模型变强后什么会崩？十场演讲盘点
十场演讲全是坑：人会盲信骗人AI，GPT-5.5 假重构，litellm 被黑三小时才暴露。别太信AI。
全部动态
AI 相关资讯全量信息流 · 252 条
8月9日
8月8日
Agent Arena：Opus 5 token消耗升至21k，GPT-5.6-Sol效率反升
看Opus 5和GPT-5.6-Sol在同一基准上的表现，一个越强越费token，一个越强越省，挺有意思的对比。
8月7日
OpenAI发布GPT-5.6更新：默认升级Luna，错误率降68%
GPT-5.6来了：免费用户默认Luna，事实错误率比5.5降68%，还有思考滑块和Think按钮，写代码可以拉高深度。
GPT-5.6 Sol 上线，付费用户所有聊天统一体验
OpenAI 把新模型 GPT-5.6 Sol 用到所有付费聊天里，医学法律等场景错误率比上代 Instant 低了 68%，靠谱很多。
Fireworks AI和Arize AI研讨会：对比GPT-5.5、Kimi K3等10模型成本
马上有一场AI模型成本对比直播，看GPT-5.5和Kimi K3等10个模型谁完成任务更省钱，还能直接提问。
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4日
OpenAI 复盘：6 个月构建 GPT-Live 实时语音系统
OpenAI 自己拆解了 GPT-Live 怎么做到 1 秒内全双工对话，还开源了 WARP 协议，想搞实时语音的可以看这套架构。
8月1日
7月31日
OpenAI下调GPT-5.6系列价格，Luna输入降80%
GPT-5.6 Luna输入价格砍了八成，比GPT-5.5还强，代码和网络安全分数都涨了，性价比碾压Gemini。
7月28日
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。
7月24日
Arize AI 与 Fireworks AI 测试 10 模型，Kimi K3 接近 GPT-5.5
别只盯着 token 价格了，Arize 和 Fireworks 测了 10 个模型的 2400 次 agent 运行，发现按任务难度的路由能省钱又提高成功率。Kimi K3 还追平了 GPT-5.5。
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
Harness Handbook：静态分析辅助智能体自改进的论文
这篇论文给那些维护大型生产级智能体框架的人一个精准的定位方法，把分散的运行时行为映射到源码，实测提升成功率、降低token消耗，值得细看。
7月21日
Andreessen 在 Rogan 访谈中称 AGI 已到来，并分享 17 条 AI 见解
Andreessen 在 Rogan 播客里聊了3小时，17条干货，包括AGI已到来、用AI看病、年赚5000万的AI程序员等，观点很猛但记得自己验证。
Sakana发布Fugu-Cyber编排模型，安全基准达SOTA
Sakana的Fugu-Cyber在安全基准上追平了GPT-5.5和Mythos，值得关注编排模型的新进展。
7月18日
Arena 引入事实性排名：结合人类偏好与事实性评估模型
Arena 现在能看模型在事实准确性上的表现，Claude 和 GPT-5.5 排名变化挺有意思，想挑更靠谱的模型可以看看。
7月17日
AI协助解决统计学开放问题：GPT-5.6证明BH过程无法控制FDR
AI真的在推动数学进步了：GPT-5.6只用90分钟就找到了统计学里一个经典开放问题的反例，而5.5版本折腾20小时都没搞定。这篇报告值得所有关心AI科研能力的人看。
Kimi K3 内部跑分三战全胜，超 Opus 4.8 和 GPT-5.5
Kimi 新模型 K3 跑分赢了 Opus 4.8 和 GPT-5.5，2.8 万亿参数还带百万上下文，解码快到飞起，技术细节值得细看。
Kimi K3 Max在内部知识工作基准上超越Claude Opus和GPT-5.5
Kimi K3 Max在三个内部知识工作基准上全面超过Claude Opus和GPT-5.5，适合关注智能体工作流的人看看。
GPT-5.6 Sol Pro几乎饱和prinzbench基准
GPT-5.6 Sol Pro把prinzbench刷到91分，比前代高出一截，连从未解出的题都快能答了，基准加速饱和太明显。
7月16日
GPT-5.6 Sol Pro解决统计学重要开放问题：BH程序在相关数据下无法控制FDR
AI帮你揭开了统计学25年的难题：GPT-5.6 Sol Pro用90分钟证明BH方法在相关数据下会失效，比人类20小时还准。
Grok 4.5 在 FrontierSWE 基准排名第二，研究能力第一
Grok 4.5 在代码基准上超越 GPT-5.5 和 Opus 4.8，研究能力还拿了第一，值得关注。
Arena 引入事实性排名：基于人类偏好与事实性加权的新模型排行榜
以后看模型排名不只凭喜好，还能按事实准确性排序。GPT-5.5 狂飙 13 名，Claude 也被挤到第二，快去 Arena 开开关看看。
Search Arena 事实性排行榜更新：GPT-5.5-search 登顶
看谁家搜索模型最靠谱？GPT-5.5-search 刚拿了事实性第一，GPT-5.2-search 飙升到第三，Claude 和 Gemini 反而掉了。
7月14日
GPT-5.5百万token上下文准确率仅36%，工程师称为“上下文腐烂”
别被百万token的噱头骗了！这位工程师用GPT-5.5的数据告诉你，上下文越长准确率反而暴跌，真正的解法是持续学习和真实环境训练。
GPT-5.5百万token上下文检索准确率从80%降至36%：context rot问题
别被百万token的宣传忽悠了，GPT-5.5实际测试256k时准确率80%，拉到100万直接掉到36%。这不只是容量问题，是模型推理跟不上了。
Agent Arena 排行榜更新：GPT-5.6 Sol 升至第2名
OpenAI 的 GPT-5.6 Sol 在 Agent Arena 上冲到第2，离 Claude Fable 5 更近了。看看具体指标差异，特别是用户满意度的信号。
GPT-5.6 Sol在Agent Arena排名第二，净提升1.6%缩小与Claude Fable差距
OpenAI的GPT-5.6 Sol在Agent Arena上冲到第二，比前代进步明显，和Claude Fable 5差距缩小了，想看看真实任务中模型表现的话值得关注。
7月13日
GPT-5.6 Sol登顶Design Arena，超越Claude Fable 5
OpenAI新模型GPT-5.6 Sol在网页设计评测中拿了第一，比上一代强很多，还比Claude Fable 5更快。想看看AI设计的新天花板吗？
7月12日
GPT-5.6医疗评估：医生挑出的错误比医生写的回答还少
OpenAI发了GPT-5.6，医生写回答都写不过它，成本还更低，医疗AI又进步了一大截
7月11日
GPT-5.6 在指令遵循上超越 GPT-5.5，物理直觉仍落后
想知道 GPT-5.6 哪里比 5.5 强、哪里反而弱？这篇实测用四个具体动画场景拆给你看，不吹不黑。
Muse Spark 1.1在Agentic评测中可抗衡GPT-5.5和Opus 4.8
Muse Spark 1.1在Agentic任务上声称能追上GPT-5.5，还能直接用Meta API调用，挺有吸引力。
GPT-5.6发布：健康智能升级，Luna版本性能提升成本降25倍
OpenAI的GPT-5.6健康智能版来了，Luna比上一代强还便宜25倍，这波升级很实在。
GPT-5.6 Luna 性能超 GPT-5.5，成本降低 25 倍
OpenAI 新出的 GPT-5.6 Luna 性能比 GPT-5.5 强，还便宜 25 倍，搞健康智能的可以看看。
OpenAI GPT-5.6-sol登顶Code Arena前端榜，与Claude Fable 5并列第一
OpenAI发了GPT-5.6-sol，代码能力直接冲到第一，还比Claude便宜一半，搞前端开发的可以试试。
7月10日
GPT-5.6 Sol 实战测评：比5.5更强，部分场景不及fable 5
GPT-5.6 Sol 实战比5.5强，能挖更多bug，不过fable 5在某些场景还压它一头。
GPT-5.6 文档理解基准测试：与上一代无显著变化
OpenAI 新 GPT-5.6 文档理解跑分出炉，Sol 没提升但 Luna 便宜六倍，值得看具体差距。
OpenAI 发布 GPT-5.6 模型 Sol、Terra、Luna 及新 Agent 功能
OpenAI 一口气发了三个 GPT-5.6 模型，编程更强的 Sol 比 Fable 便宜，还出了个能跨应用干活的 agent 和桌面应用，开发者快去体验。
GPT-5.6 推出三个模型层级：Sol、Terra、Luna
OpenAI 给 GPT-5.6 分了三个档，Sol 专攻复杂编程和智能体任务，Terra 比上一代更强更便宜，Luna 跑得快还省一半钱。
