AMD MI355X 跑分出炉：Artificial Analysis 将其纳入 AA-AgentPerf 对比 NVIDIA
AMD MI355X 和 NVIDIA B200/B300 跑智能体工作负载的对比数据来了，DeepSeek V4 Pro 上每瓦吞吐反超 B200 最多 40%，但高负载下被拉开，想选卡部署的可以看数据。
全部动态
AI 相关资讯全量信息流 · 498 条
10月15日
arXiv 论文：证伪驱动的模型无关智能体协议，输出纪律决定决策下限
用中医辨证基准证明了件事：很多模型翻车不是能力不够，是输出纪律不行。他们设计的证伪协议能把 Kimi K3 的方差从 0.218 压到 0.007，写智能体的值得看看。
10月14日
Meta 发布 Muse Wonder 系列：Text Arena 排名第二
Meta 的 Muse Wonder 在文本榜冲到第 2，只差 Gemini 4 Argon 12 分，网页开发榜也进了前 15，可以直接 API 调用试试。
LMArena 推出 Max 路由方法，跨模型组合实现性能与成本优化
LMArena 的 Max 路由器能把任务自动分给不同模型，比单独用 Fable 5 (High) 还准一点，成本砍了一半多。
10月13日
Z.ai 发布 GLM-Legal，Harvey 法律基准得分超 Claude Fable 5 和 Kimi K3
Z.ai 拿 GLM-5.3-Flash 微调出的法律模型，在 Harvey 基准上跑赢 Claude Fable 5 和 Kimi K3，做法律 AI 的可以看看。
Artificial Analysis 发布 AA-3D 基准：21 个模型盲测比拼 3D 场景搭建
AA-3D 让模型直接在沙盒里搭 three.js 3D 场景，再由千人评审盲测打分，Claude 系和 GPT-6 Astra 并列头部，开源模型落后 200 多分。
Cognition 发布 FrontierCode 1.1 编程基准，Claude Opus 5.5 以 52% 居首
Cognition 的新基准看代码能不能被维护者真合并，最强模型也只有 52%，GPT-6.1 Sol 花十分之一的钱就追平 Claude，榜单数据很硬核。
Artificial Analysis 推出 FrontierCode 1.1 编程基准排行榜
Cognition 的 FrontierCode 1.1 排行榜来了，专测代码能不能被真实维护者合并。Claude Opus 5.5 拿 52% 居首，GPT-6.1 Sol 用十分之一的价格打平，开源的 MiMo-V2.6-Pro 也很能打。
Agent Arena 数据：开源模型 12 周追平 Claude Fable 5
LMArena 给出实测数据：Kimi K3 和 DeepSeek V4.1 Flash 用不到一成的成本追平了 Claude Fable 5，做 agent 选型前可以看看这份榜单。
10月10日
SGLang 优化 NVIDIA Vera Rubin 推理性能
SGLang 优化了 NVIDIA Vera Rubin 的推理性能，还支持强化学习训练，性能提升明显。
博主实测：前端审美类任务 Claude 和 Kimi K3 表现更稳
做前端页面总被吐槽丑的可以试试，博主实测 Claude 和 Kimi K3 审美最在线，换成 Kimi K3 干这活儿可能就够用了。
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
Caddie方法训练LLM智能体顾问
Caddie让智能体能实时决定何时寻求批评建议，基于结果训练的顾问能跨模型和任务领域迁移。
Mistral Large 4 发布：1T 参数、49B 激活，开源权重月底放出
Mistral 的 Mistral Large 4 来了，1T 参数只激活 49B，权重月底开源，视频里直接和 GPT-6.1、Claude Opus 5.5 掰手腕，可以看看它到底排在哪一档。
Mistral Large 4 在 AutomationBench 办公自动化基准上领先
Mistral 晒了新基准成绩：Mistral Large 4 跑 657 个办公自动化任务，赢了 Kimi K3 和 DeepSeek V4 Pro，做 agent 介绍的可以看看。
10月7日
Kimi K3 之后两个月，国产模型仍未突破其性能上限
博主说 Kimi K3 虽训练不足，两个月了国产模型还是没人在核心能力上超过它，想了解国产模型格局的可以看看。
ServeLearnBench 发布：评测智能体能否从服务经验中自我改进
arXiv 上新出的 ServeLearnBench，用 7718 个任务测 RAG、Mem0 这些框架能不能让智能体边服务边学习，结论是多数还不太行。
Agent基准测试需评估评分者而非仅任务
Zapier的AutomationBench基准测试被多家前沿实验室引用，但评分者存在严重缺陷，修复后评分差异达27.9%。
Shaped 审计 Zapier AutomationBench，修复 206 个验证器漏洞
Shaped 给 Zapier 的 AutomationBench 做了一次验证器审计，用智能体找茬找出 206 个真实漏洞，近三成 Kimi K3 成绩因此改变，做评测的都该看看。
Shaped 审计 Zapier AutomationBench：600 个任务中发现 206 个验证器 bug
Shaped 把 Zapier 的 AutomationBench 全查了一遍，206 个验证器有 bug，修完后 Kimi K3 近三成评分都变了，做评测的都该看看。
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。
Moonshot AI 以 500 亿美元估值完成新一轮融资，计划 2027 年初 IPO
Kimi 母公司 Moonshot AI 估值冲到 500 亿美元，打算 2027 年去港股上市，年营收已经摸到 10 亿美元了。
月之暗面完成上市前最后一轮融资，估值约 500 亿美元，计划明年一季度赴港 IPO
Kimi 背后的月之暗面估值半年多从 315 亿涨到 500 亿美元，ARR 三个月翻倍，准备明年去香港上市，监管调查这块也值得留意。
Together AI 推出免费 CLI Together Link，在 Claude Code 里跑 Kimi K3、GLM 5.3 等开源模型
Together AI 出了个免费命令行工具 Together Link，你在 Claude Code、Codex 里就能直接用 Kimi K3 和 GLM 5.3，还自动帮你选模型，号称能省一半以上的钱。
Reflection AI 开源 Beam：501B 参数 MoE，号称最强西方开源模型
Reflection AI 开源了 Beam，501B 参数 MoE，作者称推理算力只要 GLM-5.2 的三分之一，Apache 2.0 可商用，不过注意这数字只是估算。
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。
10月4日
Ling 3.1 Flash 接入 Cline，10月13日前免费使用
写代码的朋友可以试试，560B 的 MoE 模型 Ling 3.1 Flash 进 Cline 了，10月13日前免费用，性能对标 Kimi K3 和 DeepSeek V4 Pro。
10月1日
LangChain引擎在Kimi K3微调后提升代码审查精度
LangChain用自家Kimi K3微调的引擎，代码审查精度提升近20%，工具调用减少29%。
计算机使用代理速度测试结果
Astra和Kimi K3同分不同速，4.4倍差距值得开发者关注
Fulcrum 使用 Fireworks API 训练 Echo 模型
Fulcrum 用 Fireworks API 和 Kimi K3 训练 Echo，成本仅 4500 美元，还分享了角色训练技巧。
OpenAI支持企业直接使用GLM和Kimi模型
OpenAI开放平台支持直接使用GLM和Kimi，企业可统一管理支出
Fireworks推出Ember-1模型，推理效率接近Kimi K3
Fireworks新出的Ember-1模型，比Kimi K3更省token，成本更低，速度更快。
9月30日
Kimi K3接入OpenAI企业结算体系
中国大模型Kimi K3首次进入OpenAI企业采购体系，企业用户能用相同预算获得更多AI能力。
大模型深度诅咒破解方法对比
Kimi、DeepSeek和字节跳动各自提出不同方法解决深度诅咒，DepthBench将对比效果。
大模型深度与性能关系研究
Kimi、DeepSeek和字节跳动各自提出不同方法解决深度诅咒，看看哪种方案更有效。
Self-Evolving Defense：LLM智能体安全框架
SED框架让LLM智能体无需重训练就能持续防御新型攻击，在DeepSeek、GLM和Kimi模型上都表现出色。
GLM-5.3在控制流劫持测试中取得突破
GLM-5.3首次在控制流劫持测试中取得突破，与Claude Mythos Preview差距缩小。
Arena平台展示前沿模型重建古罗马进展
Arena平台展示了多个前沿模型重建古罗马的能力，Claude和GPT的最新版本即将公布分数。
9月29日
Together在OpenRouter开源编码模型中占据首位
Together在开源编码模型领域领先，GLM、DeepSeek和Kimi三款模型占据OpenRouter平台大部分份额。
JevRouter实现多模型协同编程
JevRouter自动匹配最优模型，用99%的Opus 5.5和GPT-6 Astra性能实现40%成本节省。