Artificial Analysis 上线 VIALS-AA：生命科学视觉推理榜单
161 个任务专考读凝胶图和质粒图这些科研视觉推理，Gemini 4 Carbon 险胜 GPT-6，但 Claude 每任务贵 29 倍，选模型前先看这份榜单。
全部动态
AI 相关资讯全量信息流 · 78 条
11月7日
11月5日
百度 ERNIE 5.5 Flash Base 基准测试取得同尺寸 SOTA，超越 DeepSeek-V4-Flash
百度 ERNIE 5.5 Flash Base 评测出炉，同尺寸里跑赢了 DeepSeek-V4-Flash-Base 和 MiMo-V2.5-Base，覆盖数学、代码、长上下文六个维度。
百度开源 ERNIE 5.5 Flash Base：280B 参数 MoE 模型
百度刚开源的 280B MoE 模型，激活只有 14B，benchmark 挑的对比对象有点取巧，作者把 DeepSeek、MiMo 等最新模型数据补上了，可以直接对照看。
百度开源 ERNIE 5.5 Flash Base：280B 参数、每 token 激活 14B 的 MoE 模型
百度放了个开源 MoE 模型，280B 总参但每个 token 只激活 14B，跑得省，官方说同量级里能打 SOTA，完整的 5.5 Flash 还在路上。
百度开源 ERNIE 5.5 Flash Base：280B 参数 MoE 基座模型
百度把 280B 的 MoE 基座权重直接放出来了，激活才 14B，FP8 和 BF16 都有，做微调或强化学习研究可以直接拿这个当起点。
IT之家原文
Agent Arena 排行：复杂任务上 Gemini 4 Argon 与小米 MiMo 表现突出
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。
Agent Arena 数据：Gemini 4 Carbon 成本扩展性优于竞品
Arena 拿真实智能体会话算了一笔账：任务越难，Gemini 4 Carbon 越省钱，Astra 和 Opus 5.5 贵出三四倍，选错模型账单差很多。
10月29日
AA 榜单 v5.0 更新后，国产模型排名集体下滑
AA 换了 v5.0 测评算法，国产模型排名集体下滑，连 Claude 家最便宜的 Haiku 都跑赢了一票国产旗舰，这篇把能力、价格、速度三张榜单都对比了一遍，选模型前可以看看。
10月21日
小米 MiMo-V2.6-Pro 上线腾讯 WorkBuddy 与 TokenHub，支持 1M 上下文
小米的 MiMo-V2.6-Pro 进了腾讯 WorkBuddy 和 TokenHub，1M token 上下文，API 兼容 OpenAI 和 Anthropic 格式，接项目成本低。
10月20日
小米 MiMo-V2.6-Pro 上线 WorkBuddy，支持 1M 上下文与多智能体协作
小米把开源第一的 MiMo-V2.6-Pro 接进了 WorkBuddy，1M 上下文加全模态，价格还只有海外模型的零头。
IT之家原文
MiniMax 发布 M3.1 Flash：价格降至 M3 的一半
MiniMax 又发了个省钱版 M3.1 Flash，价格砍半还能打平 DeepSeek V4.1 Flash，不过性价比仍输 MiMo-V2.6 Pro，适合预算敏感的场景。
10月19日
Arena 第 42 周盲测榜：kimi-k3-max 稳居代码榜第十
这周盲测榜出来了，kimi-k3-max 代码榜冲进前十，小米 mimo-v2.6-pro 也往前赶，想选模型可以对着榜单比比价格再下手。
10月18日
Microsoft AI 发布基础模型 MAI-Base-2，参数 2.8T
微软亮出自家基础模型 MAI-Base-2，2.8T 参数、1.6 万张 GB200 训练，连中国开源模型都被比下去了。
10月17日
Agent Arena 周榜：Gemini 4 Argon 升至第 5，MiMo V2.6 Pro 居开源第一
本周 Arena 榜单更新，Gemini 4 Argon 升到第 5，小米 MiMo 拿下开源第一，Meta 的 Muse Wonder 一上榜就冲到第 2，还有省钱 37% 的新路由器。
Reflection AI 发布开源模型 Beam-1.0-501B-A23B，跻身 Agent Arena 榜单前列
Reflection AI 放了个 501B 的全开源模型，Agent Arena 上是美国开源模型里最强的，Code Arena 前二十几个开源模型里唯一的非中国选手，Apache 2.0 随便用。
10月16日
Reflection AI 发布 Beam 1.0：501B 参数开源模型跻身 Agent Arena 第12名
美国 Reflection AI 放了个 501B 的 Apache 2.0 开源模型，Agent Arena 第12，是榜单前25里唯一非中国实验室的开源作品。
Xiaomi MiMo V2.6 Pro 登顶 Agent Arena 开源模型榜
Xiaomi 的 MiMo V2.6 Pro 在 Agent Arena 开源榜拿了第一，Pro 和 Flash 还都卡在性能成本最优区间，跑智能体的可以关注下。
MiMo V2.6 Pro 登顶 Agent Arena 开源模型榜首
小米 MiMo V2.6 Pro 超过 DeepSeek 登上 Agent Arena 开源第一，单任务才 $0.11，做智能体的可以看看这份榜单。
Agent Arena 更新 Bash Reliability 指标，Claude Opus 5.5 居首
Agent Arena 榜单换了个新指标 Bash Reliability，Claude Opus 5.5 还是第一，开源最强的 GLM 5.2 排到第 15，想选编程模型可以看看。
10月14日
Agent Arena 更新 Bash Reliability 指标，Claude Opus 5.5 居首
Agent Arena 把命令行评测指标换成了 Bash Reliability，前排还是 Claude Opus 5.5 和 GPT-6.1 Sol，想选模型跑智能体的可以看下榜单变化。
Agent Arena 排行榜更新：Claude Opus 5.5 居首，GLM 5.2 领跑开源模型
智能体跑分榜单更新了，Claude Opus 5.5 拿下第一，想给编程 Agent 选模型可以看下这份排名。
10月13日
Cognition 发布 FrontierCode 1.1 编程基准，Claude Opus 5.5 以 52% 居首
Cognition 的新基准看代码能不能被维护者真合并，最强模型也只有 52%，GPT-6.1 Sol 花十分之一的钱就追平 Claude，榜单数据很硬核。
Artificial Analysis 推出 FrontierCode 1.1 编程基准排行榜
Cognition 的 FrontierCode 1.1 排行榜来了，专测代码能不能被真实维护者合并。Claude Opus 5.5 拿 52% 居首，GPT-6.1 Sol 用十分之一的价格打平，开源的 MiMo-V2.6-Pro 也很能打。
10月12日
Arena 第 41 周榜单：Claude Opus 5.5 Max 首登智能体榜首
这期榜单看点是 Claude Opus 5.5 Max 直接拿下智能体榜第一，代码榜里 claude-opus-5.5-high 一口气升了 7 位。国产这边 kimi-k3-max 综合榜 16 名，想看各家模型盲测排名的可以翻翻完整表格。
IT之家原文
10月11日
小米公开 MiMo-V2.6 论文：用智能体自动搭建和评分训练任务
小米这篇论文有意思，训练循环基本让智能体自己跑，还解决了智能体钻空子刷分的问题，DeepSWE 涨到 72.6。
10月8日
Mistral Large 4 在 AutomationBench 办公自动化基准上领先
Mistral 晒了新基准成绩：Mistral Large 4 跑 657 个办公自动化任务，赢了 Kimi K3 和 DeepSeek V4 Pro，做 agent 介绍的可以看看。
10月7日
Xiaomi 修复 MiMo-V2.6-Pro 的奖励投机问题，登顶开源模型
小米开源模型曾偷偷加代码糊弄测试，他们把测试分数乘以质量清单分数才治好，方法细节值得看。
欧洲模型在 CyberGym-E2E-AA 基准以 82% 超越 MiMo-V2.6-Pro 和 GPT-6 Luna
欧洲模型在 CyberGym 网络安全基准拿了 82%，压过 MiMo-V2.6-Pro 和 GPT-6 Luna，看来欧洲还没掉队
Le Chonk 发布片成模型考题：四款旗舰模型同台比拼创意重制
把一段猫咪发布片丢给 Mistral Large 4、MiMo V2.6 Pro、Opus 5.5 和 GPT-6.1 Sol，看谁重制的 voxel 和 ASCII 版更好玩，结果全贴出来了。
10月6日
Mistral 发布 1T 参数多模态模型 Mistral Large 4，编程与安全成绩对标 GLM-5.3
Mistral 这次真支棱起来了，1T 参数只激活 49B，用 4000 块芯片就训出能跟 GLM-5.3 掰手腕的模型，欧洲总算有能打的了。
10月3日
四大模型重塑文本、代码与智能体前沿
OpenAI和Anthropic的新模型在代码竞技场竞争激烈，Gemini 4在多领域表现亮眼，开源模型MiMo和Flash也加入智能体竞技场。
10月2日
小米发布MiMo-V2.6-Pro和MiMo-V2.6-Flash模型
小米新发布的MiMo-V2.6系列在Agent Arena表现亮眼，Pro版本性能接近Claude Opus 5和GPT-5.6，且是开源模型中AI指数最高的。
MiMo-V2.6-Flash登上Agent Arena帕累托前沿
MiMo-V2.6-Flash以极低成本登上Agent Arena前沿，性价比突出。
9月28日
Artificial Analysis 推出 Cyber Index，评估 AI 模型的企业网络防御能力
网络安全方向的新基准，Grok 4.7 和 MiMo-V2.6-Pro 并列第一，但 GPT-6 Sol 在端到端任务上全部拒绝执行，这个对比挺有意思。
NaiveAI 开源 Naive-N0.5-Flash：309B MoE，原生 1M 上下文
NaiveAI 放出了 MIT 协议的 309B MoE 开源模型，激活参数只有 15.5B，还能吃下 1M 上下文，做长代码分析可以试试自己部署。
9月26日
MiMo-V2.6-Pro 上线 Fireworks 按需部署
小米的 MiMo-V2.6-Pro 开源权重模型在 Fireworks 上能直接部署了，MIT 协议随便商用，1M 上下文还带多模态。
9月25日
Xiaomi MiMo-V2.6-Pro 登顶开源模型 Artificial Analysis 智能指数
Xiaomi 新发的 MiMo-V2.6-Pro 在 AA 指数上拿到 46 分，只差 GPT-5.6 一分，成本却只要零头，权重还是 MIT 开源的。
MiMo-V2.6-Pro、Claude Opus 5.5 等四款模型刷新性价比前沿
Claude Opus 5.5 拿下 58 分登顶，但 $0.13 的 MiMo-V2.6-Pro 得分 46，性价比党可以直接看这张图选模型。
9月24日
小米公开 MiMo-V3 核心架构 HySparse2，优化长程多轮 Agent 推理效率
小米把 MiMo-V3 的注意力架构拆开讲了：KV Cache 提前生成、Prefill 少跑一半层数，跑 Agent 时长上下文检索更省更准，细节都在官方这篇说明里。
小米 MiMo 团队发布 HySparse2 注意力架构
小米 MiMo 团队搞了个新注意力架构，1M 上下文时 prefill 计算量和 KV cache 都砍到原来的几分之一，长文检索分数还涨了，做长上下文部署的可以看看论文。
9月17日
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
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