全部动态

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

50 个 GPT-6.1 Sol 智能体在 Minecraft 里被一晚危机逼出全套分工制度，对抗 Claude Opus 5.5 时还直接改游戏源码，过程很有意思。

官方账号Decoder@Maximilian Schreiner11 个信源在谈原文

把上百个智能体扔进《我的世界》打架建城，结果 GPT 蜂群 7 局赢了 Claude 6 局，官僚化那段太好笑了

The New Stack 拿 GPT-6.1 Terra 和 Claude Opus 5.5 跑了三组硬核测试，Terra 答题更准还只要八分之一的价格，数据很实在。

Blognone@mk11 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

Factory 发了 Droid 1.0，一个能换底层模型的编程智能体框架，Terminal-Bench 4 上跑 65.2%，写代码的可以看看。

官方一手marktechpost@Asif Razzaq原文

Claude Code 加了条关不掉的规则，Opus 5.5 会拒绝复刻具体游戏，但做原创和类型游戏不受影响。

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

一条顶五条：Gemini 4 Carbon 干过了 Opus 5.5，OpenAI 还要买 Google TPU，早上扫一眼就够。

爱范儿@郑廷旭11 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

Google 放出了新的 Gemini 4 Carbon，在 Artificial Analysis 的榜单上超过了 Claude Opus 5.5 和 GPT-6 Astra，这次还特别强化了网络安全能力。

官方账号theverge@Emma Roth11 个信源在谈原文

Google 放出 Gemini 4 Carbon，网络安全基准把 GPT-6 Astra 甩开 12 个点，不过现在只有安全领域的合作伙伴能用，定价倒是和 Argon 一样。

Blognone@lew11 个信源在谈原文

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

Simon Willison只用聊天界面就vibe出了四款真的好玩的游戏，他说Opus 5.5的游戏设计感超过了GPT-6 Astra，想自己做游戏的话这篇是很好的参照。

评估榜单 Artificial Analysis 更新到 v5，Claude Opus 5.5 超过 GPT-6 系列，选模型前可以看看这版新排名。

@koltregaskes@koltregaskes11 个信源在谈原文

Claude Opus 5.5 拿下 58 分登顶，GPT-6 Astra 只差 1 分，还新增了两个编程基准，选模型前可以看看这份榜单。

TestingCatalog@testingcatalog11 个信源在谈原文

Artificial Analysis 把 60% 评测改成私有题库防作弊，现在 Claude Opus 5.5 排第一，选模型前可以看看这份新榜。

kimmonismus@kimmonismus11 个信源在谈原文

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。

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

有人让 Claude Opus 5.5 把 OpenAI 三篇难啃的研究直接做成视频讲解，看视频比读论文省力多了，可以学这招。

Tanishq Abraham (论文推介)@iScienceLuvr11 个信源在谈原文

OpenAI 新出的 GPT-6.1 Terra 专攻桌面自动化和视觉任务，价格只有 Claude Opus 5.5 的九分之一，错误率也从 53.6% 降到 4.3%，做批量自动化的可以看看。

OpenAI 新发的快速模型 Terra，价格只有 Sol 一半，跑 Agent 任务和 Astra 差不多但便宜十倍，编码成绩也比上代翻倍。

The Rundown AI@therundownai11 个信源在谈原文

OpenAI 在柏林 DevDay 甩出 GPT-6.1 Terra，每个任务成本比 Claude Opus 5.5 低约 9 倍，跑得还比自家 GPT-6 Astra 快 3 倍，性价比党可以盯一下。

TestingCatalog@testingcatalog11 个信源在谈原文

有人用 Claude Opus 5.5 一口气生成了 JEM 论文的讲解视频，看完真能搞懂原理，效果挺让人意外的。

Tanishq Abraham (论文推介)@iScienceLuvr原文

Mollick 亲测同一个网站项目，Opus 4.8 还要大量返工，换成 5.5 就基本放手不管了，两版对比很直观。

Ethan Mollick@emollick原文