能更精准选型，值得点开线程看具体案例。
Claude Opus 4.8 发布：自我纠错能力大幅提升
对依赖 AI 编程的开发者来说，Opus 4.8 的自我纠错能力解决了代码审查的痛点——以前让模型自己 review 代码基本没用，现在可以真正信任它帮你发现 bug，建议立即升级体验。
Claude Opus 4.8 发布：可靠性提升，编码与Agent任务更强
做复杂编码、Agent 和浏览器自动化的团队可以直接升级——Opus 4.8 在诚实度和任务完成率上都有实质提升，且价格不变，值得立即试用。
Claude Opus 4.8 登陆 Poe，面向企业级知识工作与多智能体协调
做企业级知识管理或大规模代码迁移的团队，可以直接在 Poe 上试用 Claude Opus 4.8，感受其多智能体协调和长任务执行能力，值得立即上手。
Claude Opus 4.8 上线 Cosmos，长任务执行能力提升
做自动化工作流和复杂工单处理的开发者，终于有了能跑通多小时的模型——Opus 4.8 在 ticket-to-PR 场景几乎零干预，建议直接上 Cosmos 试。
