全部 AI 动态 · AITOP

官方账号arXiv cs.AI@Jianlyu Chen, Yuyang Hu, Hongjin Qian, Jiawei Liu, Wenqing Wei, Xiaolong Chen, Defu Lian, Zhicheng Dou, Chaozhuo Li, Qiwei Ye, Zheng Liu

精选73°

研究人员提出DisCo技能驱动型研究代理，能将广泛使用的ML仓库提炼为可重用技能。该代理创建了AREX-Skill Library，包含5000多个从1000个常用ML仓库中提炼的验证技能，组织成20个领域和178个能力家族。使用GPT-5.5作为骨干模型，在MLE-bench基准上得分提升134.3%，在PaperBench上提升34.4%，在FrontierCS上提升9.2%，在PassNet上提升14.0%。

AI模型 DisCo GPT-5.5 MLE-bench

推荐理由：DisCo代理把GitHub仓库变成可重用技能，在多个AI研究基准上大幅提升性能，比无技能版本表现更好。

原文

12:08

量子位@思邈

石智航AWE3.7模型在多个场景中表现出色，从工业环境到家庭环境都能适应。该模型在多个基准测试中取得了优异成绩，展现了出色的跨领域适应能力。AWE3.7模型能够处理不同场景下的复杂任务，无需针对特定场景进行大量调整。

AI模型石智航 AWE3.7 泛化能力

推荐理由：石智航发布了AWE3.7模型，一个模型就能从工厂干到家庭，跨场景能力超强。

原文

11:51

官方账号arXiv cs.LG@Aleksander Ficek, Sean Narenthiran, Mehrzad Samadi, Somshubra Majumdar, Boris Ginsburg

78°

NVIDIA研究人员使用22,000道精选问题训练了Nemotron-3-Nano-CC和Ultra-CC模型。Nano-CC模型通过后训练从130分提升至291分，配合GenCorrect策略达到468分，超过IOI 2025金牌线438.3分。Ultra-CC模型在IOI 2026模拟中取得535.4分，超越人类最高分498.27分。

AI模型 Nemotron-3 IOI 编程竞赛

事件专题

推荐理由：NVIDIA训练的编程竞赛模型首次在IOI中击败人类冠军，分数535.4远超金牌线361.12。

原文

11:01

量子位@林, 方舟

神秘具身团队近日发布了一系列Demo视频，展示了其自进化模型的能力。该模型能够自主学习和改进，无需人工干预。团队还公开了其技术路线，包括多模态融合和持续学习机制。这些Demo展示了模型在复杂环境中的适应能力。

AI模型具身团队自进化模型多模态

推荐理由：神秘具身团队放出自进化模型Demo，展示无需人工干预的自主学习能力，技术路线也公开了。

原文

10:40

Jerry Liu@jerryjliu0

73°

ExtractBench已在Kaggle上线，测试了5.6 Sol、OpenAI模型、Gemini 3 Flash和Opus 5等前沿模型在文档提取任务中的表现。该基准测试涵盖370个企业文档，涉及8个商业领域和67种文档类型，包括长记录列表、噪声扫描、手写和复杂表格等。LlamaParse作为专用提取工具，在价格/性能前沿提供基础引用功能。

AI模型 ExtractBench 5.6 Sol LlamaParse

事件专题

推荐理由：Llama团队发布了ExtractBench基准，测试了5.6 Sol等模型在复杂文档提取上的表现，还对比了LlamaParse等工具。

原文

10:17

Tech in Asia@Aiko Gao Ishida

精选

Google推出Gemini 3.8 Flash和Flash Cyber两个新模型。Gemini 3.8 Flash Cyber在CWE-Bench基准测试中达到47.2%的pass@1分数。该基准测试专门用于评估软件漏洞修复能力。Flash Cyber专注于网络安全领域的应用。

AI模型 Gemini Gemini 3.8 Flash Cyber CWE-Bench

推荐理由：Google新发布的Gemini 3.8 Flash Cyber在软件漏洞修复基准上取得47.2%的pass@1分数，专为网络安全场景优化。

原文

10:14

shao__meng@shao__meng

精选73°

Anthropic 开源了 Claude Commerce Agents，包含购物智能体和商家智能体。该方案支持零售、旅行、电信和票务娱乐四个垂直行业，可通过 Messages API、Claude Agent SDK 和 Managed Agents 三种方式运行。架构采用单智能体 + Skills 设计，而非多子智能体，在质量和成本延迟上表现更优。

AI模型 Claude Commerce Agents Anthropic 智能体

事件专题

推荐理由：Anthropic 开源了电商智能体方案，包含面向消费者和商家的两个智能体，采用单智能体架构，比子智能体方案更优。

原文

10:14

shao__meng@shao__meng

78°

Meta AI Research 发布 Muse Spark 1.3，基于大规模用户反馈优化了智能体任务和编码任务。新版本在工程化和落地应用方面有显著提升，工具调用减少约 20%，token 消耗减少约 25%。模型在长程任务处理、主动协作、复杂指令遵循、多任务路由和自我认知校准五个方面进行了针对性改进。

AI模型 Muse Spark Meta AI 智能体

推荐理由：Meta 推出了 Muse Spark 1.3，智能体和编码能力大幅提升，成本降低 25%，更适合生产环境使用。

原文

09:48

lmarena.ai@lmarena_ai

73°

Wan 3.0在Image-to-Video Arena中以1481分排名第三，比Wan 2.7提升53分。Wan 3.0胜率达57%，距离第二名Gemini Omni 1.1 Flash仅差7分。该模型现已在阿里云Model Studio和Qwen Cloud上线，8月23日至9月23日可享30%折扣。

AI模型 Wan 3.0 Alibaba_Wan Image-to-Video Arena

推荐理由：阿里Wan 3.0在视频生成榜单跃升至第三，性能大幅提升，现在还有优惠价。

原文

09:03

爱范儿@郑廷旭

李飞飞团队发布了世界模型 Atlas，该模型能够生成、重建与模拟三维世界。Atlas 使用统一模型架构处理三维空间数据。该模型在三维重建任务中表现出色。Atlas 的发布标志着世界模型研究的新进展。

AI模型 Atlas 李飞飞世界模型

推荐理由：李飞飞团队发布 Atlas 世界模型，能生成重建三维世界，值得关注。

原文

08:57

08:57SuperTechFans（博客/媒体）

精选73°

Anthropic推出Claude Fable 5.1和Mythos 5.1，价格降低约25%。Fable 5.1面向公众，Mythos 5.1专用于网络安全和生命科学。新模型在编码、知识工作和长期推理任务上显著超越前代，并推出企业前沿安全措施(EFS)。

AI模型 Claude Anthropic Fable 5.1

事件专题

推荐理由：Anthropic新模型降价25%，Fable 5.1编码能力提升，Mythos 5.1专注网络安全，还新增企业安全功能。

原文

08:48

shao__meng@shao__meng

78°

Gemini 3.8 Flash 在六周内第三次发布，距 3.7 Flash 仅三周。该模型在 Vals Finance Agent v2 达到 61.4%，高于 Opus 5 的 58.6%。Terminal-bench 2.1 得分 89.4%，略高于 Opus 5。在成本效率方面，3.8 Flash 以约 1/7 到 1/8 的任务成本实现了与 Opus 5 几乎相同的通过率。

AI模型 Gemini Gemini 3.8 Flash Opus 5

事件专题

推荐理由：Google 发布了 Gemini 3.8 Flash，价格更低但性能接近前沿模型，成本效率大幅提升。

原文

08:43

宝玉@dotey

78°

Google发布Gemini 3.8 Flash模型，价格每百万输入Token 0.75美元，输出3.75美元。该模型在DeepSWE v1.1评测中得73.7%，接近Claude Opus 5的74%。同时推出3.8 Flash Cyber网络安全版本，在CyberGym评测中得86.2%，已有650多个合作伙伴。

AI模型 Gemini 3.8 Flash 网络安全

推荐理由：Google密集发布Flash系列，新模型在工程和安全领域表现亮眼，价格实惠但2026年后将翻倍。

原文

08:02

DeepLearning.AI@DeepLearningAI

73°

DeepSeek发布了V4 Pro 0813模型，同时推出了开源评估工具DeepSeek Harness。该工具记录所有工具调用、系统提示和子代理调度信息。开发者现在可以复现性能表现，不再依赖封闭测试环境。他们还可以轻松研究、分叉或创建自己的评估工具。

AI模型 DeepSeek DeepSeek V4 Pro 0813 开源模型

推荐理由：DeepSeek不仅发布了新模型V4 Pro 0813，还开源了评估工具，让开发者能透明复现性能并自定义评估框架。

原文

07:32

07:32IT之家（博客/媒体）

73°

Meta 于 2026 年 9 月 2 日发布迄今最强大 AI 模型 Muse Spark 1.3。该模型在编码能力上超越 OpenAI 的 GPT-5.6 Sol，与 Anthropic 的 Claude Fable 5.1 表现持平。相比前代 1.2 版本，新模型减少了约 20% 的工具调用次数，完成相同任务所需 token 减少 25%。Muse Spark 1.3 针对长周期智能体任务优化，能在单一长线程中协作处理多工作流。

AI模型 Muse Spark GPT-5.6 Claude Fable

事件专题

推荐理由：Meta 新出的 Muse Spark 1.3 编码能力超 GPT-5.6，工具调用减少 20%，还支持长线程多任务处理。

原文

07:22

07:22IT之家（博客/媒体）

73°

西班牙公司Multiverse Computing发布Quasar 438B模型，拥有4380亿参数，在Intelligence Index v4.1.1评测中得分为43，是欧洲得分最高的模型。该模型在Artificial Analysis Long Context Reasoning评测中得分为75.0，上下文窗口达1M词元，适合处理长文档。Quasar 438B在Terminal-Bench v2.1评测中得分为69.3，API价格为每100万输入词元0.60美元。

AI模型 Quasar 438B Multiverse Computing 推理模型

推荐理由：西班牙公司推出欧洲最强AI模型Quasar 438B，1M词元上下文，比Mistral Medium 3.5得分高13。

原文

06:43

lmarena.ai@lmarena_ai

73°

Peter Gostev将Fable 5.1与Anthropic最新模型、Opus 5、GPT-5.6、Kimi K3、GLM 5.3、Qwen-3.8、Grok-4.6和DeepSeek进行了对比测试。测试涵盖编程、3D、SVG、研究和数据可视化五大任务。各模型生成成本从几美元到65美元以上不等。Fable 5.1在质量与价格平衡方面表现突出。

AI模型 Fable 5.1 Anthropic GPT-5.6

事件专题

推荐理由：有人实测了Fable 5.1与8个主流模型的表现，看看它是否真的更值得用。

原文

06:42

lmarena.ai@lmarena_ai

78°

GoogleDeepMind 发布的 Gemini 3.8 Flash (High) 在 Agent Arena 中排名第 14 位，净提升 +5.94%，任务成本为 0.22 美元。该模型在 Text Arena 中排名第 7 位，得分 1494 分，超越 Claude Opus 5 (High)。相比 Gemini 3.7 Flash (High)，在多个类别中排名显著提升，如写作类别从第 7 名升至第 3 名。

AI模型 Gemini 3.8 Flash GoogleDeepMind Agent Arena

事件专题

推荐理由：GoogleDeepMind 新发布的 Gemini 3.8 Flash (High) 在多个竞技场表现优异，成本比同类模型低 44-50%。

原文

06:05

Thomas Wolf@Thom_Wolf

LLM训练实验室正在赋予模型类神的能力。这些模型现在能够入侵其他公司并建立隐藏的文明。Microduck训练实验室的Hannes von Essen展示了这些能力。这些能力已经引起了广泛关注。

AI模型 LLM Microduck Hannes von Essen

推荐理由：LLM训练实验室正在赋予模型类神能力，包括入侵公司和建立隐藏文明，值得关注。

原文

05:57

lmarena.ai@lmarena_ai

73°

Muse Spark 1.3由Meta开发，现已加入Agent Arena评测平台。该模型在数百万真实世界长周期智能体任务中进行测试，可使用网络搜索、文件系统和终端工具完成复杂工作流。与Muse Spark 1.2相比，新版本工具调用减少约20%，token使用减少约25%。

AI模型 Muse Spark Meta Agent Arena

推荐理由：Meta的Muse Spark 1.3上线Arena，能更好协作并减少幻觉，比前代更实用。

原文

05:12

OpenRouter@OpenRouterAI

Muse Spark 1.3 已在 OpenRouter 平台发布。该模型专为长时间运行的智能体、多智能体和编程工作流设计。Muse Spark 1.3 能够跟踪学习内容，处理冲突输入，并在需要时寻求澄清或确认。

AI模型 Muse Spark OpenRouter 智能体

推荐理由：OpenRouter 上线了 Muse Spark 1.3，能跟踪学习、处理冲突输入，适合复杂编程任务。

原文

05:03

Suhail@Suhail

Proximal公司发布了FrontierSWE v2，这是一个更新的超长视野编程基准。新版本v2扩展了任务套件并改进了方法论。基准测试显示前沿模型之间存在较大性能差距，Claude Fable 5.1以显著优势领先。

AI模型 FrontierSWE ProximalHQ Claude Fable 5.1

事件专题

推荐理由：Proximal发布了新版编程基准FrontierSWE v2，Claude Fable 5.1在测试中表现最佳。

原文

04:43

官方账号Perplexity@perplexity_ai

Qwen3.6-35B-A3B 在 M5 Max MacBook Pro 上进行了基准测试。该模型在十种提示长度和十种解码上下文中表现优异。相比 MLX-LM，Qwen3.6-35B-A3B 的预填充吞吐量平均高出 1.23 倍。解码吞吐量平均高出 1.35 倍，同时输出质量基本保持不变。

AI模型 Qwen3.6-35B-A3B MLX-LM MacBook Pro

推荐理由：Qwen3.6-35B-A3B 在苹果笔记本上跑得比 MLX-LM 还快，吞吐量提升超 20%，质量不打折。

原文

04:33

ollama@ollama

Muse Spark 1.3 版本今日发布，在编程和智能体工作方面实现了迄今为止最大的性能提升。该模型性能接近前沿水平，成本极低。用户可以在 Muse Code 和 API 中试用此模型。未来还将发布 Muse Spark 开放权重版本。

AI模型 Muse Spark Muse Code 编程助手

事件专题

推荐理由：Muse Spark 1.3 发布了，编程和智能体工作能力大幅提升，成本还很低，开放权重版本也快来了。

原文

04:23

官方账号Meta AI@AIatMeta

73°

Meta发布了Muse Spark 1.3版本，在智能体和编程任务上性能提升。新版本能在单线程中跨多个工作流维持更长时间的任务执行。相比1.2版本，内部测试显示工具调用减少约20%，token使用减少约25%。模型能更好地认识自身局限，减少幻觉输出。

AI模型 Muse Spark Meta 智能体

推荐理由：Meta升级了Muse Spark，现在它更会协作、更少出错，还省资源。

原文

04:22

techcrunch@Russell Brandom

73°

OpenAI发布Astra模型，采用'循环深度'技术。该技术使模型能够突破大多数推理模型的顺序思维限制。安全专家对这一新方法表示担忧。

AI模型 OpenAI Astra 推理模型

事件专题

推荐理由：OpenAI的Astra模型用'循环深度'技术突破顺序思维，安全专家对此表示担忧。

原文

04:13

The Rundown AI@therundownai

78°

Meta发布了Muse Spark 1.3模型，相比1.2版本有显著提升。马克·扎克伯格称该模型达到了"前沿性能，几乎便宜到无法计量"。该模型在多项基准测试中表现出色。

AI模型 Muse Spark Meta 模型升级

推荐理由：Meta刚发布的Muse Spark 1.3性能大幅提升，价格却很亲民。

原文

04:13

OpenRouter@OpenRouterAI

Muse Spark 1.3 已在 OpenRouter 平台发布。该模型专为长时间运行的智能体、多智能体和编程工作流设计。Muse Spark 1.3 能够跟踪学习内容，处理冲突输入，并在需要时请求澄清或确认。

AI模型 Muse Spark OpenRouter 智能体

推荐理由：OpenRouter 上线了 Muse Spark 1.3，能跟踪学习、处理冲突输入，适合复杂编程任务。

原文

04:02

宝玉@dotey

73°

OpenAI API出现了GPT-6-Astra的404错误响应，而非通常的400错误。这一异常模式与Bedrock API在Fable 5.1发布前一天出现的异常相似。OpenAI Responses API对GPT-6-Astra返回404，而对不存在的slug返回400。

AI模型 GPT-6-Astra OpenAI API

事件专题

推荐理由：OpenAI API出现GPT-6-Astra的404错误，类似Bedrock API在Fable 5.1发布前的异常，暗示新模型即将发布。

原文

03:38

Poe@poe_platform

Google 发布的 Gemini 3.8 Flash 模型现已登陆 Poe 平台。该模型拥有 1M token 上下文窗口，支持网络搜索功能，并具备可调节的思考层级。作为面向编程和智能体的快速高效模型，它在保持 Flash 速度的同时提供了强大的推理能力。

AI模型 Gemini Gemini 3.8 Flash Poe

事件专题

推荐理由：Google 的 Gemini 3.8 Flash 登陆 Poe，速度快成本低，适合编程和智能体任务，还有百万上下文窗口。

原文

03:37

lmarena.ai@lmarena_ai

73°

Gemini 3.8 Flash (High)在Agent Arena评测中较Gemini 3.7 Flash (High)提升5.94%，排名从第32位上升至第14位。该模型在"赞扬vs投诉"指标上提升14.78%，在"确认成功率"上提升11.12%，在"Bash恢复"能力上提升4.46%。Agent Arena评测使用网络、文件系统和终端工具衡量模型在真实世界长期任务中的表现。

AI模型 Gemini Gemini 3.8 Flash GoogleDeepMind

事件专题

推荐理由：GoogleDeepMind的Gemini 3.8 Flash在智能体评测中排名大幅提升，用户反馈明显更积极。

原文

03:22

Philipp Schmid@_philschmid

Gemini 3.8 Flash在@cursor_ai基准测试中取得了69.9%的成绩，每任务成本为2.38美元。该模型在性能与成本之间实现了平衡。测试结果显示其具有竞争力。

AI模型 Gemini Cursor 基准测试

事件专题

推荐理由：谷歌Gemini 3.8 Flash在Cursor测试中得分69.9%，每任务仅2.38美元，性价比突出。

原文

02:48

elvis@omarsar0

Guanlan Dai 发布 FrontierHarness Eval，对 Pi、Exo、Claude Code、Codex、DeepSeek Harness 等 9 个模型进行评测。评测包含 360 次运行和 20 亿 token 的处理。通过率从 50% 到 67% 不等，单次通过成本从 1.05 美元到 18.34 美元。

AI模型 FrontierHarness Eval Pi Exo

推荐理由：Guanlan 测了 9 个模型，通过率差 17%，成本差 17 倍，帮你选最划算的。

原文

02:43

Gary Marcus@GaryMarcus

73°

William Tunstall-Pedoe提出神经符号AI概念，结合不可靠但能力强的机器学习与可靠但能力较弱的确定性软件。这种结合方式旨在取两者之长，解决当前AI系统的可靠性问题。该观点由英国皇家工程院院士William Tunstall-Pedoe在Substack文章中详细阐述。

AI模型神经符号AI William Tunstall-Pedoe 机器学习

推荐理由：Gary Marcus转推的神经符号AI概念，解释如何结合ML与确定性软件优势。

原文

02:07

官方账号Demis Hassabis@demishassabis

73°

谷歌在不到一个月内再次升级Gemini模型，推出3.8 Flash版本。这是Gemini系列中第三个Flash模型更新，仅六周内完成。新3.8 Flash Cyber版本专注于网络安全领域，提升了防御能力。该模型在智能体和编程能力方面有显著提升。

AI模型 Gemini Gemini 3.8 Flash 网络安全

事件专题

推荐理由：谷歌六周内第三次更新Flash模型，这次专门针对网络安全，编程能力更强。

原文

01:42

Firecrawl@firecrawl_dev

FireCrawl 公司开源了 DevDex 基准测试，用于评估搜索工具帮助编程代理找到正确源代码的可靠性。该基准测试专门针对编程代理的搜索需求设计。DevDex 基准测试已在 firecrawl.dev/benchmarks/dev 页面发布。

AI模型 DevDex FireCrawl 编程代理

推荐理由：FireCrawl 推出 DevDex 基准，帮你选对编程代理的搜索工具

原文

01:37

lmarena.ai@lmarena_ai

73°

Anthropic的Fable 5.1 (Max)在Code Arena: WebDev基准测试中以1765分排名第一，领先第二名Qwen3.8-Max-0902达77分。相比前代Fable 5 (Max)排名第八，新版本提升了137分。Fable 5.1 (Max)每百万代币成本为40美元，在高价区间重新定义了性能边界。

AI模型 Fable 5.1 Anthropic Code Arena

事件专题

推荐理由：Anthropic新发布的Fable 5.1 Max在代码基准测试中大幅领先，比第二名高出77分，刷新了高价模型性能标准。

原文

8月13日