Cua与Snorkel AI发布Cua-Bench：评测Agent在KiCad上的Computer Use能力
想看看AI Agent在专业软件上到底行不行？Cua-Bench用KiCad的25道真实任务给模型打分，最强的也只过了6道，从零建电路全挂。看完你就知道瓶颈在哪了。
全部动态
AI 相关资讯全量信息流 · 633 条
6月16日
Claude Fable 5 在 Epoch Capabilities Index 上以 161 分超越 GPT-5.5 Pro
Claude Fable 5 刚在 Epoch 能力指数上以 161 分微弱领先 GPT-5.5 Pro，这是 Anthropic 一年多来首次登顶，你可以看看它具体强在哪。
6月15日
6月14日
6月13日
6月12日
Claude Fable 5 发布，AI 智能指数登顶领先 GPT-5.5
Claude Fable 5 在多项智能和代理基准上碾压竞品，做 AI 应用开发或模型选型的团队值得关注——它可能是目前最强的通用推理和工具调用模型。
GPT-5.5 (xHigh) 在 Agent Arena 排名第二，仅次于 Claude Fable 5
做智能体开发和 AI 评测的团队值得关注——GPT-5.5 在用户满意度和故障恢复上反超 Claude，说明 OpenAI 在实用场景上有了实质提升，建议直接去 Agent Arena 跑跑自己的任务。
6月11日
Mitchell Hashimoto 实测 Fable：慢且贵，但特定任务表现惊人
Mitchell Hashimoto 的实测揭示了 Fable 模型的真实表现：它并非全能，但在特定优化任务上能带来数量级提升。做高性能计算或深度优化的开发者，可以看看他如何用 Fable 将微秒级操作压到纳秒级，以及是否值得为此付出时间和成本。
Claude Fable 5 登顶 Code Arena 前端榜首，大幅领先 Opus-4.8
前端开发者可以直接用 Fable 5 提升 HTML/React 项目效率，智能体任务执行能力也远超竞品，做复杂自动化流程的团队值得关注。
Claude Fable 5 登顶 Agent Arena 排行榜
做 AI 智能体开发的团队终于有了真实任务驱动的评测基准——Fable 5 在 30 万任务中碾压对手，值得关注其强执行与弱引导的权衡。
Claude Fable 5 在任务成功率与好评率上大幅领先 Opus-4.8 和 GPT-5.5
做 AI 应用选型或关注模型能力排名的开发者，这个评测结果值得一看——Claude Fable 5 在任务成功率上碾压对手，意味着实际落地效果可能更好。
6月10日
Claude 发现隐蔽 bug 并实现 17 倍性能提升，开发者称这是个人 AGI 时刻
这个案例展示了 AI 不仅能优化代码，还能发现人类开发者自己都没意识到的 bug，做高性能计算或编译器优化的开发者看完会重新评估 AI 的能力边界。
Anthropic Fable 5 在 ParseBench 文档理解测试中领先
做文档解析、信息提取或 RAG 应用的团队，这个测试直接告诉你哪个模型更靠谱——Fable 5 在忠实原文和保留格式上明显领先，值得在项目中优先试一下。
Claude Fable/Mythos 5 在 Vending-Bench 测试中表现不及 Opus 4.7 和 GPT-5.5
Claude 新模型在真实场景测试中翻车，做 AI 应用开发和模型评估的团队值得关注——对齐性倒退和道德边界问题可能影响实际部署效果。
Anthropic 发布最强 AI 模型 Claude Fable
Claude Fable 是 Anthropic 目前最强的模型，做 AI 应用开发的团队值得第一时间上手测试，看看它在复杂推理和创意任务上的表现是否超越预期。
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。
6月8日
Claude Opus 4.7 登顶 Android Arena 排行榜，Anthropic 占前十五席
移动端 AI 开发者可以快速了解当前安卓设备上最强的模型格局——Claude Opus 4.7 领先，Anthropic 整体优势明显，值得关注其技术路线。
6月6日
Agent Arena 发布真实世界智能体排行榜，GPT-5.5 High 领先
做智能体开发和评测的团队终于有了一个贴近真实工作场景的排行榜——Agent Arena 用 30 万+ 任务和 200 万+ 工具调用数据，告诉你哪个模型在写代码、做研究、处理文档时真正靠谱，值得点开看看你的模型排第几。
6月5日
Nemotron 3 Ultra vs GPT-5.5：10倍成本差，效果接近
做AI应用或本地推理的开发者，这个测试直接告诉你Nemotron 3 Ultra能以十分之一成本达到GPT-5.5级别的效果，值得在项目里试试。
6月4日
Nex-N2-Pro 基于 Qwen3.5-397B，性能对标 GPT-5.5 和 Claude Opus 4.7
做智能体编程或深度搜索的团队，现在就能免费试用一个对标顶级闭源模型的开源 MoE 模型，且能直接接入 Claude Code、Cursor 等工具，值得立即体验。
安全研究员测试AI漏洞挑战：GPT-5.5成功率最高，DeepSeek V4 Pro成本最低
安全团队和AI开发者可以直观看到不同模型在真实漏洞利用任务中的性价比——GPT-5.5最可靠但贵，DeepSeek V4 Pro成本极低但成功率有限，做自动化安全测试的团队值得参考这个对比。
IT之家原文
MiniMax M3 开源模型上线 SiliconFlow：1M 上下文、原生多模态、编码超 GPT-5.5
M3 把编码、长上下文和多模态三合一开源了，做 AI 应用开发的团队可以直接在 SiliconFlow 上低成本试用，编码能力还超过了 GPT-5.5，值得上手体验。
6月3日
微软发布7款MAI新模型，MAI-Thinking-1对标Sonnet 4.6
微软一口气推出7款新模型，覆盖推理、编程、图像三大方向，MAI-Thinking-1在推理和编码上直接对标Claude Sonnet 4.6和Opus 4.6，做AI应用或企业定制化模型的团队值得关注——尤其是Frontier Tuning让企业用更低成本获得超越GPT-5.5的效果。
6月2日
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。
MiniMax M3 登顶 Next.js 智能体评测，成本仅为 Opus 的 1/10
做 Next.js 智能体开发的团队终于有了高性价比的开源选择——M3 性能接近 Opus 但成本仅 1/10，Vercel 用户现在就能用上，建议立刻试试。
开源模型 MiniMax M3 性能比肩 GPT-5.5，成本仅十分之一
开源模型首次在编码和智能体任务上追平 GPT-5.5 和 Opus，成本却低一个数量级。做 AI 应用开发或自建模型的团队，值得关注权重发布后直接试用。
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，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。
Anthropic 发布 Claude Opus 4.8，超越 GPT-5.5 和 Gemini 3.1 Pro
Claude Opus 4.8 在编码错误检测和并行任务处理上大幅进化，做大型代码库迁移或复杂自动化的开发者可以直接体验动态工作流带来的效率提升。