Scaffold 选择影响 GAIA 准确率高达 28 个百分点：模型能力评估需谨慎
做 AI 模型评测或选型的人必须看——这篇研究用严格对照实验证明，你看到的模型能力分数可能更多反映的是 scaffold 设计而非模型本身，建议重新审视自己的评估流程。
全部动态
AI 相关资讯全量信息流 · 68 条
6月9日
6月7日
产品01:13
Agent Arena 上线 Agent Mode：用前沿 AI 智能体完成真实工作Agent Mode 让 AI 智能体从聊天走向真实工作，做自动化、开发或研究的团队可以直接上手测试前沿模型的实际表现，还能影响排行榜排名，值得一试。
6月6日
产品03:21
Mistral 3.5 加入 Arena Agent Mode，可执行复杂真实任务Arena 的 Agent Mode 让开发者能直接对比主流模型在真实复杂任务上的表现，做智能体应用选型的团队值得亲自上手测试，结果会直接影响排行榜。
6月5日
Arena 推出 Agent Mode，支持 GPT-5.5/Claude Opus 4.7 等模型
Arena 的 Agent Mode 让开发者可以直接对比前沿模型在真实任务中的表现，做 AI 评测或选型的团队值得一试。
选2-3个最聪明模型就够了，时间比Token贵
这条建议直击AI用户选模型的痛点——不是越多越好，而是选对2-3个最聪明的。经常用AI做复杂任务的开发者或创作者，看完会重新思考自己的模型组合，省下时间比省Token更划算。
Agent Mode 上线：AI 智能体能力在 Arena 中可评测
Arena 的 Agent Mode 解决了 AI 评测脱离实际任务的问题，做智能体应用或选型的开发者可以直接上手对比 GPT-5.5 和 Claude Opus 4.7 的真实表现，值得一试。
6月4日
MiniMax M3 开源模型上线 SiliconFlow：1M 上下文、原生多模态、编码超 GPT-5.5
M3 把编码、长上下文和多模态三合一开源了，做 AI 应用开发的团队可以直接在 SiliconFlow 上低成本试用，编码能力还超过了 GPT-5.5，值得上手体验。
5月30日
GitHub Copilot 中 Gemini 3.5 Flash Token 消耗按 14 倍计算
GitHub Copilot 用户注意了——不同模型 Token 消耗倍数差异巨大，选错模型可能多花十几倍费用，做 AI 编程的团队建议收藏对比表。
5月29日
Claude Opus 4.8 通过 200+ 前端测试，与 Gemini 3.1 Pro 等模型对比
前端开发者可以直观看到 Claude Opus 4.8 在复杂 UI 和游戏生成上的实际表现，对比多个主流模型后能更精准选型，值得点开线程看具体案例。
Anthropic 发布 Claude Opus 4.8，超越 GPT-5.5 和 Gemini 3.1 Pro
Claude Opus 4.8 在编码错误检测和并行任务处理上大幅进化，做大型代码库迁移或复杂自动化的开发者可以直接体验动态工作流带来的效率提升。
5月27日
DeepSWE 基准发布：113 个任务覆盖 5 种语言，Claude Opus 超 Claude Code 10 个百分点
做 SWE 智能体评估或开发 AI 编程助手的团队，这个新基准更贴近真实开发场景，值得关注其设计思路和模型表现差异。
5月21日
AI Studio 选 Gemini 3.1 Pro 后 Chat 模式也显示 Model/Agent 分类
AI Studio 悄悄改了 Chat 模式下的模型切换逻辑，做多模型对比或 Agent 调用的开发者可以少点一次按钮，值得试试。
5月20日
ZenMux 免费体验 Gemini 3.5 Flash，77 秒生成递归树动画
AI 开发者可以零成本体验 Google 最新旗舰模型，77 秒生成动画网页展示了其极速推理和 Agent 能力，做创意编程或 Agent 应用的建议立即试用。
ZenMux 免费体验 Gemini 3.5 Flash，77 秒生成递归树动画
Google I/O 刚发布就能免费白嫖，做 Agent 或动画生成的开发者可以立刻上手测试，77 秒出完整 HTML 动画的效率值得一试。
Gemini 3.5 Flash 在多项自动化测试中超越 3.1 Pro
做自动化测试和智能体开发的团队终于有了又快又便宜的选择——Gemini 3.5 Flash 在多个硬核基准上超越旗舰 Pro，输出速度还快 4 倍，建议直接上手试。
Google Gemini 3.5 Flash 发布，性能超 3.1 Pro，API 限免 24 小时
Gemini 3.5 Flash 以更小体量超越 Pro 级模型，做智能体或高吞吐应用的开发者值得立即体验，尤其是 API 限免窗口仅 24 小时。
Google 发布 Gemini 3.5 Flash，全面超越 3.1 Pro
Gemini 3.5 Flash 在评测中碾压自家 3.1 Pro，还更快更便宜，做智能体和编程的开发者值得关注——Google 终于拿出了能打的模型。
Gemini 3.5 Flash 发布：性能媲美顶级模型，价格仅一小部分
Gemini 3.5 Flash 以极低价格提供了接近顶级模型的性能，做智能体开发或大规模代码分析的团队可以大幅降低推理成本，值得立即关注。
Gemini 3.5 Flash 上线 OpenRouter，编码与智能体能力超 3.1 Pro
做编码和智能体开发的团队终于有了更便宜且更强的选择——Gemini 3.5 Flash 在关键任务上超越 Pro 系列，价格却只有 Flash 档位，值得立刻在 OpenRouter 上试试。
Gemini 3.5 Flash 正式 GA，面向智能体与编程任务
做智能体开发和编程的团队终于有了更快的 Flash 模型——速度提升 4 倍且支持长上下文，建议在 AI Studio 里直接试试 medium 思考级别。
5月19日
Deep Research Agent 评测基准：管理咨询任务中 Claude、o3、Gemini 表现均不佳
管理咨询团队和依赖AI做深度分析的开发者会震惊——三个最先进的DRA在专家级任务中通过率不到22%，且各有致命短板。想避免被AI的自信输出误导，建议仔细看这篇评测的失败模式分析。
5月17日
产品01:06
GPT-4o + Gemini 3.1 Pro 生成交互式科学应用，UI 与星球纹理全 AI 完成AI 从设计到代码全包了，做科学可视化或教育应用的开发者可以直接抄作业，省掉 UI 和纹理设计的时间。
产品01:05
用GPT Images 2 Code和Gemini 3.1 Pro制作交互式科学应用这个案例展示了AI工具链如何让科学可视化应用从想法到原型只需一天，适合教育工作者、科普创作者和独立开发者尝试，能大幅降低交互式内容制作门槛。
5月16日
physics-intern：多智能体协作攻克理论物理难题，刷新CritPt基准SOTA
理论物理研究者终于有了一个能真正帮上忙的AI工具——physics-intern通过多智能体协作将难题拆解，效果远超单一模型。做科研自动化的团队值得关注这个框架的设计思路。
5月15日
OpenDeepThink：通过Bradley-Terry聚合实现并行推理扩展
OpenDeepThink 用 Bradley-Terry 聚合解决了并行推理的候选选择难题，做推理扩展的开发者可以直接复现，效果显著且无需调参。
5月14日
全模态大模型存在“表征-行动鸿沟”：感知正确但拒绝失败
这项研究戳破了全模态模型“感知接地”的泡沫——模型明明“看到”了矛盾却选择不说，做多模态推理或安全对齐的团队值得关注，尤其是音频模态的短板需要优先补上。
5月11日
产品22:18
GPT image 2 + Gemini 3.1 pro 生成3D生物结构页该案例展示了GPT image 2与Gemini 3.1 pro在3D生物结构生成上的协同能力，为AI教育提供了低成本、高视觉质量的实践路径，值得关注。