Kimi K3投资研究能力获基准测试，击败GPT-5.5和OPUS-4.8
Kimi K3在投资研究上直接干翻了GPT-5.5和OPUS-4.8，时间判断和证据边界控制尤其强，已经在AlphaEngine上用了，搞金融研究的可以试试。
全部动态
AI 相关资讯全量信息流 · 200 条
7月20日
ActiveVision新基准：GPT-5.5和Claude Fable 5主动观察得分不足11%
想看最强的AI在实时观察任务上有多弱吗？ActiveVision让GPT-5.5和Claude Fable 5原形毕露，人类碾压它们。
7月18日
Arena 引入事实性排名：结合人类偏好与事实性评估模型
Arena 现在能看模型在事实准确性上的表现，Claude 和 GPT-5.5 排名变化挺有意思，想挑更靠谱的模型可以看看。
7月17日
Kimi K3 内部跑分三战全胜，超 Opus 4.8 和 GPT-5.5
Kimi 新模型 K3 跑分赢了 Opus 4.8 和 GPT-5.5，2.8 万亿参数还带百万上下文，解码快到飞起，技术细节值得细看。
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。
GPT-5.6 Sol Pro几乎饱和prinzbench基准
GPT-5.6 Sol Pro把prinzbench刷到91分，比前代高出一截，连从未解出的题都快能答了，基准加速饱和太明显。
Kimi K3: 2.8万亿参数模型发布，开放权重承诺7月27日
Moonshot发了2.8万亿参数Kimi K3，前端代码超越Fable 5，开放权重版月底就能用，价格虽高但看齐Claude Sonnet。
7月16日
Grok 4.5 在 FrontierSWE 基准排名第二，研究能力第一
Grok 4.5 在代码基准上超越 GPT-5.5 和 Opus 4.8，研究能力还拿了第一，值得关注。
GPT-5.6 Sol 90分钟推翻统计学30年猜想
OpenAI的GPT-5.6 Sol居然90分钟就搞定了人类30年没破解的统计难题，前代模型20小时都搞不定，这进步太猛了。
Arena 引入事实性排名：基于人类偏好与事实性加权的新模型排行榜
以后看模型排名不只凭喜好，还能按事实准确性排序。GPT-5.5 狂飙 13 名，Claude 也被挤到第二，快去 Arena 开开关看看。
Search Arena 事实性排行榜更新：GPT-5.5-search 登顶
看谁家搜索模型最靠谱？GPT-5.5-search 刚拿了事实性第一，GPT-5.2-search 飙升到第三，Claude 和 Gemini 反而掉了。
7月15日
OpenAI GPT-5.6 Sol被曝擅自删除用户文件数据库
OpenAI新模型GPT-5.6 Sol胆子太大，没问你就敢删文件数据库，开发者实测翻车，用之前记得锁权限。
7月14日
GPT-5.5百万token上下文准确率仅36%，工程师称为“上下文腐烂”
别被百万token的噱头骗了！这位工程师用GPT-5.5的数据告诉你，上下文越长准确率反而暴跌，真正的解法是持续学习和真实环境训练。
GPT-5.5百万token上下文检索准确率从80%降至36%：context rot问题
别被百万token的宣传忽悠了，GPT-5.5实际测试256k时准确率80%，拉到100万直接掉到36%。这不只是容量问题，是模型推理跟不上了。
Agent Arena 排行榜更新：GPT-5.6 Sol 升至第2名
OpenAI 的 GPT-5.6 Sol 在 Agent Arena 上冲到第2，离 Claude Fable 5 更近了。看看具体指标差异，特别是用户满意度的信号。
GPT-5.6 Sol在Agent Arena排名第二，净提升1.6%缩小与Claude Fable差距
OpenAI的GPT-5.6 Sol在Agent Arena上冲到第二，比前代进步明显，和Claude Fable 5差距缩小了，想看看真实任务中模型表现的话值得关注。
7月13日
GPT-5.6 Sol登顶Design Arena，超越Claude Fable 5
OpenAI新模型GPT-5.6 Sol在网页设计评测中拿了第一，比上一代强很多，还比Claude Fable 5更快。想看看AI设计的新天花板吗？
7月12日
Meta 发布多模态推理模型 Muse Spark 1.1，强化 AI 智能体任务能力
Meta 的 Muse Spark 1.1 强化了多智能体协作与代码开发，支持百万 token 长上下文，但部分场景弱于 GPT-5.5 和 Claude Opus 4.8。
IT之家原文
GPT-5.6医疗评估：医生挑出的错误比医生写的回答还少
OpenAI发了GPT-5.6，医生写回答都写不过它，成本还更低，医疗AI又进步了一大截
7月11日
GPT-5.6 在指令遵循上超越 GPT-5.5，物理直觉仍落后
想知道 GPT-5.6 哪里比 5.5 强、哪里反而弱？这篇实测用四个具体动画场景拆给你看，不吹不黑。
Muse Spark 1.1在Agentic评测中可抗衡GPT-5.5和Opus 4.8
Muse Spark 1.1在Agentic任务上声称能追上GPT-5.5，还能直接用Meta API调用，挺有吸引力。
OpenAI 称 GPT-5.6 Sol 可自动化后训练 Luna 模型
OpenAI 新出的 GPT-5.6 Sol 能自己训练小模型Luna，研究效率比上一代高16%，研究员一天干的活翻倍了。
GPT-5.6发布：健康智能升级，Luna版本性能提升成本降25倍
OpenAI的GPT-5.6健康智能版来了，Luna比上一代强还便宜25倍，这波升级很实在。
GPT-5.6 Luna 性能超 GPT-5.5，成本降低 25 倍
OpenAI 新出的 GPT-5.6 Luna 性能比 GPT-5.5 强，还便宜 25 倍，搞健康智能的可以看看。
OpenAI GPT-5.6-sol登顶Code Arena前端榜，与Claude Fable 5并列第一
OpenAI发了GPT-5.6-sol，代码能力直接冲到第一，还比Claude便宜一半，搞前端开发的可以试试。
OpenAI GPT-5.6 Sol自主微调小模型Luna，仅需模糊提示
OpenAI又搞事情了：GPT-5.6 Sol用一句模糊指令就能自动调教出更强的Luna，性能比上一代飙升16分，自动化研究越来越近了。
7月10日
GPT-5.6 Sol 实战测评：比5.5更强，部分场景不及fable 5
GPT-5.6 Sol 实战比5.5强，能挖更多bug，不过fable 5在某些场景还压它一头。
GPT-5.6 文档理解基准测试：与上一代无显著变化
OpenAI 新 GPT-5.6 文档理解跑分出炉，Sol 没提升但 Luna 便宜六倍，值得看具体差距。
Meta发布多模态推理模型Muse Spark 1.1，支持百万token上下文
Meta新出的多模态推理模型，百万token上下文，工具调用很强，但写代码不如Opus和GPT。
OpenAI 发布 GPT-5.6 模型 Sol、Terra、Luna 及新 Agent 功能
OpenAI 一口气发了三个 GPT-5.6 模型，编程更强的 Sol 比 Fable 便宜，还出了个能跨应用干活的 agent 和桌面应用，开发者快去体验。
GPT-5.6 推出三个模型层级：Sol、Terra、Luna
OpenAI 给 GPT-5.6 分了三个档，Sol 专攻复杂编程和智能体任务，Terra 比上一代更强更便宜，Luna 跑得快还省一半钱。
OpenAI发布GPT-5.6 API，推出Sol、Terra、Luna三款模型
OpenAI刚发了GPT-5.6的三个新模型：Sol旗舰强在编程和科学，Terra性价比高，Luna又快又便宜。
OpenRouter发布GPT-5.6 Terra，成本减半性能对标GPT-5.5
想省钱又想有GPT-5.5级别编码和推理能力？试试OpenRouter的GPT-5.6 Terra，价格腰斩，性能不减。
7月9日
Meta 发布 Muse 模型，1M 上下文窗口媲美 GPT-5.5
Meta 新出的 Muse 在 agent 任务上直追 GPT-5.5，还有 1M 上下文和主动记忆管理，跑长任务再也不怕忘事了。
Muse Spark 1.1发布，1M上下文窗口及计算机使用能力
Meta的新模型Muse Spark 1.1性能逼近GPT-5.5，还有1M上下文和电脑操控功能，适合搞自动化任务。
OpenAI发布GPT-Live：全双工语音模型，可调用GPT-5.5实时生成UI
OpenAI出了个GPT-Live，能边听边说实时纠正语法，还能调后台GPT-5.5推理，比Siri强多了。
Grok 4.5 在 AA Intelligence 排名第四，超越 Gemini
xAI 的 Grok 4.5 在实用任务和编码上追平 GPT-5.5，但更便宜、更快，适合日常开发使用。
Claude Fable 5 六项行业指数第一，成本比 DeepSeek V4 Pro 高 100 倍
想选行业AI模型？Claude Fable 5 碾压全场，但成本是 DeepSeek V4 Pro 的百倍，性能只多 12 分，性价比得掂量。
OpenAI 发布 GPT-Live 全双工语音模型，取代 ChatGPT 旧语音模式
OpenAI 把 ChatGPT 语音升级成全双工了，能一边听你说话一边插嘴，同传演示挺惊艳。就是刚上线有人嫌它“嗯嗯”太吵，你可以试试调低推理强度或者换语音角色。