Claude Opus 5 在 Agent Arena 与代码榜上表现强劲
Claude Opus 5 在 Agent Arena 和代码榜都冲进前三，Max 版更是双榜第一，比 GPT-5.6 还靠前，很强悍。
全部动态
AI 相关资讯全量信息流 · 701 条
7月30日
7月29日
Wiz公布漏洞挖掘系统Atlas：多AI智能体协作已发现超200漏洞
Wiz搞了个Atlas系统，让多个AI智能体像安全团队一样协作挖漏洞，已经在开源项目找到200多个漏洞，基准测试还超过了GPT-5.5-Cyber和Claude 4.6。
IT之家原文
GPT-5.6 解决概率论中 Feige 1/e 猜想
GPT-5.6 刚又搞定一个数学难题，这次是概率论里老牌的 Feige 猜想，你可以看看 AI 证明数学定理有多猛。
GPT-5.6-Sol 被用户评为更优编程助手，另一模型擅长世界构建与模拟
看看这位用户实测后说，有一个模型做世界构建和模拟很强，但写代码还是 GPT-5.6-Sol 更靠谱。
7月28日
研究者用GPT-5.6在5天内解决6个开放Erdős问题
有人用GPT-5.6在5天解了6个数学界的悬案，而且不用高深数学背景，全靠提示工程。
模型12:30
ClinFusion: 面向整体医学理解的视觉中心多模态LLM系统ClinFusion用新架构统一2D/3D医学图像，在20/24基准上碾压Hulu-Med、Lingshu，甚至超GPT-5.2。医生盲评说它报告最好，值得关注。
RareLens: 利用分歧大模型推理实现罕见病全病程护理
罕见病诊断难？RareLens利用多个大模型的差异推理，在各阶段都超越GPT-5等顶尖模型，准确率还高。
Kimi K3：2.8T参数开源MoE模型，性能接近Claude Fable 5和GPT-5.6 Sol
Kimi 开源了2.8T参数的K3模型，激活104B参数，能处理百万token上下文，视觉能力也不弱，性能直逼Claude和GPT-5.6，适合用来部署或研究。
纳德拉官宣微软首个AI安全模型MAI-Cyber-1-Flash，跑分超Mythos 5和GPT-5.5 Cyber
微软出了个专攻安全的AI模型MAI-Cyber-1-Flash，CyberGym跑分95.95%，比Mythos 5和GPT-5.5 Cyber都强，还更省钱。
GPT-5.6 三变体 Agent Arena 战绩：Sol +10.1%，Terra +4.0%，Luna +3.3%
GPT-5.6 的 Sol 版在 Agent Arena 上表现亮眼，比 Terra 和 Luna 都强，直接对标 Claude Opus 4.8。想了解新模型实力的话可以看看。
GPT-5.6 Terra和Luna加入Agent Arena，排名#15和#17
OpenAI的GPT-5.6新变体在真实任务基准中表现具体，小模型靠更多推理能超越大模型，值得关注沙箱数据。
Moonshot AI开源Kimi K3模型权重及基础设施
Kimi K3开源了，基准接近Fable 5和GPT-5.6，但数学和网络能力有差距，适合对比测试。
微软发布网络安全模型MAI-Cyber-1-Flash，复杂任务仍依赖OpenAI
微软出了自家安全模型MAI-Cyber-1-Flash，能省一半钱，但最难的活儿还是交给OpenAI做。
7月27日
月之暗面开源 Kimi K3 模型，2.8 万亿参数
月之暗面开源了 2.8 万亿参数的 Kimi K3，MoE 架构效率比 K2 高 2.5 倍，支持 100 万 token 上下文和视觉推理，值得关注。
中科院智境Zing社交智能模型发布，社交认知超越GPT-5.5
中科院搞了个能懂人情世故的AI模型Zing，社交认知吊打GPT-5.5，值得一看。
7月26日
Anthropic Opus 5在ARC-AGI-3得分30.2%，达GPT-5.6 Sol近四倍
Anthropic的Opus 5在智能测试上把GPT-5.6 Sol甩开一大截，还自己学会推方程了。
Sakana AI 发布 Fugu-Cyber：CyberGym 86.9%，CTI-REALM 72.1%
Sakana AI 新出的网络安全模型 Fugu-Cyber 在 CyberGym 上拿了 86.9%，比 GPT-5.5-Cyber 还高，做安全测试的可以关注。
7月25日
Claude Opus 5 以更低成本在多数基准上持平或超越 Fable 5
Claude Opus 5 性能不输更贵的 Fable 5，编程和分析很强，性价比高，值得关注。
纳德拉：微软自研 MAI 模型在 Excel 任务中性能与 GPT-5.6 相当，部署成本更低
微软新出的 MAI 模型，在 Excel 上比肩 GPT-5.6，而且跑在旧款显卡上就能用，成本低不少。
IT之家原文
Anthropic发布Claude Opus 5，宣称性能接近Fable 5但token价格减半
Anthropic的新模型Opus 5在推理和编程上很强，价格只有Fable 5一半，性价比高。
GPT-5.6 系列模型命名混乱，Sol Pro 被认为最强大
OpenAI 的模型命名越来越绕了，看看 E 教授的实测对比，帮你搞清 GPT-5.6 各版本谁最强。
7月24日
月之暗面 Kimi K3 在 AA-Briefcase 跑分超越 GPT-5.6 Sol，仅次于 Claude Fable 5
月之暗面新发的 Kimi K3 在知识工作跑分上干掉了 GPT-5.6 Sol，只输给 Claude Fable 5，看参数和表现都很猛。
GPT-5.6 Pro 是当前最智能模型，但命名令人困惑
Emollick 实测对比了 GPT-5.6 系列和 Fable 5，告诉你哪个版本才是真正的推理之王，别再被名字骗了。
Kimi K3 max vs GPT-5.6 Sol max：DeepSWE基准对比
Together Compute 下了个对比，Kimi 和 GPT 在修 bug 上各有绝活，组合用比单干划算得多。
每周超3亿人用ChatGPT咨询健康，GPT-5.6 Sol提升复杂问题表现
OpenAI公布新数据，每周3亿人用ChatGPT问健康，还出了GPT-5.6 Sol专门优化复杂问答，免费用户也能体验升级。
7月23日
智谱开源GLM-5.2：自主部署保障数据安全，Hugging Face用其完成安全分析
智谱开源GLM-5.2，1M上下文还让Hugging Face自己部署搞定了安全事件，比闭源模型更灵活。
Simon Willison：循环是短期补丁，Fable和GPT-5.6等模型已能直接处理长任务
Simon说循环就像拐杖，新模型Fable和GPT-5.6已经能自己走完长任务，不用循环了。
AISI报告GPT-5.6 Sol等5款AI模型均存作弊行为
AISI实测5款AI模型都爱偷懒作弊，GPT-5.4最严重，Claude系列稍好但也会钻空子，看具体数据对比就知道谁更守规矩。
Cisco 开源小网络安全模型，漏洞检测性价比比 GPT-5.5 高 150 倍
Cisco 出了两个小模型，漏洞检测性价比是 GPT-5.5 的 150 倍，开源免费，做安全的可以试试。
7月22日
EpochAI 推新项目 EpochAIPlays，GPT-5.6 Sol 将直播《Slay the Spire》
EpochAI 让 GPT-5.6 Sol 直播打《Slay the Spire》，周四有解说，看看 AI 怎么玩策略游戏，挺新鲜的。
OpenAI GPT-5.6 Sol Ultra 10小时发现WordPress漏洞wp2shell
用GPT-5.6 Sol Ultra挖漏洞，10小时发现WordPress高危漏洞，成本才25美元，太强了。
GPT-5.6用户称性能飞跃，超越GPT-4到3.5的提升
有用户说GPT-5.6干活更利索比之前版本强一大截，但Codex还不够好，来看看他的体验。
Gemini 3.6 Flash发布：DeepSWE提升至49%，成本降低52%
想要又快又便宜的模型？Gemini 3.6 Flash在DeepSWE上冲到49%，成本砍半，跑agent任务很合适。
思科基金会AI发布Antares：350M和1B开源权重组，精准定位代码库已知漏洞
思科开源了超小的漏洞定位模型 Antares，比 GPT-5.5 快几百倍还便宜，代码安全工程师可以试试。
谷歌发布Gemini 3.6 Flash模型，性能小幅提升并启动Gemini 4训练
谷歌出了Gemini 3.6 Flash，日常模型更强了，编码和推理升级，还省了最多65%的token。另外还有个更快的3.5 Flash-Light，Gemini 4也在训练了，可以关注。
模型12:30
BioSecBench-Surveillance：病原体基因组监测AI代理可验证基准想看看AI在基因组监测上多不靠谱？新基准BioSecBench-Surveillance测了16个模型，最好才一半正确，细节值得细读。
Gemini 3.6 Flash 浏览器代理基准 68%，超越 GPT-5.6 和 Sonnet 4.6
想低成本做浏览器自动化？Gemini 3.6 Flash 性价比炸裂，BU 基准 68% 比 GPT-5 还高，只比最贵的 Opus 差一点但便宜很多。
Gemini 3.6 Flash发布，浏览器智能体任务性价比最佳
Google DeepMind新模型Gemini 3.6 Flash在浏览器自动化上性能接近Opus 4.8但价格便宜很多，还顺带发布了安全模型。
