全部 AI 动态 · AITOP

模型中美对照多源确认14:54

Claude Fable 5 在 ECI 上获 161 分，超越 GPT-5.5 Pro

Claude Fable 5 在 ECI 上拿 161 分，超 GPT-5.5 Pro 一分，Anthropic 终于又领先了。

#Claude Fable 5 #GPT-5.5 Pro #Anthropic #基准成绩

事件专题

官方账号Epoch AI@EpochAIResearch11 个信源在谈原文

模型中美对照多源确认03:29

OpenAI升级ChatGPT医疗能力，GPT-5.5 Instant回答优于医生

OpenAI用GPT-5.5 Instant让ChatGPT在医疗问答上比医生答得更好，准确率提升了71%，值得试。

#GPT-5.5 #ChatGPT #OpenAI #医疗AI

事件专题

官方账号Decoder@Matthias Bastian11 个信源在谈原文

模型中美对照多源确认76°03:03

OpenAI 发布 GPT-5.5 Instant，健康问题回答能力提升

OpenAI 出了 GPT-5.5 Instant，免费版就能用，健康问答能力大幅提升，和医生合作训练的，靠谱。

#GPT-5.5 #OpenAI #ChatGPT #健康问答

事件专题

官方账号Greg Brockman@gdb11 个信源在谈原文

模型中美对照多源确认02:39

GPT-5.5 Instant 在健康问题上与前沿推理模型性能持平

OpenAI 把 GPT-5.5 Instant 的医疗问答能力做到了和自家顶级推理模型一样好，而且免费用户都能用，生病问AI更放心了。

#GPT-5.5 Instant #OpenAI #健康 #推理模型

事件专题

官方账号OpenAI@OpenAI11 个信源在谈原文

模型中美对照官方一手02:10

GPT-5.5 Instant 提升 ChatGPT 健康问答能力

GPT-5.5 Instant 让 ChatGPT 的健康建议更靠谱了，医生参与评估的设计值得关注。

#GPT-5.5 Instant #ChatGPT #OpenAI #健康

事件专题

官方一手OpenAI Blog11 个信源在谈原文

模型中美对照多源确认精选01:32

MoonshotAI 发布 Kimi K2.7 Code，编码模型推理 token 减少 30%

想少想多做？K2.7 Code 编码专用，推理开销比 K2.6 低三成，还能对标 GPT-5.5，适合写代码时不用纠结。

#Kimi K2.7 Code #MoonshotAI #编码模型 #推理效率

事件专题

官方账号SiliconFlowAI@siliconflowai6 个信源在谈原文

模型 Agent 与开发者精选13:05

Kimi K2.7 Code性能对标GPT-5.5，成本低3倍

Kimi新出的K2.7 Code模型，花不到三毛钱就能和GPT-5.5打平手，物理模拟甚至更聪明，性价比直接秒杀。

#Kimi #K2.7 Code #GPT-5.5 #推理模型

@atomic_chat_hq@atomic_chat_hq原文

模型中美对照多源确认精选10:58

Kimi K2.7 Code与Claude Fable 5落地页生成对比实验

想知道怎么用Kimi K2.7 Code花不到5分钱做出媲美Claude Fable 5的落地页？实验数据全给你算清楚了，迭代省大钱。

#Kimi K2.7 Code #Claude Fable 5 #落地页生成 #MCP/工具

事件专题

shao__meng@shao__meng11 个信源在谈原文

模型10:55

TxBench-PP基准测试：AI Agent在临床前药理学任务中表现不佳

想看看AI在药物发现中到底行不行？这个基准测试用4800条轨迹告诉你，Claude Opus 4.8和GPT-5.5都还差得远，最高才59.3%的通过率。

#TxBench-PP #Claude Opus 4.8 #GPT-5.5 #AI agent

事件专题

arXiv cs.LG@Hannah Le 等 6 人2 个信源在谈原文

模型中美对照多源确认05:25

LifeSciBench基准发布，GPT-Rosalind超越GPT-5.5

OpenAI搞了个新基准LifeSciBench，专门测生物科学推理，GPT-Rosalind比GPT-5.5还强，值得看看。

#LifeSciBench #GPT-Rosalind #GPT-5.5 #OpenAI

事件专题

官方账号OpenAI@OpenAI11 个信源在谈原文

模型中美对照00:36

困住医疗AI的死循环，终于有国产玩家跑通了

国产医疗AI终于打败GPT-5.5了，评测成绩很能打，值得关心AI落地的人看一看。

#GPT-5.5 #医疗AI #基准测试 #国产模型

量子位@一水原文

模型 Agent 与开发者多源确认精选76°08:16

NVIDIA GEAR 发布 ENPIRE：AI 编程 agent 自主操控真实机器人做实验

NVIDIA 和 CMU 搞了个能自己跑实验的机器人系统，AI agent 操控真实机器人干活，成功率99%，还开源了。

#ENPIRE #NVIDIA GEAR #机器人操控 #智能体

事件专题

宝玉@dotey11 个信源在谈原文

模型中美对照多源确认04:01

GLM 5.2 在 FrontierSWE 基准排名第三，超越 GPT-5.5

GLM 5.2 在编码基准上干掉了 GPT-5.5，开源里最强，值得关注。

#GLM 5.2 #FrontierSWE #GPT-5.5 #开源模型

事件专题

elvis@omarsar011 个信源在谈原文

模型中美对照多源确认73°03:37

Z AI发布开源模型GLM-5.2，百万token上下文窗口

Z AI的GLM-5.2开源，百万token上下文，数学和编程全面超过GPT-5.5，值得试玩。

#GLM-5.2 #Z AI #Opus 4.8 #GPT-5.5

事件专题

The Rundown AI@therundownai7 个信源在谈原文

模型 Agent 与开发者多源确认精选15:49

OpenRouter推出Fusion API，多模型协同以一半成本接近Claude Fable 5水平

OpenRouter用多个便宜模型拼出顶级效果，成本砍半但性能追上Claude Fable 5，预算有限又想用好模型可以试试。

#OpenRouter #Fusion #Claude Fable 5 #多模型协同

事件专题

IT之家10 个信源在谈原文

模型中美对照多源确认12:25

谷歌更新 Android Bench 榜单：Gemini 3.5 Flash 成本最贵，约 DeepSeek V4 Flash 的 17.5 倍

谷歌新榜单实测，Gemini 3.5 Flash 在安卓开发任务中得分低、成本高，性价比远不如 DeepSeek V4 Flash。

#Android Bench #Gemini 3.5 Flash #GPT-5.5 #DeepSeek V4 Flash

事件专题

IT之家11 个信源在谈原文

模型精选12:08

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。

#Cua-Bench #KiCad #GPT-5.5 #Claude Sonnet 4.5

shao__meng@shao__meng原文

模型中美对照多源确认10:07

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。

#Claude Fable 5 #GPT-5.5 Pro #Anthropic #Epoch Capabilities Index

事件专题

Gary Marcus@GaryMarcus11 个信源在谈原文

模型 Agent 与开发者多源确认精选04:51

Claude Design 高精度可交互原型背后是模型能力差距，GPT-5.5 还扛不住

拆解 Claude Design 为何比 Codex 强

#Claude Design #Claude Opus 4.8 #GPT-5.5 #Codex

事件专题

宝玉@dotey11 个信源在谈原文

模型中美对照22:57

开源模型GLM-5.2进入Agent Arena，挑战GPT-5.5和Claude-Opus-4.7

看看GLM-5.2在Agent Arena能排第几

#GLM-5.2 #Zai_org #Agent Arena #GPT-5.5

事件专题

lmarena.ai@lmarena_ai2 个信源在谈原文

模型 Agent 与开发者精选20:47

微软SkillOpt仅用Markdown文件让GPT-5.5提升23点

微软用Markdown文件让GPT-5.5涨23分

#SkillOpt #GPT-5.5 #微软 #智能体

官方账号Decoder@Jonathan Kemper原文

模型中美对照多源确认73°18:21

Claude Fable 5 在 FrontierMath 最难题目上领先 GPT-5.5 13 个百分点

Anthropic 新模型数学碾压 GPT-5.5

#Claude Fable 5 #GPT-5.5 #FrontierMath #Anthropic

事件专题

官方账号Decoder@Matthias Bastian11 个信源在谈原文

模型中美对照多源确认16:54

Moonshot 发布开源模型 Kimi K2.7 Code，每 token 价格比 GPT-5.5 和 Claude 低 12 倍

编程省钱利器，12倍性价比

#Kimi K2.7 Code #Moonshot AI #GPT-5.5 #Claude Opus 4.8

事件专题

官方账号Decoder@Matthias Bastian8 个信源在谈原文

模型中美对照精选72°13:08

FrontierMath v2 上线：GPT-5.5 和 Google AI 领跑

数学基准更新，GPT-5.5和Google AI成绩亮眼

#FrontierMath #GPT-5.5 #Google #Epoch AI

官方账号Epoch AI@EpochAIResearch原文

模型中美对照精选09:47

华为云与MiniMax M3模型开源首发适配，提供Tokens算力支持

华为云联手MiniMax，M3多模态模型开源

#MiniMax #M3 #华为云 #昇腾

事件专题

IT之家2 个信源在谈原文

模型中美对照多源确认09:46

MiniMax M3 开源模型加入 Agent Arena 评测

看看 MiniMax M3 在 Agent 任务中能排第几

#MiniMax M3 #Agent Arena #GPT-5.5 #Claude-Opus-4.7

事件专题

lmarena.ai@lmarena_ai11 个信源在谈原文

模型中美对照多源确认88°12:49

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。

#Claude Fable 5 #Anthropic #推理模型 #智能体

事件专题

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

模型中美对照多源确认73°12:39

GPT-5.5 在评测中登顶，效率也最优

GPT-5.5 在评测中不仅性能第一，还兼顾了 token 和成本效率，做模型选型的团队可以直接参考这个结果来优化预算。

#GPT-5.5 #OpenAI #模型评测 #效率

事件专题

官方账号Noam Brown (OpenAI 推理)@polynoamial11 个信源在谈原文

模型中美对照多源确认精选73°04:05

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。

#GPT-5.5 #Agent Arena #智能体评测 #Claude Fable 5

事件专题

lmarena.ai@lmarena_ai11 个信源在谈原文

模型精选15:11

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。

#Fable #模型评测 #代码优化 #性能对比

AI Will@FinanceYF5原文

模型中美对照多源确认88°09:01

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 #前端开发 #智能体 #代码生成

事件专题

lmarena.ai@lmarena_ai11 个信源在谈原文

模型中美对照多源确认83°05:37

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 #Agent Arena #智能体评测 #Anthropic

事件专题

lmarena.ai@lmarena_ai11 个信源在谈原文

模型中美对照多源确认05:35

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。

#Claude Fable 5 #Anthropic #模型评测 #任务成功率

事件专题

lmarena.ai@lmarena_ai11 个信源在谈原文

模型中美对照83°14:51

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。

#Claude #Fable #HVM5 #性能优化

AI Will@FinanceYF5原文

模型中美对照多源确认12:58

Fable 5/Opus 4.8/GPT-5.5 同Prompt生成NYC天际线对比

四个主流模型同Prompt出图对比，做AI绘画或模型评测的可以直接看结果，省去自己跑实验的时间。

#Fable 5 #Opus 4.8 #GPT-5.5 #图像生成

事件专题

AI Will@FinanceYF511 个信源在谈原文

模型中美对照多源确认精选10:50

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。

#Anthropic #Fable 5 #文档理解 #ParseBench

事件专题

LlamaIndex@llama_index11 个信源在谈原文

模型中美对照06:23

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。

#Claude #Fable/Mythos 5 #Vending-Bench #对齐性

Gary Marcus@GaryMarcus原文

模型 Agent 与开发者多源确认精选76°10:03

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。

#Cognition #FrontierCode #代码评估 #可合并性

事件专题

shao__meng@shao__meng4 个信源在谈原文

模型中美对照多源确认19:01

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。

#Claude Opus 4.7 #Android Arena #排行榜 #Anthropic

事件专题

AI Will@FinanceYF511 个信源在谈原文

模型中美对照06:41

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。

#智能体 #排行榜 #GPT-5.5 #Claude Opus 4.7

事件专题

rohanpaul_ai@rohanpaul_ai2 个信源在谈原文