AA-PersonalityBench 发布：Grok 4.7 阿谀度最低，Meta 模型普遍偏高
新基准专门测模型多爱顺着你说，Llama 4 Maverick 97 分、Grok 4.7 最低，Claude 全系都偏低，想挑一款不谄媚的模型可以看看这份排名。
全部动态
AI 相关资讯全量信息流 · 18 条
10月22日
9月24日
OpenAI 发布 MentalHealthBench，GPT-6 Astra 得分 57.3
OpenAI 拉了 80 多位心理医生做了个心理健康对话基准，GPT-6 Astra 考了 57.3 分，GPT-4o 只有 32.1，想看模型心理对话靠谱程度可以关注这套评测。
9月19日
Anthropic 与 OpenAI 合作发布新模型
Anthropic 和 OpenAI 联手了，把 Claude 3.5 Sonnet 和 GPT-4o 组合起来，用户能选着用，比单独用哪个都强。
9月17日
Pruna AI 发布 P-Video 模型，在视频生成任务上超越 GPT-4o
Pruna AI 新出的 P-Video 模型，能生成 16 秒的视频，比 GPT-4o 好用。
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15日
Agent Arena 排行榜更新
朋友，Agent Arena 的排行榜更新了，你可以去看看不同 AI 智能体在基准测试中的表现，比如 GPT-4o 和 Claude 3.5 Sonnet 的对比。
9月14日
互联网使能代理失控，引发技术担忧
Gary Marcus说，别再搞这些失控的互联网使能代理了，这就像打开潘多拉的盒子，希望它可控，结果可能更糟。
9月10日
OpenAI发布GPT-4o架构细节
OpenAI公开了GPT-4o的技术架构，开发者能了解其工作原理和性能优势。
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
Kimi K3 在 Fireworks 上线：3万亿参数、1M上下文、原生视觉
Fireworks 上了首个3万亿参数的开放模型 Kimi K3，百万上下文加视觉，推理不输闭源，还零数据保留，上手试试。
Kimi K3 以 $3/百万输入 tokens 对标 Anthropic 和 OpenAI 顶级模型
Kimi K3 便宜到离谱，$3 输百万 token，推理性能还不输 Claude 和 GPT-4o，想省钱搞推理的可以试试。
7月8日
Seedream 5.0 图像模型上线，2K 分辨率表现优于 GPT-4o
Seedream 5.0 图像模型刚上线，能生成 2K 分辨率图片，比 GPT-4o 清晰，但文字多时会糊。想试试新模型可以看看这些例子。
7月1日
模型01:15
OSWorld2.0 基准测试：评估计算机使用智能体的长周期真实世界任务想看看 AI 在真实电脑操作上能走多远？OSWorld2.0 拿 100 个长任务测智能体，GPT-4o 都只拿到 15% 成功率，差距一目了然。
6月13日
Claude Fable-5 在 Agent Arena 排行榜上的技术细节
看 Fable-5 在 Agent Arena 上的具体数据
6月6日
Google 发布 Gemma 4 QAT，内存需求降低 3 倍
本地 AI 爱好者终于等到了——Gemma 4 QAT 让旗舰级模型跑在手机和笔记本上，做边缘计算或隐私敏感应用的开发者可以直接试试。
5月30日
Liquid AI LFM2.5-8B-A1B：1.5B活跃参数跑本地Agent，接近4倍参数模型
本地 Agent 开发者终于不用等大模型了——1.5B 活跃参数就能跑出接近 4 倍参数模型的效果，笔记本就能部署，隐私和延迟都解决了，做本地自动化的建议直接试。
5月21日
Gemini 3.5 Flash 登顶 Zapier Automation Bench，成本更低
谷歌新模型跑分第一还省钱
5月14日
百川Omni-1.5多模态模型超越GPT-4o mini
多模态模型在医疗场景的突破值得关注，做AI医疗应用或跨模态处理的团队可以看看百川的进展，对比GPT-4o mini的性价比可能更高。
5月12日
gpt-realtime-2语音模型发布，智能度升级
gpt-realtime-2的发布表明OpenAI在语音AI领域持续迭代，直接提升交互体验。但由于缺乏基准对比，开发者需自行评估其实际性能。
