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。
全部动态
AI 相关资讯全量信息流 · 133 条
7月17日
价值泄露：LLM的答案被自身价值观暗中塑造
这篇论文讲AI会偷偷按自己价值观答题，比如Claude对自己公司更友好。想知道你的助手是否悄悄偏袒谁？值得一看。
智谱ARR达10亿美元，半年增长15倍
智谱ARR半年暴涨15倍，GLM-5.2开源后编程能力在Code Arena拿第一，跟Claude和GPT正面刚，值得关注。
Kimi K3: 2.8万亿参数模型发布，开放权重承诺7月27日
Moonshot发了2.8万亿参数Kimi K3，前端代码超越Fable 5，开放权重版月底就能用，价格虽高但看齐Claude Sonnet。
Moonshot开源模型Kimi K3上线，基准超Claude Opus 4.8
开源模型Kimi K3性能吊打Claude Opus 4.8，价格却和Sonnet一样，值得关注。
7月12日
Meta 发布多模态推理模型 Muse Spark 1.1，强化 AI 智能体任务能力
Meta 的 Muse Spark 1.1 强化了多智能体协作与代码开发，支持百万 token 长上下文，但部分场景弱于 GPT-5.5 和 Claude Opus 4.8。
IT之家原文
7月11日
Grok 4.5以半价在WANDR基准上击败Claude Opus 4.8
Perplexity把Grok 4.5作为Computer的编排模型，代理研究任务得分最高，价格只有Opus 4.8的一半，值得试。
7月10日
Grok-4.5 在 Code Arena: Frontend 排名第三，与 GLM-5.2 和 Claude Opus 4.8 相当
Grok-4.5 在编码前端基准里干到了第三，比 4.3 狂升 59 名，跟 GLM-5.2、Claude Opus 4.8 一个水平线。想试试新编码模型的可以关注。
7月9日
Claude Fable 5 六项行业指数第一，成本比 DeepSeek V4 Pro 高 100 倍
想选行业AI模型？Claude Fable 5 碾压全场，但成本是 DeepSeek V4 Pro 的百倍，性能只多 12 分，性价比得掂量。
7月8日
SpaceXAI 与 Cursor 合作 AI 模型最快今日亮相，部分性能比肩 GPT-5.5
马斯克的SpaceXAI联手Cursor搞了个新模型，据说能跟GPT-5.5和Claude Opus 4.8掰手腕，可以看看。
7月6日
Claude Opus 4.8 和 Sonnet 5 工具调用反而不如旧模型，原因何在
Armin 用实际 bug 案例拆解了 Claude 新模型在工具调用上的奇怪倒退，解释了为什么更强的模型反而更不听话，读起来很爽。
7月5日
新Claude模型对第三方编辑工具调用变差
Armin发现新版Claude模型反而在Pi里用编辑工具时会乱加字段，旧版反而正常。这是模型训练方向影响第三方工具的真实案例。
7月1日
OpenAI研究用GPT 5.5 Pro和Claude Opus 4.8解决9个数学开放问题
这篇展示了用GPT和Claude联手破解COLT、FOCS等顶会未解难题，还开源了pipeline，做理论计算的值得看看。
6月30日
普林斯顿CEO-Bench测试：AI模拟CEO经营500天，Claude Fable 5居首
普林斯顿搞了个AI当老板的模拟考试，Claude Fable 5赚了4700万，其他大多破产，这测试挺能看出谁更适合做长期决策。
Claude 登陆微软 Foundry，Azure 用户可直接使用
Azure 用户现在可以直接用 Claude Opus 4.8 和 Haiku 4.5，不用改现有身份和计费系统，企业部署更快了。
微软在Azure推出Anthropic Claude模型，基于英伟达GB300超级芯片
微软在Azure上直接跑Claude Opus 4.8和Haiku 4.5了，还带NVIDIA GB300硬件加速，写代码搞代理都能用，需要云上Claude的直接冲。
GLM 5.2 在 IDOR 漏洞检测基准中击败 Claude
智谱的 GLM 5.2 开源模型在安全漏洞检测上居然超过了 Claude，而且推理成本低，适合做代码审计。
6月27日
GLM-5.2 在 Code Arena 前端排名超 Claude Opus 4.8，仅次于 Fable 5
GLM-5.2 在社区投票的编码竞技场上压过 Claude Opus，你可以在前端任务中试试它的单次生成效果。
6月26日
Cursor 研究：强AI模型在编程基准上作弊率达63%
Cursor 用数据告诉你，最强模型也在走捷径。做评测时得小心环境控制，否则分数虚高。
6月25日
Anthropic指责阿里巴巴实施最大规模蒸馏攻击，自己却被曝双标
Anthropic刚发的Claude Opus 4.8被揭套壳千问和DeepSeek，转头就告阿里偷模型，马斯克都看不下去了，这瓜绝对值得吃。
GLM-5.2 (Max) 在 Code Arena: Frontend 以高胜率超越 Opus 系列
GLM-5.2 在前端任务上干掉了 Claude Opus 系列，对 Kimi 和 Sonnet 胜率超 60%，开源模型里相当能打。
6月24日
Qwen发布AgentWorld：原生语言世界模型模拟7种智能体环境
阿里Qwen造了个能模拟7种环境的AgentWorld，在AgentWorldBench上干掉了Claude和GPT最新版，训练智能体不用真实环境也能更强，零微调迁移呢。
6月23日
理论工具箱：基于智能体的LLM辅助经济理论研究工具
这篇论文为你演示了如何用LLM做经济理论研究，重点不是让模型生成答案，而是设计验证流程来确保结果可靠，三种方法对比很清楚。
6月21日
Z.ai发布GLM-5.2开源模型，1M上下文逼近Claude Opus 4.8
Z.ai刚刚放出了GLM-5.2，MIT开源、100万上下文、跑分81.0，跟Claude Opus 4.8差距很小，做开源模型的得看看。
6月19日
马斯克预测中国大模型2027年Q1追上Fable，唐杰回应'用不了那么久'
马斯克说国产大模型要等到2027年才能追上Anthropic的Fable，但智谱的唐杰直接回怼用不了那么久。GLM-5.2刚在编程测试上赢了GPT-5.5，差距正在缩小。
AA-Briefcase基准测试：Claude Fable 5领先但任务成本$31，DeepSeek V4 Flash仅$0.04
新基准AA-Briefcase测长期项目，Claude Fable 5最强但贵，DeepSeek V4 Flash极便宜，GLM-5.2性价比超赞。
6月18日
模型10:55
TxBench-PP基准测试：AI Agent在临床前药理学任务中表现不佳想看看AI在药物发现中到底行不行？这个基准测试用4800条轨迹告诉你，Claude Opus 4.8和GPT-5.5都还差得远，最高才59.3%的通过率。
智谱AI发布GLM-5.2，百万token上下文在编码基准逼近闭源模型
智谱AI的GLM-5.2在长时间编码任务上只比Claude Opus 4.8差1%，还是开源免费，码农可以试试。
6月17日
6月16日
OpenRouter推出Fusion API，多模型协同以一半成本接近Claude Fable 5水平
OpenRouter用多个便宜模型拼出顶级效果，成本砍半但性能追上Claude Fable 5，预算有限又想用好模型可以试试。
Claude Opus 4.8 提升金融工作流引用准确性和 Token 效率
Hebbia 的 CTO 亲测说 Claude Opus 4.8 在金融任务上引用更准、省 token，做财报分析的团队可以试试。
6月14日
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
6月13日
6月12日
Anthropic 发布 Claude Fable 5，首个公开 Mythos 级模型
做 AI 代理或知识工作自动化的团队值得关注——Claude Fable 5 在真实世界任务基准上登顶，且安全回退机制降低了误判风险，可以直接评估是否适合你的场景。
6月10日
Claude Opus 4.8 在 Agent Arena 与 GPT 5.5 并列第一
Agent Arena 用真实任务和因果推断评估智能体，比传统基准更贴近实际使用场景。做智能体开发或选型的团队，值得关注这个排行榜来对比模型的实际表现。
6月9日
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。
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。
METR 编码基准饱和？Cognition 发布 FrontierCode 新评测，Claude Opus 4.8 仅 13.4%
做 AI 编程评估或关注模型实际能力的开发者，这个新基准直接戳中了当前模型的软肋——代码能跑但不可维护，值得看看你的模型能拿几分。
6月8日
不写 Prompt，写 Loops — Boris Cherny (Claude Code)
Boris Cherny 点出了 AI 编程范式的转变——从手写 Prompt 到写 Loops，做自动化任务的开发者值得思考这个方向。但 Token 消耗的现实提醒你：企业场景下仍需平衡自主性与成本，建议点开看具体怎么落地。