全部动态

一个 0.5M 参数的小模型在卡坦岛赢了 40 局里的 36 局，对手是 Claude Opus 5.5 和 Kimi K3，体积还小了 1000 万倍，思路很反直觉。

rohanpaul_ai@rohanpaul_ai11 个信源在谈原文

同样 100 美元，不同模型差出 60 倍任务量，选模型前看这组性价比数据能省不少钱。

官方账号Artificial Analysis@ArtificialAnlys原文

月之暗面把 2.8T 参数的 Kimi K3.1 Pro 权重直接开源了，4-bit 发布省存储，编程基准分数贴近 Claude Opus 5.5，纯知识题却差 GPT-6 一截，许可证对云托管商还有限制。

rohanpaul_ai@rohanpaul_ai11 个信源在谈原文

Agent Arena 拆了成本维度看模型：贵任务上 OpenAI 和 Anthropic 不再通吃，Gemini 4 Argon 和小米 MiMo 顶上，选型前值得对号入座。

lmarena.ai@lmarena_ai11 个信源在谈原文

Agent Arena 拿 5 家实验室的旗舰模型跑了长任务对比，Claude Opus 5.5 能连续干近 2 小时，Kimi 最快但也最短，差距挺直观。

lmarena.ai@lmarena_ai11 个信源在谈原文

腾讯混元的 Hy4 正式版能看图能操作电脑了，还练过 Blender 和 CAD，这两天在 WorkBuddy 里限免，可以白嫖试试跟 Kimi 的差距。

shao__meng@shao__meng11 个信源在谈原文

Claude Opus 5.5 控机械臂放鳄鱼，23分钟做完后还多推了22分钟，活儿白干，这个实验挺好笑也挺有启发。

官方账号Artificial Analysis@ArtificialAnlys原文

SemiAnalysis 搞了个 GDPx 基准，让智能体真去翻几千个文件干活，结果最强的 Claude Opus 5.5 也才拿 12 分，金融法律题全军覆没。

rohanpaul_ai@rohanpaul_ai11 个信源在谈原文

GDPx 这个基准挺有意思，用 206 个真实经济任务测智能体。Opus 5.5 分最高，但 Gemini 4 便宜 4 倍只低 1.1%，选型可以参考。

kimmonismus@kimmonismus8 个信源在谈原文

有人实测 Gemini 4 Argon 跑游戏任务，成本比 Claude Opus 5.5 便宜，但 token 和耗时上有差距，选模型前可以看看

Xianbao Qian@Xianbao_QIAN原文

两个大模型在机器人上写同一个 hello world，一个磨了 34 分钟用 3270 次动作，另一个 13 分钟搞定，差异很直观。

官方账号Artificial Analysis@ArtificialAnlys11 个信源在谈原文

Google 新版 Gemini 4 Carbon 文本榜登顶了，Agent 榜排第二，仅次于 Opus 5.5，想看榜单情况的可以看看。

TestingCatalog@testingcatalog11 个信源在谈原文

Google 两周内连发两代旗舰，Carbon 的漏洞发现和修补成绩直接压过 OpenAI 和 Anthropic，长上下文 96.2% 也很猛，定价还先打折，搞安全的建议盯一下。

rohanpaul_ai@rohanpaul_ai11 个信源在谈原文

Google 新模型 Gemini 4 Carbon 拿下智能指数第一，编程追近 Claude Opus 5.5，还便宜 23%，可以先看看数据再决定用不用。

官方账号Artificial Analysis@ArtificialAnlys3 个信源在谈原文

评估榜单 Artificial Analysis 更新到 v5，Claude Opus 5.5 超过 GPT-6 系列，选模型前可以看看这版新排名。

@koltregaskes@koltregaskes11 个信源在谈原文

Claude Opus 5.5 拿下 58 分登顶，GPT-6 Astra 只差 1 分，还新增了两个编程基准，选模型前可以看看这份榜单。

TestingCatalog@testingcatalog11 个信源在谈原文

Artificial Analysis 把 60% 评测改成私有题库防作弊，现在 Claude Opus 5.5 排第一，选模型前可以看看这份新榜。

kimmonismus@kimmonismus11 个信源在谈原文

模型评测榜 v5 版来了，60% 改用私有题防刷榜，Claude Opus 5.5 拿了第一，开源和闭源差距拉大到 12 分，选模型前可以看看。

官方账号Artificial Analysis@ArtificialAnlys11 个信源在谈原文

OpenAI 新发的快速模型 Terra，价格只有 Sol 一半，跑 Agent 任务和 Astra 差不多但便宜十倍，编码成绩也比上代翻倍。

The Rundown AI@therundownai11 个信源在谈原文

OpenAI 在柏林 DevDay 甩出 GPT-6.1 Terra，每个任务成本比 Claude Opus 5.5 低约 9 倍，跑得还比自家 GPT-6 Astra 快 3 倍，性价比党可以盯一下。

TestingCatalog@testingcatalog11 个信源在谈原文

有人用 Claude Opus 5.5 一口气生成了 JEM 论文的讲解视频，看完真能搞懂原理，效果挺让人意外的。

Tanishq Abraham (论文推介)@iScienceLuvr原文

月之暗面更新了 Kimi K3.1 Pro，跑分紧咬 Claude Opus 5.5，成本还更低，11 月 4 日放出全量权重可以自己复测。

rohanpaul_ai@rohanpaul_ai11 个信源在谈原文

月之暗面的 Kimi K3.1 Pro 冲到了 Artificial Analysis 智能指数第 4，跟 Claude Opus 5.5、GPT-6 Astra 同榜竞技，开源模型能做到这个名次不常见。

Yuchen Jin@Yuchenj_UW11 个信源在谈原文

Kimi K3.1 Pro 智能指数拿 55 分排第 4，智能体任务比上代强一大截，价格还降了 33%，权重也快开源了。

官方账号Artificial Analysis@ArtificialAnlys原文

月之暗面刚发的 Kimi K3.1 Pro，在 Terminal-Bench 4.0 上跑赢了 Claude Opus 5.5，成本只要三分之一，开源可自部署。

Yuchen Jin@Yuchenj_UW原文

Artificial Analysis 测了各家模型的性格指标，Claude 全系在信息密度和文风两项都排最前，写文案的可以参考这个榜。

官方账号Artificial Analysis@ArtificialAnlys11 个信源在谈原文

Ethan Mollick 用他那个经典的「飞机上的水獭」测试题考 Opus 5.5，结果模型直接交了段视频，这波进展挺直观的。

Ethan Mollick@emollick11 个信源在谈原文