全部动态
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。
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。
LMArena 给出实测数据：Kimi K3 和 DeepSeek V4.1 Flash 用不到一成的成本追平了 Claude Fable 5，做 agent 选型前可以看看这份榜单。
有人实测 80 美元在 DeepSeek V4.1 Flash 上跑了 3 万多次请求，比 Command Code 还多，写代码跑量的可以看看这笔账。
有人用 Codex 加 Deepseek-V4.1-Flash，让模型只写 JSON 就能自动生成会动的架构图，还能导出 GIF 和 MP4，画时序图、Sankey 图都行，做技术分享很实用。
LangChain 把 Open SWE 改成按任务自动挑最便宜够用的模型，成本直接砍掉 64%，还能看看 DeepSeek v4.1 flash 当编排器的实际体验。
博主对比了 Haiku 5.5 和 DeepSeek-V4.1 flash、GLM 5.3 flash 的价格和 Terminal Bench 4.0 分数，顺便吐槽了评论区骂战，看看各方实际差距。
一个人用 ARTEX 加上 DeepSeek、GLM、Grok 和 Claude Code 就能打穿韩国多家银行，CrowdStrike 的报告把工具链讲得很细。
有人把 Haiku 5.5 和 DeepSeek、智谱的 flash 模型做了价格和 Terminal Bench 跑分对比，选便宜模型前可以看看这张对比表。
37FlowAI 拆解了 DeepSeek-V4.1-Flash 在 vLLM 上跑 agent 的优化细节，SWA bounded replay 能明显降低 TTFT，搞部署的可以看看。
Agent Arena 跑了 4700 多场真实会话测 Jev Router，结论挺直接：比 DeepSeek V4.1 Flash 贵 38%，但根据反馈换模型的能力接近 Claude Opus 5.5。
LMArena测了Jev Router的实际延迟：中位数6.18秒，比DeepSeek V4.1 Flash的3.64秒慢了一截，P90差距更明显。
有人实测了 Jev Router，5 个常用模型里 4 个上了 Pareto 前沿，但直连 DeepSeek V4.1 Flash 反而更便宜更快，选路由前可以先看看这组数据。
vLLM 花三周把 DeepSeek-V4.1-Flash 跑快了 1.9 倍，AgentX 上吞吐 5.3 倍，还附交互图表拆解过程，做部署的可以看看。
DeepSeek 的 V4.1 Flash 跑分出来了，ARC-AGI-2 拿下 72.9%，比上一代高了 11.5 分，不过每任务成本贵了两倍多，看你怎么权衡。
Mistral放出Mistral Large 4，1T参数只激活49B，跑分被DeepSeek V4.1 Flash压了一头，10月就开源，可以先试试API。
Reflection AI 开源了 Beam，501B 参数 MoE，作者称推理算力只要 GLM-5.2 的三分之一，Apache 2.0 可商用，不过注意这数字只是估算。
Fireworks 现在能直接微调 DeepSeek V4.1 Flash 了，想做编程智能体或工具调用的可以看看，托管训练省不少事。
一条关于 DeepSeek V4.1 的训练观察：没做 dense warmup 也能训练顺利，作者解释了为什么这种设计值得 scale up。
DeepSeek V4.1 Flash 的论文在 HF 榜单只有 191 赞，发帖人直接开怼，评论区吵起来了，看看大家怎么说。
GeneralityLabs公布Exploit Bench测试结果，V4.1 Flash性能下降，Claude Code超越Codex。
