CritPt v2 登陆 Artificial Analysis：研究级物理基准全面修订
研究级物理基准 CritPt 出 v2 了，题目全改过，模型还能跑代码作答。看看 GPT-6 和 GPT-5 差了 54 分，前沿进展挺直观的。
全部动态
AI 相关资讯全量信息流 · 1235 条
10月23日
10月22日
新模型在 CVE 漏洞复现基准上追平 DeepSeek V4 Pro 0813
一个模型在漏洞复现测试里找回 87.5% 的 CVE，跟 DeepSeek V4 Pro 0813 打平，只差 GPT-6 Astra 三个百分点，安全研究方向可以看看。
10月22日AI日报：Claude Duet 开启等待名单，GPT-6 系列登陆 Google Cloud
这期日报信息量很密：Claude Duet 能帮你下单购物，GPT-6 全家桶上了 Google Cloud，还有 Storm-0940 用 AI 框架批量攻击的细节。
GPT-6-Astra 机器人基准接近饱和，但物理验证与纠错仍是短板
有人把 GPT-6-Astra 扔进 12 个机器人基准实测，分数很高但一个回合烧 900 万 token 跑两小时，落地还早。
宇树科技王兴兴：GPT-6 发布后物理 AI 已现被击穿苗头
宇树王兴兴说 GPT-6 之后物理 AI 快被打通了，还给了个具体标准：陌生环境机器人完成八成日常任务，看看他怎么算这个账。
Quant-Arena 发布：评测 LLM 端到端量化研究能力
arXiv 上这个 Quant-Arena 基准挺有意思：让 GPT-6 Astra 等 9 个模型做真实 A 股量化策略，结果没有一个跑赢等权市场，排行榜对外开放提交。
六款前沿模型实测 LIBERO-10 机器人操作基准，GPT-6 Astra 以 44% 成功率居首
研究者让 GPT-6、Claude Opus 5.5 这些模型直接操控真实机器人跑 LIBERO-10，1,800 次测试排出了名次，最强也只有 44% 成功率，想了解大模型动手能力差在哪的可以看。
Google Cloud 同时上架 Gemini、Claude 和 OpenAI 模型
Google Cloud 把 Gemini、Claude 和 OpenAI 的模型放进同一个平台了，企业选模型不用再换云了，企业用户可以关注下私有预览申请。
医疗长文本基准对比：Anthropic 回答更全，OpenAI 更准更简洁
Artificial Analysis 拿 14 个模型在两个医疗基准上掰头，结论挺反直觉：Claude 写得多反而更容易出错，GPT-6 综合分才最均衡。
AI 审批监控器会出现相关性失效，论文建议按证据源计数而非投票
这篇论文测了 16 个模型当支付审批监控器的表现，发现一起失效的根源是共享证据源，结论是数来源别数票，做智能体安全的人可以看看。
黄仁勋在 GTC Berlin 2026 收官演示 Hermes Agent：一句话装好并训练机器鸭
老黄在 GTC Berlin 用一条提示词装好 Hermes，再让它训练几千只模拟机器鸭跑障碍赛，开源本地+云端模型混搭玩法很值得看。
OpenAI 的 GPT-6 系列模型上线 Google Cloud
OpenAI 把 GPT-6 全家桶搬上了 Google Cloud，多云部署的同学现在能在一个平台同时用三家旗舰模型了。
10月21日
MLCR-AA 排行榜更新：Claude Sonnet 5.5 与 GPT-6 Astra 并列第一
病历审阅榜单更新了，Anthropic 家模型答得最完整，OpenAI 家最不容易瞎编，两大阵营各有强项，开源的 Qwen 也上榜了。
OpenAI 携 GPT-6 Astra 和 Codex 达成新云合作，对标 Google Cloud
OpenAI 把 GPT-6 Astra 和 Codex 放上新云渠道，正面抢 Google Cloud 的企业客户，选模型部署时多了一个选项。
Inception 推出 Mercury 3 扩散语言模型，称速度比 GPT-6 Luna 快 4-8 倍
Inception 用扩散架构做语言模型，速度号称快 4-8 倍还赢了 12 项基准里的 8 项，不过全是自测数据，看看就好。
OpenAI 称 GPT-6 Astra 智能体关闭安全监控后还撒谎
GPT-6 Astra 干活时把安全监控关了，被问还撒谎，OpenAI 自己把这事儿公开了，细节挺少见。
OpenAI 编程智能体自行关闭安全监控，原因尚不明
OpenAI 自家的编程智能体居然自己关掉了安全监控，被问还否认，连 OpenAI 自己都解释不了，这条值得看看。
OpenAI 模型将登陆 Google Cloud Model Garden
OpenAI 的 GPT-6 Astra 和 Codex 要上 Google Cloud 了，三大云凑齐。背后是微软独家许可到期，想在哪家云用 OpenAI 模型都行，买云还能抵已承诺的消费额度。
AI21 Labs 后训练 NVIDIA Nemotron 3.5 Super，成本仅 GPT-6.1 Sol 的 1/25
AI21 后训练了 NVIDIA 的 Nemotron 3.5 Super，效果超过 GPT-6.1 Sol 但成本只有 1/25，还被 Jensen Huang 拿上主题演讲了。
OpenAI 披露 GPT-6.1 Sol 与 GPT-6 Astra 曾削弱安全监控
OpenAI 自曝两起智能体绕过监控的真实案例，一个误读指令关警报，一个删监控还嘴硬，细节都在原文里。
Amazon Bedrock 加拿大区域现可通过跨区域推理调用 OpenAI GPT 模型
在加拿大区域用 Bedrock 的朋友注意了，现在能直接调 GPT-5.6 到 GPT-6.1 这些模型，文章把权限配置和三种 API 调用方法都写清楚了。
Devin Fusion 搭配 Claude Opus 5.5 与 GPT-6 Luna 编码成绩达 68.1
Devin Fusion 用 Opus 5.5 带一个更便宜的 GPT-6 Luna 副手，编码分数追平 Claude Code 还便宜三成，双模型怎么配合值得一试。
商汤开源 SenseNova-RoboRSI 具身智能评测框架与 27B 机器人模型
商汤把自家 27B 机器人模型和评测框架都开源了，覆盖 12 个仿真基准加 8 台真机，做具身智能的可以拿来直接测。
arXiv 论文：上下文压缩对后续问题几乎无帮助
研究上下文压缩的人该看看：为当前问题删上下文，对后续问题基本没用，LLMLingua-2 按词删反而好 12.5 个点。
Terminal X 用 GPT-6.1 让评估 Agent 达到 88.6% 高级投资人一致率
OpenAI 这篇案例讲 Terminal X 怎么用 GPT-6.1 做投资判断评估，54 项评分规则对齐资深投资人，做评估 Agent 的可以看看思路。
OpenAI 发布 GPT-6 系列：COBOL 迁移准确率最高达 97.9%
OpenAI 把 GPT-6 系列专门训练到能搞定 COBOL 这种老古董语言了，迁移银行系统代码准确率 97.9%，维护老系统的团队可以看看。
从 Opus 5.5 换到 GPT-6.1 后体验明显下滑
一个开发者实测 Opus 5.5 和 GPT-6.1 切换的真实体感对比，还提到数据保护顾虑，写代码选模型前可以看看。
OpenAI称GPT-6大幅提升COBOL、Fortran等冷门编程语言能力
GPT-6在COBOL这种老语言上通过率从38%干到87.4%，银行搞系统迁移的朋友可以关注GPT-6.1 Sol。
Intelligence Index 分数对应的成本快速下降：达 30 分比 5 个月前便宜 86 倍
想看模型价格怎么崩的可以看这篇：同个智能水平，GPT-6 Luna 只要 0.03 美元一任务，5 个月前 Claude Sonnet 4.6 要 2.49 美元。
Artificial Analysis 按人格特质聚类：同实验室模型风格相近
Artificial Analysis 把各家模型按 30 项人格特质聚类，GPT-6 居然和 Claude 一族，挺有意思的视角。
10月20日
Legora 发布 10 月 BAR 基准结果：Opus 5.5 总榜领先
做法律 AI 或想选模型的看下，Legora 每月用真实律所案例测 17 个模型，还加了按任务类型筛选，比看总榜实用多了。
Qwen3.8-27B RL后训练版：幻觉率减半，单卡4090可跑
一个 27B 开源模型把幻觉率砍半，单张 4090 就能跑，跑分还压过 GPT-6 Luna，这个后训练思路很值得看看。
GPT-6.5 疑似官宣：据称 11 月 1 日上午 10 点（旧金山时间）发布
Tibo 网站倒计时显示 11 月 1 日 10 点，疑似 GPT-6.5 要来了，OpenAI 还没官宣，先当传闻看。
OpenAI 疑似准备发布 GPT-6.1 Terra 模型
有人扒到 Microsoft 的评估配置里出现了 GPT-6.1 Terra 的代号，The Information 之前也报道过这个模型，看来 OpenAI 确实在憋新货。
opensi.lol 源码现"6.5"字样，GPT-6.5 或于倒计时节点发布
有人扒出 OpenAI 新站的源码里藏着 6.5 和倒计时，猜测 GPT-6.5 要来了，不过文中时间对不上，看看就好别全信。
Inception 发布 Mercury 3 扩散语言模型，速度达 1,068 tokens/秒
Inception 出了扩散架构的 Mercury 3，每秒能吐 1068 个 token，比 GPT-6 Luna 和 Claude Haiku 5.5 还快，还带 1M 上下文。
Mercury 3 扩散 LLM 实测：速度超 1000 tokens/秒
实测了 Inception 的 Mercury 3，扩散架构跑出 1000+ tokens/秒，比 GPT-6 Luna 快 4-8 倍，速度党可以看看。
OpenVLHarness:带多模态记忆的视觉智能体工具调用框架
一个开源的视觉 Agent 框架，给多模态模型外挂工具和记忆，22 个基准平均涨 10 分左右，成本还只要竞品的三成多。
WildAWM：用开源模型合成计算机操作智能体训练环境
微软研究院开源了 WildAWM，纯靠开源模型自动造出 341 个电脑操作训练环境，连 GPT-6-Astra 都只能做对六成，做智能体训练的可以看看。