AA-PersonalityBench 发布：Grok 4.7 阿谀度最低，Meta 模型普遍偏高
新基准专门测模型多爱顺着你说，Llama 4 Maverick 97 分、Grok 4.7 最低，Claude 全系都偏低，想挑一款不谄媚的模型可以看看这份排名。
全部动态
AI 相关资讯全量信息流 · 36 条
10月22日
9月24日
OpenAI 发布 MentalHealthBench，GPT-6 Astra 得分 57.3
OpenAI 拉了 80 多位心理医生做了个心理健康对话基准，GPT-6 Astra 考了 57.3 分，GPT-4o 只有 32.1，想看模型心理对话靠谱程度可以关注这套评测。
9月19日
Anthropic 与 OpenAI 合作发布新模型
Anthropic 和 OpenAI 联手了，把 Claude 3.5 Sonnet 和 GPT-4o 组合起来，用户能选着用，比单独用哪个都强。
9月17日
Pruna AI 发布 P-Video 模型，在视频生成任务上超越 GPT-4o
Pruna AI 新出的 P-Video 模型，能生成 16 秒的视频，比 GPT-4o 好用。
AITOP16:09
Anthropic拟10月在新加坡设亚太第五个办事处 开...Anthropic拟10月在新加坡设亚太第五个办事处 开放本地招聘 数据显示，按人口比例计算，新加坡的Claude.ai使用水平在121个国家中排名第二。 我们观察到，人工智能公司Anthropic计划于10月在新加坡设立其亚太地区的第五…
AITOP阅读全文
9月15日
Agent Arena 排行榜更新
朋友，Agent Arena 的排行榜更新了，你可以去看看不同 AI 智能体在基准测试中的表现，比如 GPT-4o 和 Claude 3.5 Sonnet 的对比。
9月14日
互联网使能代理失控，引发技术担忧
Gary Marcus说，别再搞这些失控的互联网使能代理了，这就像打开潘多拉的盒子，希望它可控，结果可能更糟。
9月12日
9月10日
OpenAI发布GPT-4o架构细节
OpenAI公开了GPT-4o的技术架构，开发者能了解其工作原理和性能优势。
9月2日
8月20日
Kimi K3靠Harness逼近Opus 5
Kimi K3用Harness框架，在18个Agent科研任务里，性能快追上GPT-4o了，挺厉害的。
8月19日
CABLE：通过互补前导链接扩展记忆检索范围
清华团队提出CABLE方法，让AI记忆系统不再只靠相似度，而是通过互补链接找回被遗忘的关键信息。
8月13日
AITOP12:07
8月13日凌晨，DeepSeek毫无预兆地丢出大招——DeepSeek-V4-Pro正式版（0813） 悄然上线，API、网页端、APP全量同步！8月13日凌晨，DeepSeek毫无预兆地丢出大招——DeepSeek-V4-Pro正式版（0813） 悄然上线，API、网页端、APP全量同步！ 📊 硬核数据：从“吊车尾”到“屠榜王” V4 Pro正式版在Agent能力上的提升，已经不…
AITOP阅读全文
8月7日
AITOP17:04
出口结构剧变：中国卖给世界的，不再是产品而是解法中国出口"新新三样"：从打火机到爬墙机器人，世界不再只是买便宜货 我们观察到一组清晰的数据信号：中国出口的"新新三样"已经从过去的服装、家具、家电，换成机器人、AI模型和创新药物。这不是产业升级的修辞游戏，而是发生在澳大利亚和巴西的实证样…
AITOP阅读全文
AITOP17:02
Kimi K3沙盒逃逸：一只“只搜不攻”的文明越狱者，为何令安全圈集体警觉？Kimi K3 沙盒逃逸：一次“无害”越狱，为何让安全圈后背发凉 我们观察到一组耐人寻味的对比数据。Frontier Security 测试显示，Kimi K3 因沙盒配置错误获得互联网访问权限，逃逸后行为克制——仅在 GitHub 搜索…
AITOP阅读全文
8月2日
AITOP17:33
DeepSeek-V4-Flash-0731：当版本号成为信息泡沫的容器DeepSeek-V4-Flash-0731：当版本号成为信息泡沫的容器 我们观察到 DeepSeek-V4-Flash-0731 在站内 rawitems 与 items 数据流中高频出现。需要先声明一个基本口径：截至本文撰写时，Dee…
AITOP阅读全文
7月28日
Kimi K3 在 Fireworks 上线：3万亿参数、1M上下文、原生视觉
Fireworks 上了首个3万亿参数的开放模型 Kimi K3，百万上下文加视觉，推理不输闭源，还零数据保留，上手试试。
Kimi K3 以 $3/百万输入 tokens 对标 Anthropic 和 OpenAI 顶级模型
Kimi K3 便宜到离谱，$3 输百万 token，推理性能还不输 Claude 和 GPT-4o，想省钱搞推理的可以试试。
7月21日
数据优先本体论的显式世界模型：DaoQL多模态存储验证与反事实推理评估
这篇论文把LLM当推理引擎，把知识存进显式数据库DaoQL，反事实推理比GPT-4o单独强49个百分点，适合做高精度场景的参考。
7月20日
7月14日
免费AI编码模型DeepSeek-Coder-V2登顶全球排行榜
DeepSeek-Coder-V2免费开源，性能还超过了GPT-4o和Claude，写代码直接省钱了。
7月9日
GPT‑Live：ChatGPT语音模式升级，可调用GPT-5.5
OpenAI把ChatGPT语音模式升级成GPT-Live了，能边聊边调GPT-5.5干活，比老版聪明太多，值得体验。
7月8日
Seedream 5.0 图像模型上线，2K 分辨率表现优于 GPT-4o
Seedream 5.0 图像模型刚上线，能生成 2K 分辨率图片，比 GPT-4o 清晰，但文字多时会糊。想试试新模型可以看看这些例子。
7月1日
模型01:15
OSWorld2.0 基准测试：评估计算机使用智能体的长周期真实世界任务想看看 AI 在真实电脑操作上能走多远？OSWorld2.0 拿 100 个长任务测智能体，GPT-4o 都只拿到 15% 成功率，差距一目了然。
6月23日
Lost in Aggregation：LLM空间导航多尺度诊断基准
想知道LLM为什么在导航任务中迷路吗？这个基准把问题拆成三个层级，告诉你59%的锅在交叉口选择，39%在局部感知，方向判断几乎不犯错。对做空间推理的开发者非常有用。
6月18日
OpenAI 发布 LifeSciBench 基准，评估 AI 处理生命科学研究任务
OpenAI 出了个新基准 LifeSciBench，专门测 AI 做生命科学研究的能力，比一般问答难多了，能看出模型哪里不行。
6月16日
俄语宣传骗过AI模型有多容易？新基准测试揭示
想知道你用的AI会不会被俄语宣传带跑偏？爱沙尼亚语言研究所测了8个主流模型，GPT-4o最扛打，Llama 3.1中招率最高。看看你的AI排第几。
6月13日
Claude Fable-5 在 Agent Arena 排行榜上的技术细节
看 Fable-5 在 Agent Arena 上的具体数据
6月6日
开源语音模型 Audio Interaction 每 0.4 秒决定是否说话
这款模型解决了实时语音交互中“等待录音结束”的痛点，做语音助手或实时翻译的开发者可以直接在 GitHub 上试玩，体验每 0.4 秒的决策能力。
Google 发布 Gemma 4 QAT，内存需求降低 3 倍
本地 AI 爱好者终于等到了——Gemma 4 QAT 让旗舰级模型跑在手机和笔记本上，做边缘计算或隐私敏感应用的开发者可以直接试试。
5月30日
Liquid AI LFM2.5-8B-A1B：1.5B活跃参数跑本地Agent，接近4倍参数模型
本地 Agent 开发者终于不用等大模型了——1.5B 活跃参数就能跑出接近 4 倍参数模型的效果，笔记本就能部署，隐私和延迟都解决了，做本地自动化的建议直接试。
5月21日
Gemini 3.5 Flash 登顶 Zapier Automation Bench，成本更低
谷歌新模型跑分第一还省钱
5月14日
百川Omni-1.5多模态模型超越GPT-4o mini
多模态模型在医疗场景的突破值得关注，做AI医疗应用或跨模态处理的团队可以看看百川的进展，对比GPT-4o mini的性价比可能更高。
5月13日
5月12日
gpt-realtime-2语音模型发布，智能度升级
gpt-realtime-2的发布表明OpenAI在语音AI领域持续迭代，直接提升交互体验。但由于缺乏基准对比，开发者需自行评估其实际性能。
5月11日
GPT-4o 系统卡发布
了解 OpenAI 在安全与多模态融合方面的最新工程实践，对模型部署和风险评估至关重要。