28849 次测试比较 9 款 coding-agent harness：同模型成绩差异巨大
有人烧了近 5 千美元推理费，测了 9 款 coding-agent harness 谁更强。结果很反直觉：最贵的不一定最好，Pi 每题只要 0.29 美元。选 harness 前先看这张榜单。
全部动态
AI 相关资讯全量信息流 · 113 条
11月7日
Artificial Analysis 发布 Endpoint Accuracy Index v1.1
这个榜单专查各家推理服务商有没有偷工减料，四分之一端点准度不达标，还点名了截断和工具调用出错的 provider，选 API 前先看一眼。
11月6日
Anyscale 与 Lila Sciences 将 GLM-5.3-Flash 上下文扩展至 1M tokens 用于基因组训练
基因组一条就是百万 token，他们把 GLM-5.3-Flash 的上下文拉到 1M，用 64 块 B200 训完，全程开源栈能抄作业。
11月5日
AA-PersonalityBench 统计：GLM-5.3 平均每条回复用 7.4 个破折号居首
Artificial Analysis 数了各模型写破折号的频率，GLM-5.3 一条回复平均 7.4 个，Claude Opus 5.5 几乎为零，看你的模型像谁就靠这个。
11月3日
Deep Principle 发布开源科学模型 Hydrogen-1.0
Deep Principle 用自家实验数据把 GLM-5.3 调成了科研特化模型，FrontierScience-Research 上超过 GPT-6-Astra，权重还开源，做科研的可以关注。
11月1日
Mac Studio 选一台 512GB 还是两台 256GB：双机 RDMA 实测对比
同价差 499 元，两台 256GB 用雷雳 5 连起来跑 GLM-5.3 快了近一倍，买 Mac Studio 跑大模型的看过来。
GLM-5.5 后训练进展顺利，发布或已临近
智谱的 GLM-5.5 据说已经在后训练了，GLM-5.3 才出了两个月出头，感兴趣的话可以先关注一波动态。
10月28日
Artificial Analysis 发布 Intelligence Index v5，新增两个基准并引入私有测试集
模型评测榜 v5 版来了，60% 改用私有题防刷榜，Claude Opus 5.5 拿了第一，开源和闭源差距拉大到 12 分，选模型前可以看看。
10月24日
OpenBMB 发布 EC²-Bench：研究边缘-云端协作执行智能体任务
OpenBMB 和清华做了个 EC²-Bench，测智能体任务到底该放端侧还是云端跑，结论是能省 85% 成本还保住七成性能，做端侧 Agent 的可以看看
10月20日
SGLang 推出低延迟模式，与 NVIDIA 和 AMD 合作开发
SGLang 出了低延迟模式，在 GB300 和 MI355X 上跑 DeepSeek-V4.1-Flash 快了 1.38 到 1.56 倍，做推理部署的可以看看。
Artificial Analysis 发布 AA-PersonalityBench：用 900 道题测模型个性和文风
Artificial Analysis 搞了个新基准，专测模型说话风格：Qwen3.8 27B 回复平均 1030 词，是 GPT-6 Luna 的近 4 倍，选模型时挺有用。
DeepSeek V4.1 Flash 1017 发布，开源模型并列第二
DeepSeek 更新了 V4.1 Flash，智能指数涨到 45 分，追平 GLM-5.3 成开源第二，幻觉还少了好多，价格没变。
MiniMax-M3.1-Flash 发布： Intelligence Index 得 42 分，单任务成本降至 $0.22
MiniMax 新的 Flash 推理模型，跑分追平 GLM-5.3-Flash，单任务成本只要两毛二美元，比上代便宜一半多，10 月 23 号还开源权重。
10月19日
网友推测 DeepSeek 新模型 DSV4.1F-1017 在 Terminal-Bench 4.0 得分 42.3
有人发现 DeepSeek 这个代号奇怪的模型在 Terminal-Bench 4.0 上拿了 42.3，还比 GLM-5.3 强，等 Artificial Analysis 复测。
阿里通义 MAI-UI 开源通用计算机使用智能体技术栈 OpenGCUA
阿里开源了一套能调度截图、shell、API 的计算机使用智能体全家桶，OSWorld-v2 上平均涨 19.6 分、步数砍半，做 agent 的可以直接拿来用。
10月17日
Epoch AI 数据显示中美模型网络安全能力差距扩大
Epoch AI 的网络安全基准显示差距从 6 分扩到 11 分，GLM-5.3 得 160，美国闭源前沿 171，数据挺扎眼。
DeepSeek 发布开源模型 DeepSeek-V4.1-Flash-1017
DeepSeek 新出的 V4.1-Flash-1017 是开源的，DeepSWE 1.1 跑分 77%，把 GPT-5.6 Sol 和 Opus 5 都比下去了，价格还便宜。
Meta 发布开源权重模型 Muse Spark Open：816B 参数，登顶美国开源权重榜首
Meta 放了个 816B 的开源权重模型 Muse Spark Open，美国开源第一，1M 上下文还能塞进两台 Mac Studio 自托管，不过跑智能体任务不如 GLM-5.3。
Epoch AI 测算：开源模型网络攻击能力仅落后闭源 6-7 个月
Epoch AI 测了个网络攻击能力榜单，Zai 的 GLM-5.3 拿 160 分，分数压过 GPT-5.4，开源只落后闭源半年多。
10月16日
Anthropic 推出三层反蒸馏防御，Claude 推理 token 窃取量下降 90%–99%
Anthropic 把反蒸馏说得很细：三层防御怎么设计、为什么思维链被偷走最伤，还直接点名智谱 GLM-5.3 和 Kimi，信息量不小。
Meta 发布开源权重模型 Muse Spark Open：816B 总参数，登顶美国开源模型
Meta 放了个 816B 的开源模型，美国开源第一，跟自家旗舰就差 1 分。token 特别省，还能塞进两台 Mac Studio 自己跑，就是做 agent 有点弱。
Meta 发布开源模型 Muse Spark Open，816B 参数可在两台 Mac Studio 上运行
Meta 这次放了个 816B 的开源模型，基于苹果 MLX 优化，两台 Mac Studio 就能跑起来，分数还能对标 K3 和 GLM-5.3，本地部署玩家可以看看。
10月15日
Paper Instruments 发布开源模型 Ultramarine 1 Flash，专为文档密集型工作设计
Paper Instruments 拿 GLM-5.3 Flash 做后训练，出了个专门写 Excel、PPT 和备忘录的开源模型，成本只有 Claude 的几十分之一，做咨询和法律文档的可以看看。
10月14日
LongHarness 让 GLM-5.3-Flash 在 OfficeQA Pro V2 上从 4.4% 提到 61.1%
同一个 GLM-5.3-Flash，换个 harness 成绩从 4.4% 飙到 61.1%，还赢了 Claude Code 和 Codex，工程同学该看看这篇。
Artificial Analysis 上线缓存命中率与按提供商 Cost per Task 数据
跑智能体任务时输入 token 大部分能吃缓存，这份实测数据帮你看出同一个 GLM-5.3 在不同家价格能差 9 倍，选 API 前先看看。
10月13日
智谱发布法律领域模型 GLM-Legal，基于 GLM-5.3-Flash
智谱出了一个法律专用模型 GLM-Legal，合同审查、证据分析、合规都能干，据说基准成绩追平了前沿模型，做法律相关工作可以去试试。
10月12日
CoreWeave Forge 推出模型蒸馏预览版
CoreWeave 出了个蒸馏功能，用大模型教小模型干单一任务，成本能省不少，现在能试用
10月11日
智谱 GLM-5.5 或将发布，GLM-5.3 仅靠后训练提升
智谱要出 GLM-5.5 了，帖子里还解释了 GLM-5.3 全靠强化学习涨分的来龙去脉，想了解各家 RL 训练策略的可以看看。
10月10日
Tinker降低长上下文训练成本
Tinker大幅降价，长上下文训练成本降低70%，让智能体RL更实用了
GLM-5.3-Flash 推理引擎已有人写出三个，作者称中推还没人动手
有意思的观察：GLM-5.3-Flash 已经有三人写了专属推理引擎，作者判断未来每个模型都会有自己的深度优化版本，做推理优化的可以关注这个方向。
10月9日
Step 5 Preview 在 Cline 中免费开放
StepFun 的 Step 5 Preview 免费进 Cline 了，DeepSWE 成绩压过 Kimi K3 和 GLM-5.3，写代码的可以直接试试。
10月8日
韩国多家银行遭网络攻击，CrowdStrike 称疑似一人借助 AI 工具完成
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。
GLM-5.3-Flash（3210 亿参数）实测可在两张 V100 上本地运行
3210 亿参数的 GLM-5.3-Flash，两张旧 V100 就能本地跑起来，省 API 钱的可以看看这套玩法。
Anthropic 发布 Claude Haiku 5.5，支持分级定价与自适应思考
Anthropic 的 Haiku 5.5 来了，智力比一年前的 Haiku 涨了 26 分，价格还只有上代的十分之一，跑 agent 任务可以重点看看。
10月7日
Anthropic开放Claude Mythos 5.1网络安全访问
Anthropic给不同信任级别的安全团队分级开放Claude Mythos 5.1，GLM-5.3已被证明能生成接近Mythos的漏洞。
10月6日
Mistral 发布 1T 参数多模态模型 Mistral Large 4，编程与安全成绩对标 GLM-5.3
Mistral 这次真支棱起来了，1T 参数只激活 49B，用 4000 块芯片就训出能跟 GLM-5.3 掰手腕的模型，欧洲总算有能打的了。
Mistral发布Large 4模型，AI指数达38分
Mistral推出Large 4，成为美中之外最智能模型，价格却比同类开源模型贵4倍。
Mistral Large 4 在 DeepSWE 基准测试中领先 GLM-5.3
Mistral Large 4 在多个专业领域基准测试中表现优异，金融和法律任务得分亮眼。
GLM-5.3 上架 Amazon Bedrock，面向企业开放
智谱的 GLM-5.3 上架 AWS 的 Bedrock 了，想在企业里用它的编程和智能体能力，现在不用自己搭部署，开个 Bedrock 就能调。
10月5日
开源模型观察清单：Qwen 4、Kimi K3.1、GLM-5.4、DeepSeek V4.2 发版传闻汇总
帮你盘了下四款国产开源模型的发版传闻：Qwen 4、Kimi K3.1、GLM-5.4、DeepSeek V4.2，想本地跑模型可以先记好时间线。
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
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