全部动态

一个 0.5M 参数的小模型在卡坦岛赢了 40 局里的 36 局，对手是 Claude Opus 5.5 和 Kimi K3，体积还小了 1000 万倍，思路很反直觉。

rohanpaul_ai@rohanpaul_ai11 个信源在谈原文

蚂蚁发了 Ling-3.2-flash，560B 参数原生多模态，自测三项基准跑赢 Claude Opus 5（max），API 前两周免费，可以试试。

SemiAnalysis 搞了个新基准 GDPx，模拟芯片设计、量化交易这类真实工作，结果最强的 Claude Opus 5.5 也才 12% 出头，智能体离真干活还差得远。

官方账号Decoder@Manuel Uth原文

同样 100 美元，不同模型差出 60 倍任务量，选模型前看这组性价比数据能省不少钱。

官方账号Artificial Analysis@ArtificialAnlys原文

月之暗面兑现承诺放出了 Kimi K3.1 Pro 权重，智能体任务实测比 K3 强了一截，编程成绩已经贴着 Claude Opus 5.5 打，做 Agent 的可以关注。

月之暗面把 2.8T 参数的 Kimi K3.1 Pro 权重直接开源了，4-bit 发布省存储，编程基准分数贴近 Claude Opus 5.5，纯知识题却差 GPT-6 一截，许可证对云托管商还有限制。

rohanpaul_ai@rohanpaul_ai11 个信源在谈原文

Agent Arena 拆了成本维度看模型：贵任务上 OpenAI 和 Anthropic 不再通吃，Gemini 4 Argon 和小米 MiMo 顶上，选型前值得对号入座。

lmarena.ai@lmarena_ai11 个信源在谈原文

Agent Arena 拿 5 家实验室的旗舰模型跑了长任务对比，Claude Opus 5.5 能连续干近 2 小时，Kimi 最快但也最短，差距挺直观。

lmarena.ai@lmarena_ai11 个信源在谈原文

腾讯混元的 Hy4 正式版能看图能操作电脑了，还练过 Blender 和 CAD，这两天在 WorkBuddy 里限免，可以白嫖试试跟 Kimi 的差距。

shao__meng@shao__meng11 个信源在谈原文

Claude Opus 5.5 控机械臂放鳄鱼，23分钟做完后还多推了22分钟，活儿白干，这个实验挺好笑也挺有启发。

官方账号Artificial Analysis@ArtificialAnlys原文

SemiAnalysis 搞了个 GDPx 基准，让智能体真去翻几千个文件干活，结果最强的 Claude Opus 5.5 也才拿 12 分，金融法律题全军覆没。

rohanpaul_ai@rohanpaul_ai11 个信源在谈原文

GDPx 这个基准挺有意思，用 206 个真实经济任务测智能体。Opus 5.5 分最高，但 Gemini 4 便宜 4 倍只低 1.1%，选型可以参考。

kimmonismus@kimmonismus8 个信源在谈原文

The New Stack 拿 GPT-6.1 Terra 和 Claude Opus 5.5 跑了三组硬核测试，Terra 答题更准还只要八分之一的价格，数据很实在。

Blognone@mk11 个信源在谈原文

有人实测 Gemini 4 Argon 跑游戏任务，成本比 Claude Opus 5.5 便宜，但 token 和耗时上有差距，选模型前可以看看

Xianbao Qian@Xianbao_QIAN原文

两个大模型在机器人上写同一个 hello world，一个磨了 34 分钟用 3270 次动作，另一个 13 分钟搞定，差异很直观。

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

Google 放出了新的 Gemini 4 Carbon，在 Artificial Analysis 的榜单上超过了 Claude Opus 5.5 和 GPT-6 Astra，这次还特别强化了网络安全能力。

官方账号theverge@Emma Roth11 个信源在谈原文

Google 放出 Gemini 4 Carbon，网络安全基准把 GPT-6 Astra 甩开 12 个点，不过现在只有安全领域的合作伙伴能用，定价倒是和 Argon 一样。

Blognone@lew11 个信源在谈原文

Google 新版 Gemini 4 Carbon 文本榜登顶了，Agent 榜排第二，仅次于 Opus 5.5，想看榜单情况的可以看看。

TestingCatalog@testingcatalog11 个信源在谈原文

Google 两周内连发两代旗舰，Carbon 的漏洞发现和修补成绩直接压过 OpenAI 和 Anthropic，长上下文 96.2% 也很猛，定价还先打折，搞安全的建议盯一下。

rohanpaul_ai@rohanpaul_ai11 个信源在谈原文

Google 新模型 Gemini 4 Carbon 拿下智能指数第一，编程追近 Claude Opus 5.5，还便宜 23%，可以先看看数据再决定用不用。

官方账号Artificial Analysis@ArtificialAnlys3 个信源在谈原文

评估榜单 Artificial Analysis 更新到 v5，Claude Opus 5.5 超过 GPT-6 系列，选模型前可以看看这版新排名。

@koltregaskes@koltregaskes11 个信源在谈原文

Claude Opus 5.5 拿下 58 分登顶，GPT-6 Astra 只差 1 分，还新增了两个编程基准，选模型前可以看看这份榜单。

TestingCatalog@testingcatalog11 个信源在谈原文

Artificial Analysis 把 60% 评测改成私有题库防作弊，现在 Claude Opus 5.5 排第一，选模型前可以看看这份新榜。

kimmonismus@kimmonismus11 个信源在谈原文

模型评测榜 v5 版来了，60% 改用私有题防刷榜，Claude Opus 5.5 拿了第一，开源和闭源差距拉大到 12 分，选模型前可以看看。

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

OpenAI 新出的 GPT-6.1 Terra 专攻桌面自动化和视觉任务，价格只有 Claude Opus 5.5 的九分之一，错误率也从 53.6% 降到 4.3%，做批量自动化的可以看看。

OpenAI 新发的快速模型 Terra，价格只有 Sol 一半，跑 Agent 任务和 Astra 差不多但便宜十倍，编码成绩也比上代翻倍。

The Rundown AI@therundownai11 个信源在谈原文

OpenAI 在柏林 DevDay 甩出 GPT-6.1 Terra，每个任务成本比 Claude Opus 5.5 低约 9 倍，跑得还比自家 GPT-6 Astra 快 3 倍，性价比党可以盯一下。

TestingCatalog@testingcatalog11 个信源在谈原文