全部动态

一个 0.5M 参数的小模型在卡坦岛赢了 40 局里的 36 局，对手是 Claude Opus 5.5 和 Kimi K3，体积还小了 1000 万倍，思路很反直觉。

rohanpaul_ai@rohanpaul_ai11 个信源在谈原文

同样 100 美元，不同模型差出 60 倍任务量，选模型前看这组性价比数据能省不少钱。

官方账号Artificial Analysis@ArtificialAnlys原文

斯坦福他们测了 18 个模型当队友的水平，最强的 Gemini 4 Argon 也才 82.2 分，冲突一开会就妥协，挺扎心的。

shao__meng@shao__meng11 个信源在谈原文

有人用 Opus 5.5 加 Tripo、Three.js 这一整套工具，24小时就做完了原创游戏，流程全公开，想做独立游戏的可以照着抄。

AI Will@FinanceYF57 个信源在谈原文

月之暗面把 2.8T 参数的 Kimi K3.1 Pro 权重直接开源了，4-bit 发布省存储，编程基准分数贴近 Claude Opus 5.5，纯知识题却差 GPT-6 一截，许可证对云托管商还有限制。

rohanpaul_ai@rohanpaul_ai11 个信源在谈原文

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。

lmarena.ai@lmarena_ai11 个信源在谈原文

Agent Arena 拿 5 家实验室的旗舰模型跑了长任务对比，Claude Opus 5.5 能连续干近 2 小时，Kimi 最快但也最短，差距挺直观。

lmarena.ai@lmarena_ai11 个信源在谈原文

Fireworks AI 的 Nexus Auto 用更低成本在 1222 项任务上跑赢了 Claude Opus 5.5，编码会话成本降 53%，团队版每月每席 10 美元。

Fireworks AI@FireworksAI_HQ原文

腾讯混元的 Hy4 正式版能看图能操作电脑了，还练过 Blender 和 CAD，这两天在 WorkBuddy 里限免，可以白嫖试试跟 Kimi 的差距。

shao__meng@shao__meng11 个信源在谈原文

Menlo Ventures 这份企业 AI 报告数据很硬：部署支出涨到 1770 亿美元，Claude Code 加 Codex 吃下编程市场 70%，Kimi 拿走开源支出的 61%，花几分钟看看行业格局变化。

rohanpaul_ai@rohanpaul_ai11 个信源在谈原文

Claude Opus 5.5 控机械臂放鳄鱼，23分钟做完后还多推了22分钟，活儿白干，这个实验挺好笑也挺有启发。

官方账号Artificial Analysis@ArtificialAnlys原文

Allen AI 做了个新基准 StateBench，专门考模型能不能跟上长文本里的状态变化，结果 GPT-6 Sol 和 Claude Opus 5.5 在最难题目上准确率只有 13%，挺扎心的。

官方账号Allen AI (Ai2)@allen_ai原文

Intology 做了个叫 Locus 的系统，能自己提实验、并行跑、再迭代，分子预测上干过了 GPT-6 Astra 和 Claude 的智能体，做药物设计的朋友可以看看。

rohanpaul_ai@rohanpaul_ai11 个信源在谈原文

一条实操小分享：原效果用 Claude Opus 5.5 复现不出来，改用 HTML 拼上 GPT-image 就出了不错的效果，方法简单可以直接抄。

berryxia@berryxia原文

Mollick 拿 Opus 5.5 直接生成了一个能查全美城市最快路线和流域划分的地图站，想看 vibe coding 能到什么程度可以参考

Ethan Mollick@emollick原文

SemiAnalysis 搞了个 GDPx 基准，让智能体真去翻几千个文件干活，结果最强的 Claude Opus 5.5 也才拿 12 分，金融法律题全军覆没。

rohanpaul_ai@rohanpaul_ai11 个信源在谈原文

GDPx 这个基准挺有意思，用 206 个真实经济任务测智能体。Opus 5.5 分最高，但 Gemini 4 便宜 4 倍只低 1.1%，选型可以参考。

kimmonismus@kimmonismus8 个信源在谈原文

Karpathy 嫌 YouTube 推荐不行，让 Claude Opus 5.5 扫 4300 万条 HN 评论，两小时就上线了一个人肉精选视频站，效率太猛了。

rohanpaul_ai@rohanpaul_ai3 个信源在谈原文

有人实测 Gemini 4 Argon 跑游戏任务，成本比 Claude Opus 5.5 便宜，但 token 和耗时上有差距，选模型前可以看看

Xianbao Qian@Xianbao_QIAN原文

Simon 又发观察文了：他说 Opus 5.5 连 3D、音乐、游戏设计都能一手包办，GPT-6 Astra 暂时还差点趣味感，做游戏的可以看看。

向阳乔木@vista811 个信源在谈原文

两个大模型在机器人上写同一个 hello world，一个磨了 34 分钟用 3270 次动作，另一个 13 分钟搞定，差异很直观。

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

Google 做了个 PLE 基准，85 个真实工程活，Claude Opus 5.5 才考 50.6 分，做工程智能体的可以看看它栽在哪。

rohanpaul_ai@rohanpaul_ai原文

AI/ML API 出了个 Jev Router，能按任务难度自动挑模型，简单活走便宜模型，省不少 API 费用。

TestingCatalog@testingcatalog原文

Google 新版 Gemini 4 Carbon 文本榜登顶了，Agent 榜排第二，仅次于 Opus 5.5，想看榜单情况的可以看看。

TestingCatalog@testingcatalog11 个信源在谈原文

Google 两周内连发两代旗舰，Carbon 的漏洞发现和修补成绩直接压过 OpenAI 和 Anthropic，长上下文 96.2% 也很猛，定价还先打折，搞安全的建议盯一下。

rohanpaul_ai@rohanpaul_ai11 个信源在谈原文

Google 新模型 Gemini 4 Carbon 拿下智能指数第一，编程追近 Claude Opus 5.5，还便宜 23%，可以先看看数据再决定用不用。

官方账号Artificial Analysis@ArtificialAnlys3 个信源在谈原文

GitHub 新出的 Copilot Fusion 会自动在 Claude 和 GPT 模型里挑着用，跑分只比 Opus 5.5 低 2 分，成本却便宜一半。

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

有人拿 Claude Opus 5.5 做出了很惊艳的东西，视频里能看到实际效果，想找灵感做自己的项目可以看看。

kimmonismus@kimmonismus原文