Cartesia Managed Agents 语音智能体测评获 Elo 1115 分
Cartesia 新的全托管语音智能体平台在 Artificial Analysis 的竞技场拿到 1115 Elo，比自家老产品高 98 分，任务成功率 91.7%，做语音 Agent 的可以看看架构。
全部动态
AI 相关资讯全量信息流 · 79 条
10月28日
10月23日
微软推出 AI 诊断系统 MAI-DxO，NEJM 复杂病例准确率达 83%
微软搞了个多智能体会诊系统，NEJM 疑难病例准确率 83%，医生对照组才 36%，成本还只要医生一半，论文发在《科学》上了。
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
9月16日
OpenAI GPT-5.5 将于 10 月 14 日下线：覆盖 ChatGPT 与 Codex，官方建议迁移至新模型
OpenAI 要下线 GPT-5.5 了，用 ChatGPT 和 Codex 的用户得赶紧换到新模型，比如 GPT-5.6 Sol 或 GPT-6 Astra。
ChatGPT 将在 10 月 14 日停止 GPT-5.5 服务
ChatGPT 要停 GPT-5.5 了，用 Codex 的得赶紧换 GPT-5.6 Sol 或 GPT-6 Astra。
9月2日
LangChain与Fireworks合作优化AI推理成本
LangChain和Fireworks合作，用微调Qwen模型替代GPT-5.5等昂贵模型，评估智能体轨迹成本降低100倍。
9月1日
FactoryAI 推出 Droid Shield 代码秘密检测工具
FactoryAI 用微调 Qwen 模型打造了比 GPT-5.5 更强、更快的代码秘密检测工具 Droid Shield。
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10日
OpenAI取消ChatGPT免费版纯文本对话次数限制
OpenAI取消免费版聊天次数限制，换用Luna模型，还加了Think按钮，日常用更自由。
8月9日
文档解析评测：Gemini 3 Flash最强，但前沿模型视觉能力原地踏步
Jerry Liu说别急着用前沿模型做文档OCR，LlamaParse在表格图表上准确率涨了15%，还能自己搭ParseBench跑评测。
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6日
LlamaIndex：前沿模型并未让文档OCR商品化
LlamaIndex用数据反驳“OCR只是功能”，说LlamaParse比GPT等前沿模型更准更便宜，做文档解析的可以看看。
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
8月1日
smevals：一个轻量级评估套件，用于测试模型、提示词和测试框架
Simon Willison做了smevals评估工具，YAML写测试，一条命令可跑GPT-5.5和Claude Opus 4.6对比，生成报告。想搭评估套件可试试。
7月24日
ChatGPT免费用户将获得更差的健康建议，付费用户用更强模型
OpenAI在健康咨询上新功能，但免费版用弱模型GPT-5.5 Instant，付费版才用GPT-5.6 Sol，效果差不少。
7月10日
Notion引入GPT-5.6系列三个新模型：Sol、Terra、Luna
Notion把GPT-5.6的三个变体加了进来——Sol能跑超长任务，Terra省一半钱，Luna飞飞快，搞智能体更顺手了。
7月9日
ChatGPT 推出 GPT-Live 全双工语音，复杂问题由 GPT-5.5 处理
OpenAI 让 ChatGPT 能同时听和说了，复杂问题自动转给 GPT-5.5 处理，对话更自然。付费用户现在就能体验。
7月8日
GPT-5.5 构建的 GitHub 代码嵌入 Web 组件
Simon Willison 用 GPT-5.5 写了这个 Web 组件，能自动从 GitHub 链接抓取指定行的代码显示在网页上，带行号，做文档或博客嵌入代码很方便。
7月6日
sqlite-utils 4.0rc3 发布：支持复合外键与不区分大小写列名
Simon 发布了 sqlite-utils 4.0rc3，主要加了复合外键支持，还修了一堆 issue。用上 Claude 和 GPT 帮忙，少踩不少坑。
7月3日
llm-coding-agent 0.1a0 发布：基于 LLM 的编码代理
Simon 用他的 LLM 库搞了个编码代理，能读写文件、跑命令，还支持 TDD 开发流程，很实用。
6月30日
NVIDIA BioNeMo Agent Toolkit 将生物分子模型转为AI代理可调用技能
NVIDIA 开源了这个工具，让 AI 代理能直接调用分子模型做药物发现。用上它任务完成率翻倍还省 Token，做生物计算的同学可以试试。
6月25日
GPT-5.5 Instant更新：更风趣，理解意图更准
OpenAI把GPT-5.5 Instant升级了，聊天更带劲，能猜准你心里想啥，推荐东西也更靠谱，免费党明天就能体验。
6月24日
OpenAI API 半年内发布30+模型与工具升级
搞API开发的朋友，OpenAI 这半年偷偷发了这么多新模型和Agent工具，GPT-5.5和实时翻译很实用，赶紧看看你漏了哪个。
6月23日
OpenAI 发布 Daybreak 漏洞修补工具与 GPT-5.5-Cyber 模型
OpenAI 的 Daybreak 现在不仅能找漏洞，还能自动打补丁了，连 Linux 内核和 FreeBSD 都支持，安全团队可以试试 GPT-5.5-Cyber。
OpenAI 扩展 Daybreak，推出 Codex 安全插件和 GPT-5.5-Cyber 模型
OpenAI 搞了个 Daybreak 扩展，直接在 Codex 里修漏洞，还有专门的安全模型 GPT-5.5-Cyber，想帮安全团队快速打补丁。
OpenAI Daybreak工具集：用Codex Security和GPT-5.5-Cyber保护组织安全
OpenAI出了Daybreak工具，用Codex Security自动找漏洞，GPT-5.5-Cyber帮你验证修复，搞安全的可以看看。
6月22日
Cloudflare 推出临时账户，AI agent 可免注册部署 Workers
Cloudflare 这招挺实用：免注册部署 Workers，60 分钟内自动回收，很适合临时测试或 AI agent 调工具。
6月21日
Codex GPT-5.5 token消耗突增10-20倍，Plus额度快速耗尽
Codex的GPT-5.5最近token消耗飞快，Plus额度几下就用完，Pro用户也受影响，快看看你的账户。
6月18日
产品14:43
Apodex：面向深度研究的自进化重载求解器Apodex能派150个Agent跑15000步帮你深挖问题，自主校验结果，在Benchmark上超了GPT-5.5和Claude-Opus。
6月16日
datasette-agent 0.3a0 新增 execute_write_sql 工具，需用户批准写数据库
Simon Willison 发布的 datasette-agent 新版本让你可以安全地用自然语言操作数据库，写操作需要你点头，还能用 --unsafe 一键自动批准，适合快速原型。
6月12日
Artificial Analysis 更新编程智能体排行：DeepSWE 取代 SWE-Bench Pro，Claude Fable 5 登顶
基准测试更新直接影响了主流编程智能体的排名，做 AI 编程工具选型或评估模型能力的开发者值得关注——Claude Fable 5 新登顶，Codex 也大幅提升，建议点开看具体得分和对比。
开发者分享：Opus 4.8 规划 + GPT-5.5 执行，小步骤提升质量
这条推文点出了 AI 编程中常被忽视的「步骤拆分」策略，做复杂代码生成的开发者看完会重新评估自己的工作流，值得一试。
Simon Willison 用 Fable 5 和 GPT-5.5 演示 Datasette JSON extras API
Datasette 用户终于有了直观的 API 探索工具，Fable 5 和 GPT-5.5 的协作让理解 JSON extras 变得简单，做数据 API 开发的人可以直接试试这个工具。
6月11日
Hashicorp创始人实测Fable 5：聚焦任务表现惊人，日常开发不值
做性能优化或高精度代码重构的开发者值得关注——Fable 5在聚焦任务上能突破人类极限，但日常开发用GPT更划算，看完能帮你选对工具。
6月10日
Codex 不再只用于编程：GPT-5.5 运营农场、开发 iOS 等 10 个场景
对于想探索 AI 落地场景的创业者、设计师和农场主，这 10 个案例直接展示了 GPT-5.5 如何解决真实业务问题，建议收藏并尝试复现。
Nextdoor 工程师用 Codex 突破开发限制
做全栈或跨平台开发的团队，如果被难复现的 bug 和平台适配折磨，可以看看 Nextdoor 怎么用 Codex 提效——直接复用他们的思路，能省下大量调试时间。
Claude Fable 5 进入 Agent 模式，Agent Arena 排行榜揭晓
想对比主流模型在真实任务中的智能体能力？Agent Arena 用 30 万+任务和 200 万+工具调用给出了量化排名，做 AI 应用选型的团队可以直接参考排行榜做决策。
6月9日
FrontierCode 基准测试：Claude Opus 4.8 仅 13.4%，AI 代码离可合并还很远
FrontierCode 把 AI 编程评测从「能跑就行」升级到「能合并才算数」，做代码质量评估或 AI 编程工具的团队值得关注——它暴露了当前模型在真实代码审查中的致命短板。
6月8日
NAS 部署 Hermes Studio + 多模型分工工作流分享
这套 NAS + 多模型分工方案解决了本地调用 AI 的灵活性和效率问题，适合自己搭 AI 工作流的玩家参考，可以直接抄作业试试。
让 Claude Opus 长时自主运行的 5 条核心实战建议
Boris Cherny 的 5 条建议直击长时自主运行的痛点，做自动化任务编排的开发者可以直接套用到 Codex 或 GPT-5.5 上，尤其是端到端自我验证这条能帮你省下大量无效 token 消耗，值得收藏实践。
6月7日
产品01:13
Agent Arena 上线 Agent Mode：用前沿 AI 智能体完成真实工作Agent Mode 让 AI 智能体从聊天走向真实工作，做自动化、开发或研究的团队可以直接上手测试前沿模型的实际表现，还能影响排行榜排名，值得一试。
6月6日
产品03:21
Mistral 3.5 加入 Arena Agent Mode，可执行复杂真实任务Arena 的 Agent Mode 让开发者能直接对比主流模型在真实复杂任务上的表现，做智能体应用选型的团队值得亲自上手测试，结果会直接影响排行榜。
6月5日
Agent Arena 上线：AI 智能体能力被量化排名，GPT-5.5 居首
做 AI 智能体开发或选型的团队终于有了可量化的评估标准——Agent Arena 用真实用户任务和因果推断排出了模型的实际能力，值得参考排行榜来选模型或优化自己的智能体。