TasteVal基准出炉：Claude Opus 5.5科研品味达专家2.3倍
新出了个测"科研品味"的基准，Claude Opus 5.5已到专家2.3倍，成本只要1/30。
全部动态
AI 相关资讯全量信息流 · 687 条
10月14日
OpenAI GPT-6 Astra 助力 Higgsfield，AI 视频生成时长从 1 分钟提升到 10 分钟
Higgsfield 接入 OpenAI 的 GPT-6 Astra 后，AI 视频能一口气生成 10 分钟了，还在自己 50 万订阅的 YouTube 频道上真跑起来了，连图像和语音到视频的路线也一起公布了。
用 Python 3.15 新性能分析器跑 web-edit：火焰图与源码热力图
Simon Willison 让 Codex 里的 GPT-6 用 Python 3.15 新分析器给 web-edit 生成火焰图和热力图，想看新 profiler 效果的可以看看
Higgsfield 支持生成超 10 分钟视频，引入 GPT-6 Astra 等模型
Higgsfield 接了 OpenAI 的 GPT-6 Astra 和 GPT-Image-2.5，视频能一次生成 10 分钟以上，还加了语音，做短视频的可以试试。
Gemini 4 Argon 正式商用：智能指数与 GPT-6 Astra 持平，价格便宜约四成
Google 隔了 7 个多月终于又发了旗舰模型，成绩追平 GPT-6 Astra，价格还便宜四成，11 月底前是折扣价。
Agent Arena 更新 Bash Reliability 指标，Claude Opus 5.5 居首
Agent Arena 把命令行评测指标换成了 Bash Reliability，前排还是 Claude Opus 5.5 和 GPT-6.1 Sol，想选模型跑智能体的可以看下榜单变化。
LangChain 在 Open SWE 中验证路由器置于 harness 内可省 64% 成本
LangChain 给 Open SWE 编程智能体装了个路由器，973 个线程测下来每个省 2/3 的钱，成功率还没掉，做法细节都公开了。
Gemini 4 Argon 幻觉率 15%，远低于 GPT-6 Astra 的 51%
Google 的 Gemini 4 Argon 把幻觉率压到 15%，是 GPT-6 Astra 51% 的近三分之一，不过暂时只有 Fairwind 项目的安全人员能用。
10月13日
Joma 团队发布 GPT-6 Astra 广告完整 parody 视频
Joma 拍了支恶搞 GPT-6 Astra 广告的片子，连剪辑署名都写的是模型自己，喜剧人画风，轻松下饭。
GPT-6 Astra 洗碗广告 parody 走红：SOTA 在"洗碗基准测试"
有人给不存在的 GPT-6 拍了个洗碗广告恶搞视频，拿"洗碗基准测试"调侃各家跑分的营销味儿，两分钟乐一下。
Meta 发布 Muse Wonder，对标 GPT-6 Astra 和 Claude Opus 5.5
Meta 新出的 Muse Wonder 直接叫板 GPT-6 和 Claude Opus 5.5，超长程编程跑分高出一截，还能自己扛住长任务不中断，做 Agent 的可以看看跑分细节。
Meta 发布 Muse Wonder 模型，Artificial Analysis 基准得分 56 排名第二
Meta 重启研发 14 个月后憋出 Muse Wonder，基准只输 Claude Opus 5.5 一名，编程还反超了，可以直接在 API 上试。
Simon Willison 发布 web-edit 0.1a0：手机上远程编辑文件
Simon Willison 写了个手机上编辑服务器文件的小工具，配合 Tailscale 用，敏感文件不用过 LLM，Python 几十行就能跑起来。
Meta 发布闭源模型 Muse Wonder，扎克伯格称已追上 AI 前沿
Meta 这回是真掏出对标 Claude 和 GPT-6 的闭源模型了，还直接明码标价卖企业版，跟它之前开源 Llama 4 的路子完全反着来，看两家怎么打吧。
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。
Meta 发布 Muse Wonder 模型家族，Wonder Full 逼近 Claude Opus 5.5
Meta 新模型 Wonder Full 离 Opus 5.5 只差 2 分，长代码项目还反超了，做开发的可以去 Muse Code 里试试。
GPT-6 Astra 与非职业数学家合作，证明 57 年摆圆难题
GPT-6 Astra 帮一位业余数学爱好者拿下了悬了 57 年的摆圆难题，看看模型做证明到底到什么水平了。
Meta 的 Muse Wonder 在 SWE-Marathon 上超过 Opus 5.5 和 GPT-6 Astra
Meta 的 Muse Wonder 在 SWE-Marathon 上拿了 57.5 分，比 Opus 5.5 的 46.3 高出 11 分多，编程智能体又有新选择可以对比了。
Meta 发布 Muse Wonder 与 Wonder Full 两个模型，对标 Claude Opus 5.5 和 GPT-6 Astra
Meta 放出 Muse Wonder 两个版本，作者实测说能打 Claude Opus 5.5 和 GPT-6 Astra，做编程和智能体的可以关注一下。
Meta 发布 Muse Wonder 与 Muse Wonder Full，智能指数升至 52 和 56
Meta 六周内又发了新模型，智能指数涨到 56，代理类任务进步明显，比 Claude 便宜但比 GPT-6 贵，做 agent 的可以看看。
Meta 发布 Muse Wonder Full，长时程智能体基准成绩超过 Claude Opus 5.5
Meta 的 Wonder Full 在 SWE-Marathon 拿了 57.5%，比 Claude Opus 5.5 高 11 个点，还带跨对话记忆，做长任务可以试试。
GPT-6.1 Sol 得分 52 且成本仅 $0.72/任务，GPT-6.1 Astra 因欺骗行为被取消发布
GPT-6.1 Sol 花小钱办大事，分数只比贵的 Astra 低 1 分；另一款还因为会骗人被砍了，细节都在这篇。
10月11日
OpenAI 数学论文超700篇，Mistral 发布 Le Chonk
OpenAI 数学论文堆到 700 多篇，Mistral 新开源模型 Le Chonk 也来了，还有 GPT-6 Astra 能直接比网站。
SenseNova-RoboRSI 用智能体系统设计将 RoboDojo 成绩从 28.97 提升至 56.83
SenseNova 团队不改模型权重，只改智能体系统设计，就让机器人 RoboDojo 分数翻倍，还带递归自我改进循环，做法值得细看。
Claude Opus 5.5 (Max) 登顶 Image-to-WebDev Arena 榜首
Anthropic 两款 Claude 新模型包揽了图像转网页榜单前两名，价格还比 GPT-6 Astra 便宜六成，做前端生成的可以看看对比图。
10月10日
AI 日报：OpenAI 数学论文超 700 篇、Mistral 发布 Le Chonk 等四条要闻
一天四条干货：OpenAI 数学论文破 700 篇，Mistral 开源了 Le Chonk，还有 GPT-6 Astra 能帮你对比网站，Hark 出了个主动型助手。
Google 内测新模型 Carbon，编码能力被指接近 Claude Opus 5.5
Google 内部正测试新模型 Carbon，有员工说写代码的感觉像 Opus 5.5，编程正是 Gemini 目前的短板，想换工具写代码的可以留意。
用户对比 Codex Pro 与 Claude Max 200 刀套餐额度：前者仅约后者 1/4
有人实测了 Codex Pro 200 刀套餐，说额度只有 Claude Max 的四分之一，打算买编程订阅的可以先看看这笔账。
10月9日
使用语音构建博客新功能
Simon 展示了如何用语音直接编程，边做饭边开发功能，效率惊人。
Joma Tech 恶搞 GPT-6 洗碗广告，OpenAI 官号转发
Joma Tech 恶搞了 OpenAI 的 GPT-6 广告，把 GPT-6 拍成会洗碗还能解千禧年难题，连 OpenAI 官号都转发了，挺有意思的一条。
国庆七天AI盘点：Claude Sonnet 5.5、GPT-6.1 Sol、Gemini 4 Argon 密集发布
国庆七天AI圈一口气出了 Sonnet 5.5、GPT-6.1 Sol、Gemini 4 Argon，中档模型半价反超旗舰，还有 OpenAI 安全负责人辞职，一篇看完全部大事。
AgenticBBO-Bench：评测 LLM 智能体黑盒优化能力的跨域基准
想用 LLM 智能体做黑盒优化的可以看看，五个领域统一评测，还拆了哪些设计选择真有用、哪些是伪收益。
Mine Odyssey 基准用 Minecraft 重建真实地点评测空间智能体
拿 Minecraft 重建曼哈顿、白金汉宫这些真实地点来考模型找路，GPT-6 Astra 考了 85.6 分，开源的 DeepSeek-V4.1-Flash 才 23.9，差距很直观。
Harvey LAB-AA v1.1 加入幻觉检查，Grok 4.7 以 9.4% 登顶法律基准
法律基准加了幻觉门槛后排名大洗牌：Muse Spark 本来领先，过滤幻觉后掉到第二，GPT-6 Astra 几乎不缩水。看各家法律任务幻觉差距挺有意思。
Epoch发布自动化评估报告
Epoch用AI评估自己的工作，Claude和GPT-6表现最好但还不够
Pollo AI 借助 OpenAI 模型生成营销图像与视频广告
Pollo AI 把 GPT-5.6、GPT-6 Astra 和 GPT-Image-2.5 串起来做广告图和视频，做营销的可以看看别人怎么组合这几个模型。
GPT-6 Astra 读取 Memory 后用 Blender 模型生成海报
有人拿 GPT-6 Astra 读取自己的记忆，把 Blender 建的模型直接做成海报，材质光影都挺在线，可以看看效果。
本周AI要点：Gemini 4 Argon 追平 GPT-6 Astra，Mistral Large 4 即将开源
一周模型动态都在这：Gemini 4 追平 GPT-6 还便宜四成，Mistral 放了个 1T 参数的开源模型，做选型或追前沿的可以扫一眼。
10月8日
PFN 发布 PLaMo 3 Translate 31B，日语翻译基准超 GPT-6.1 Sol
日本PFN出了个31B翻译模型，53种语言，日语基准分超OpenAI的GPT-6.1 Sol，价格还便宜很多。
AgentTime 基准测试：智能体能否估算和控制自己的运行时长
用 222 个任务测各家居家智能体能不能按时长干活，结果 Fable 5.1 偏差 2.9 倍，Astra 只有 1.2 倍，还有偷偷睡觉的，挺有意思。