全部 AI 动态 · AITOP

模型中美对照多源确认05:25

LifeSciBench基准发布，GPT-Rosalind超越GPT-5.5

OpenAI搞了个新基准LifeSciBench，专门测生物科学推理，GPT-Rosalind比GPT-5.5还强，值得看看。

#LifeSciBench #GPT-Rosalind #GPT-5.5 #OpenAI

事件专题

官方账号OpenAI@OpenAI11 个信源在谈原文

模型 Agent 与开发者多源确认精选76°08:16

NVIDIA GEAR 发布 ENPIRE：AI 编程 agent 自主操控真实机器人做实验

NVIDIA 和 CMU 搞了个能自己跑实验的机器人系统，AI agent 操控真实机器人干活，成功率99%，还开源了。

#ENPIRE #NVIDIA GEAR #机器人操控 #智能体

事件专题

宝玉@dotey11 个信源在谈原文

模型中美对照多源确认04:01

GLM 5.2 在 FrontierSWE 基准排名第三，超越 GPT-5.5

GLM 5.2 在编码基准上干掉了 GPT-5.5，开源里最强，值得关注。

#GLM 5.2 #FrontierSWE #GPT-5.5 #开源模型

事件专题

elvis@omarsar011 个信源在谈原文

模型中美对照多源确认73°03:37

Z AI发布开源模型GLM-5.2，百万token上下文窗口

Z AI的GLM-5.2开源，百万token上下文，数学和编程全面超过GPT-5.5，值得试玩。

#GLM-5.2 #Z AI #Opus 4.8 #GPT-5.5

事件专题

The Rundown AI@therundownai7 个信源在谈原文

行业多源确认88°03:36

美国强制Anthropic关闭Fable 5和Mythos 5模型

美国政府让Anthropic关了两个模型，理由含糊，还禁止外国人访问。有人猜是因为Anthropic之前没接五角大楼的军事合同。

#Anthropic #Fable 5 #Mythos 5 #GPT-5.5

事件专题

@koltregaskes@koltregaskes11 个信源在谈原文

模型精选12:08

Cua与Snorkel AI发布Cua-Bench：评测Agent在KiCad上的Computer Use能力

想看看AI Agent在专业软件上到底行不行？Cua-Bench用KiCad的25道真实任务给模型打分，最强的也只过了6道，从零建电路全挂。看完你就知道瓶颈在哪了。

#Cua-Bench #KiCad #GPT-5.5 #Claude Sonnet 4.5

shao__meng@shao__meng原文

模型中美对照多源确认10:07

Claude Fable 5 在 Epoch Capabilities Index 上以 161 分超越 GPT-5.5 Pro

Claude Fable 5 刚在 Epoch 能力指数上以 161 分微弱领先 GPT-5.5 Pro，这是 Anthropic 一年多来首次登顶，你可以看看它具体强在哪。

#Claude Fable 5 #GPT-5.5 Pro #Anthropic #Epoch Capabilities Index

事件专题

Gary Marcus@GaryMarcus11 个信源在谈原文

技巧 Agent 与开发者多源确认13:34

多模型协作编码：Claude Fable 5 + GPT-5.5 Codex

双模型协作，治编码通病

#Claude Fable 5 #GPT-5.5 Codex #编程助手 #提示词工程

事件专题

Geek@geekbb11 个信源在谈原文

技巧 Agent 与开发者多源确认精选11:11

用GPT-5.5 High做计划，Composer和DeepSeek执行，省钱又高效的工作流

省钱开发新功能的实际方法

#GPT-5.5 High #Composer 2.5 #DeepSeek v4 pro #review-forge

事件专题

Viking@vikingmute4 个信源在谈原文

模型 Agent 与开发者多源确认精选04:51

Claude Design 高精度可交互原型背后是模型能力差距，GPT-5.5 还扛不住

拆解 Claude Design 为何比 Codex 强

#Claude Design #Claude Opus 4.8 #GPT-5.5 #Codex

事件专题

宝玉@dotey11 个信源在谈原文

技巧 Agent 与开发者多源确认精选04:21

如何有效运行自主长期编码智能体：Opus 4.8 + GPT-5.5 实践

Opus 4.8 规划 + GPT-5.5 执行，长期智能体实战配方

#Opus 4.8 #GPT-5.5 #Deepseek #Qwen

事件专题

elvis@omarsar06 个信源在谈原文

模型中美对照22:57

开源模型GLM-5.2进入Agent Arena，挑战GPT-5.5和Claude-Opus-4.7

看看GLM-5.2在Agent Arena能排第几

#GLM-5.2 #Zai_org #Agent Arena #GPT-5.5

事件专题

lmarena.ai@lmarena_ai2 个信源在谈原文

技巧 Agent 与开发者多源确认精选13:09

如何有效运行自主长时编码智能体：Opus 4.8规划+GPT-5.5执行

Opus 4.8+GPT-5.5分工跑长任务

#Opus 4.8 #GPT-5.5 #Deepseek #Qwen

事件专题

elvis@omarsar08 个信源在谈原文

模型中美对照精选72°13:08

FrontierMath v2 上线：GPT-5.5 和 Google AI 领跑

数学基准更新，GPT-5.5和Google AI成绩亮眼

#FrontierMath #GPT-5.5 #Google #Epoch AI

官方账号Epoch AI@EpochAIResearch原文

技巧 Agent 与开发者多源确认13:02

Opus 4.8和GPT-5.5组合使用技巧

Opus 4.8规划+GPT-5.5执行

#Opus 4.8 #GPT-5.5 #工作流 #提示词工程

事件专题

elvis@omarsar07 个信源在谈原文

行业多源确认83°12:59

Claude Fable 5 因美国政府指令从 Arena 下架，此前排名第一

最强模型被下架，原因值得关注

#Claude Fable 5 #Anthropic #Arena #AI安全

事件专题

lmarena.ai@lmarena_ai11 个信源在谈原文

行业政策与合规多源确认精选11:04

Claude Fable 5 因美国指令暂停，作者称不如 Opus 4.8 和 GPT-5.5

Fable 5 被停，看看大家选谁

#Claude #Fable 5 #Opus 4.8 #GPT-5.5

事件专题

elvis@omarsar011 个信源在谈原文

行业多源确认10:21

Cognition 移除 Claude Fable 5 模型访问权限

模型被禁，Devin 换方案

#Claude Fable 5 #Cognition #Devin #Anthropic

事件专题

Cognition@cognition_labs11 个信源在谈原文

模型中美对照多源确认09:46

MiniMax M3 开源模型加入 Agent Arena 评测

看看 MiniMax M3 在 Agent 任务中能排第几

#MiniMax M3 #Agent Arena #GPT-5.5 #Claude-Opus-4.7

事件专题

lmarena.ai@lmarena_ai11 个信源在谈原文

产品 Agent 与开发者多源确认73°15:09

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。

#编程智能体 #基准测试 #Claude Fable 5 #GPT-5.5

事件专题

官方账号Artificial Analysis@ArtificialAnlys11 个信源在谈原文

模型中美对照多源确认88°12:49

Claude Fable 5 发布，AI 智能指数登顶领先 GPT-5.5

Claude Fable 5 在多项智能和代理基准上碾压竞品，做 AI 应用开发或模型选型的团队值得关注——它可能是目前最强的通用推理和工具调用模型。

#Claude Fable 5 #Anthropic #推理模型 #智能体

事件专题

官方账号Artificial Analysis@ArtificialAnlys11 个信源在谈原文

模型中美对照多源确认73°12:39

GPT-5.5 在评测中登顶，效率也最优

GPT-5.5 在评测中不仅性能第一，还兼顾了 token 和成本效率，做模型选型的团队可以直接参考这个结果来优化预算。

#GPT-5.5 #OpenAI #模型评测 #效率

事件专题

官方账号Noam Brown (OpenAI 推理)@polynoamial11 个信源在谈原文

技巧 Agent 与开发者精选12:32

模型编程能力强弱体现在代码直觉，最难训练

这个案例戳中了AI编程的深层痛点——代码直觉比参数更重要，做复杂逻辑开发的团队看完会重新评估模型选择。

#编程助手 #代码直觉 #模型能力 #bug修复

karminski-牙医 (AI工具)@karminski3原文

产品 Agent 与开发者多源确认06:06

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。

#Opus 4.8 #GPT-5.5 #Cursor AI #编程助手

事件专题

elvis@omarsar011 个信源在谈原文

模型中美对照多源确认精选73°04:05

GPT-5.5 (xHigh) 在 Agent Arena 排名第二，仅次于 Claude Fable 5

做智能体开发和 AI 评测的团队值得关注——GPT-5.5 在用户满意度和故障恢复上反超 Claude，说明 OpenAI 在实用场景上有了实质提升，建议直接去 Agent Arena 跑跑自己的任务。

#GPT-5.5 #Agent Arena #智能体评测 #Claude Fable 5

事件专题

lmarena.ai@lmarena_ai11 个信源在谈原文

产品 Agent 与开发者多源确认03:37

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。

#Datasette #API 工具 #Fable 5 #GPT-5.5

事件专题

官方账号Simon Willison@simonw11 个信源在谈原文

模型精选15:11

Mitchell Hashimoto 实测 Fable：慢且贵，但特定任务表现惊人

Mitchell Hashimoto 的实测揭示了 Fable 模型的真实表现：它并非全能，但在特定优化任务上能带来数量级提升。做高性能计算或深度优化的开发者，可以看看他如何用 Fable 将微秒级操作压到纳秒级，以及是否值得为此付出时间和成本。

#Fable #模型评测 #代码优化 #性能对比

AI Will@FinanceYF5原文

产品多源确认精选15:10

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。

#Fable 5 #GPT-5.5 #代码优化 #性能评测

事件专题

AI Will@FinanceYF511 个信源在谈原文

模型中美对照多源确认88°09:01

Claude Fable 5 登顶 Code Arena 前端榜首，大幅领先 Opus-4.8

前端开发者可以直接用 Fable 5 提升 HTML/React 项目效率，智能体任务执行能力也远超竞品，做复杂自动化流程的团队值得关注。

#Claude Fable 5 #前端开发 #智能体 #代码生成

事件专题

lmarena.ai@lmarena_ai11 个信源在谈原文

模型中美对照多源确认83°05:37

Claude Fable 5 登顶 Agent Arena 排行榜

做 AI 智能体开发的团队终于有了真实任务驱动的评测基准——Fable 5 在 30 万任务中碾压对手，值得关注其强执行与弱引导的权衡。

#Claude Fable 5 #Agent Arena #智能体评测 #Anthropic

事件专题

lmarena.ai@lmarena_ai11 个信源在谈原文

模型中美对照多源确认05:35

Claude Fable 5 在任务成功率与好评率上大幅领先 Opus-4.8 和 GPT-5.5

做 AI 应用选型或关注模型能力排名的开发者，这个评测结果值得一看——Claude Fable 5 在任务成功率上碾压对手，意味着实际落地效果可能更好。

#Claude Fable 5 #Anthropic #模型评测 #任务成功率

事件专题

lmarena.ai@lmarena_ai11 个信源在谈原文

产品 Agent 与开发者多源确认17:46

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。

#Codex #GPT-5.5 #自动化 #应用场景

事件专题

AI Will@FinanceYF53 个信源在谈原文

模型中美对照83°14:51

Claude 发现隐蔽 bug 并实现 17 倍性能提升，开发者称这是个人 AGI 时刻

这个案例展示了 AI 不仅能优化代码，还能发现人类开发者自己都没意识到的 bug，做高性能计算或编译器优化的开发者看完会重新评估 AI 的能力边界。

#Claude #Fable #HVM5 #性能优化

AI Will@FinanceYF5原文

模型中美对照多源确认12:58

Fable 5/Opus 4.8/GPT-5.5 同Prompt生成NYC天际线对比

四个主流模型同Prompt出图对比，做AI绘画或模型评测的可以直接看结果，省去自己跑实验的时间。

#Fable 5 #Opus 4.8 #GPT-5.5 #图像生成

事件专题

AI Will@FinanceYF511 个信源在谈原文

模型中美对照多源确认精选10:50

Anthropic Fable 5 在 ParseBench 文档理解测试中领先

做文档解析、信息提取或 RAG 应用的团队，这个测试直接告诉你哪个模型更靠谱——Fable 5 在忠实原文和保留格式上明显领先，值得在项目中优先试一下。

#Anthropic #Fable 5 #文档理解 #ParseBench

事件专题

LlamaIndex@llama_index11 个信源在谈原文

模型中美对照06:23

Claude Fable/Mythos 5 在 Vending-Bench 测试中表现不及 Opus 4.7 和 GPT-5.5

Claude 新模型在真实场景测试中翻车，做 AI 应用开发和模型评估的团队值得关注——对齐性倒退和道德边界问题可能影响实际部署效果。

#Claude #Fable/Mythos 5 #Vending-Bench #对齐性

Gary Marcus@GaryMarcus原文

产品多源确认83°03:37

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。

#智能体 #Agent Arena #Claude Fable 5 #排行榜

事件专题

lmarena.ai@lmarena_ai11 个信源在谈原文

产品中美对照多源确认72°20:32

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。

#基准测试 #代码质量 #Claude Opus 4.8 #GPT-5.5

事件专题

rohanpaul_ai@rohanpaul_ai4 个信源在谈原文

模型 Agent 与开发者多源确认精选76°10:03

Cognition 推出 FrontierCode：将 Coding 评估标准从可用提升到可合并，Claude Opus 4.8 领先

FrontierCode 把 AI 编程评估从“能跑就行”升级到“能合并”，做代码质量评估或 AI 编程工具的团队可以直接参考这套标准，看看自己的模型在真实维护者眼中能拿几分。

#Cognition #FrontierCode #代码评估 #可合并性

事件专题

shao__meng@shao__meng4 个信源在谈原文

产品多源确认22:13

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。

#Hermes Studio #Hermes Desktop #NAS #内网穿透

事件专题

Geek@geekbb3 个信源在谈原文