LeakBench 发布：审计临床建模 Agent 的奖励黑客与预测时数据泄漏
给做医疗 AI 或 Agent 评测的人：LeakBench 用真实数据测出各模型会不会偷用泄漏特征刷分，还验证了哪种防护真的有效。
全部动态
AI 相关资讯全量信息流 · 1235 条
10月20日
Skill-RSI：把机器人操作技能“编译”成可复用代码的离线方法
这篇论文把机器人技能当代码来“编译”：Claude Code 离线写技能，冻结后跑起来一次不到半美分，还给了严格的实验协议，做具身智能的值得看看细节。
Fable 5.5、Gemini 4 Carbon、GPT-6.1 Terra 传闻本月发布
一条 rumor 汇总帖，把 Fable 5.5、GPT-6.1 Terra 这些流传中的模型名都列了，看个乐就行，别当真。
ChatGPT-6 Astra 找到偏序集维度定理的完整证明
OpenAI 的 ChatGPT-6 Astra 找到组合数学里偏序集维度的完整证明，还带上下界，数学圈该看看。
SKY-001 工程世界模型发布：3D CAD 几何 IoU 达 79.7%，耗时 3.9 秒
做机械设计或建筑 BIM 的可以看看这个 SKY-001，直接在几何空间里生成 3D 设计，速度比 GPT-6 Astra 快几十倍，成本还低两个数量级。
Meta Muse Wonder 两款模型实测：与 Claude、GPT-6.1、Gemini 4 正面对比
Meta 的 Muse Wonder 到底能不能打？这期实测直接拿它和 Claude Opus 5.5、GPT-6.1 Sol 做 3D 场景和建站对比，看完就知道差距在哪。
Cognition 推出 Devin Fusion，以低 31% 成本登顶 Coding Agent Index
Cognition 新的 Devin Fusion 用 Opus 5.5 加 GPT-6 Luna 组合，跑分 68 拿下编程智能体第一，每任务成本还比 Claude Code 低 31%。
Artificial Analysis 上线 HealthBench 医疗对话模型排行榜
医疗对话模型排行榜上线了，GPT-6 Astra 和 DeepSeek V4.1 Flash 的分数、成本对比都有，选医疗模型前可以看看。
论文05:49
DiscoveryRSI：用递归自我改进做科研假设生成一篇把递归自我改进用在做科学假设上的论文，27B 模型在假设命中率上超过了 GPT-6 和 Claude Opus 5，思路挺有意思。
Devin Fusion 登顶 Artificial Analysis 编程智能体榜单，得分 68
Cognition 家的 Devin Fusion 用 Opus 5.5 加 GPT-6 Luna 拿了编程智能体榜单第一，比 Claude Code 便宜 31%，写代码的可以看看。
Skyfall AI 发布 SKY-001：专注工程任务的 World Model
Skyfall AI 发了个专做工程的 SKY-001，画 CAD 和 BIM 比 GPT-6 Astra 还强，速度快 120 倍、成本低 185 倍，工程圈可以看看。
SKY-001 工程世界模型发布，称在 CAD 和 BIM 任务上超越 GPT-6 Astra
Maluuba 老团队做了个工程世界模型 SKY-001，CAD 和 BIM 任务上比 GPT-6 Astra 快上百倍还更便宜，做建筑设计的可以看看。
The Information：Anthropic 准备新模型，更会揣摩用户没说出口的意图
Anthropic 的新模型据说不怎么提示也能猜到你要干嘛，修 bug 还会顺带查同类问题，和 Gemini 4 Carbon、OpenAI Terra 撞车了。
Inception 发布扩散语言模型 Mercury 3，每秒输出超 1000 tokens
Inception 的 Mercury 3 用扩散方式生成文本，每秒 1000+ tokens，号称能打 GPT-6 Luna 和 Claude Haiku 5.5，做语音客服这类场景很合适。
DeepSeek-V4.1-Flash 登顶 Agent Arena 开源模型第一
DeepSeek 这版 Flash 模型在 Agent Arena 拿下开源第一，跑任务成本只有 GPT-6.1 Sol 的四分之一左右，写网页还追平了闭源大模型，做智能体的可以看看。
Artificial Analysis 发布 AA-PersonalityBench：用 900 道题测模型个性和文风
Artificial Analysis 搞了个新基准，专测模型说话风格：Qwen3.8 27B 回复平均 1030 词，是 GPT-6 Luna 的近 4 倍，选模型时挺有用。
传闻：Google 开发 Gemini 4 Carbon，OpenAI 筹备 Terra 模型
两条未证实的传闻：Google 在搞 Gemini 4 Carbon 升级 Argon，OpenAI 要发比 GPT-6.1 Sol 便宜的 Terra，看看就好。
Inception 扩散模型 Mercury 3 上线 OpenRouter，速度超 1000 token/秒
Inception 的扩散模型 Mercury 3 登陆 OpenRouter 了，每秒能吐 1000 多 token，上下文 100 万，官方说跑分压过 GPT-6 Luna 和 Haiku 5.5，现在还是半价。
Inception 发布扩散语言模型 Mercury 3，速度超 1000 tok/sec
Stefano Ermon 团队的扩散语言模型 Mercury 3 上线了，号称质量超 GPT-6 Luna，速度还能跑到每秒 1000+ token，在 OpenRouter 就能试。
10月19日
ACE Robotics 发布 9B 具身模型 ACE-Brain-0.6，主打空间视觉定位
ACE Robotics 拿 100 万条空间数据微调了个 9B 模型，自称八项测试里六项赢 GPT-6 Astra，不过权重还没开源。
大晓机器人发布具身基模型 ACE-Brain-0.6，六项空间感知评测超 GPT-6 Astra
商汤系公司大晓机器人发了具身基模型 ACE-Brain-0.6，基于 Qwen3.5-9B 微调，六项 Grounding 评测分数超过了 OpenAI GPT-6 Astra，做机器人方向的可以看看评测细节。
阿里通义 MAI-UI 开源通用计算机使用智能体技术栈 OpenGCUA
阿里开源了一套能调度截图、shell、API 的计算机使用智能体全家桶，OSWorld-v2 上平均涨 19.6 分、步数砍半，做 agent 的可以直接拿来用。
LM2LM：用 RL 训练 LLM 提出语言模型改进方案
用世界模型当奖励模型训练 AI 自己改进模型，Qwen3.8-27B 训完居然超过 GPT-6-sol，成本还降了 33%。
DeepSeek-V4.1-Flash-1017 登顶 Code Arena 开源模型榜首
DeepSeek 新版编程模型把 Kimi K3 挤下开源第一，成本只有十分之一，价格没涨，做 Web 开发的可以直接去 API 试试。
用户评价 OpenAI 当前产品节奏：模型变慢、订阅层级价值不足
一位长期用户对 OpenAI 吐槽得挺细：模型变慢、订阅不够值、UK 和 EU 上线慢，还有取消的 GPT-6.1 Astra，聊的都是实际使用体验。
10月18日
OpenAI 与 Anthropic 一周动态：Sora 重启谈判、Scion 自研源码管理落地
这期干货不少：Sora 可能借新公司复活，Anthropic 用自研 Scion 替掉 git，内部 Claude 还解开了 25 年的 ECDSA 种子谜题，科技八卦和硬核内容都有。
Tw93 分享同时用满 2 个 Claude Max 账号和 1 个 ChatGPT Pro 的工作流
Tw93 老哥晒了怎么把 2 个 Claude Max 加 ChatGPT Pro 用到额度见底，多设备让 AI 跑测试的玩法很实用，程序员可以抄作业。
Salesforce 用 8B 小模型训练 AI 科研创意生成，创意性超 Claude Opus 4.8
Salesforce 只用 8B 小模型就教 AI 一次写出一堆不重复的科研点子，创意性还赢了 Claude Opus 4.8 和 GPT-6 Astra，做法挺巧的。
Anthropic 起草的安全法案被指用 10²⁵ FLOPs 门槛波及初创公司
Sacks 撰文批评 Anthropic 起草的法案用 2023 年的旧算力门槛定义前沿模型，连企业微调小模型都会被管到，观点和数据都值得对照看看。
Arena Alignment Index 更新：Meta、Reflection、StepFun 三款新模型上榜
Arena 的安全榜更新了，Meta、Reflection、StepFun 三家新上榜，OpenAI 的 GPT-6.1-Sol 还是最能管住手的，看各家智能体谁更靠谱。
10月17日
10月17日AI简报：DeepSeek、OpenAI、Google、NVIDIA 多家模型与产品更新
DeepSeek 开源了推理更强的 V4.1-Flash-1017，Perplexity 也开源了两款决策模型，程序员和折腾党今天能下载的好东西不少。
复刻 Gemini 4 发布页实测：GLM5.3 vs GPT-6.1 与 Opus 5.5 差距多大
一个很真实的横评：同一个复刻任务，GLM5.3 搞了近 3 小时没做成，GPT-6.1 和 Opus 5.5 几分钟搞定，最后作者手动拉源码反而最快。
Nemotron 3.5 Super VL 浏览器使用测试获 48.5 分，落后 GPT-6 Luna
browser_use 跑了 NVIDIA 的 Nemotron 3.5 Super VL，浏览器任务得 48.5 分，被 GPT-6 Luna 的 67.7 分压过，成本还高 61%，想选浏览器自动化模型的可以看看。
Kaggle 推出 SVG 鹈鹕骑车测试，GPT-6 Astra 暂居榜首
Kaggle 把 Simon Willison 的鹈鹕骑车测试做成了人气投票，各模型画 SVG 让人打分，现在 GPT-6 Astra 排第一，Gemini 4 Argon 咬得很紧，去看看各家画得有多离谱。
GPT-6 Astra Pro 升级：响应更快，多智能体可并行处理任务
OpenAI 给 GPT-6 Astra Pro 升级了，多个智能体能同时干一个任务的不同部分，还能跟踪进度，Pro 用户现在就能用。
OpenAI 升级 GPT-6 Astra Pro：插件工具调用改进、速度提升并支持多智能体并行
OpenAI 给 GPT-6 Astra Pro 升了级，工具调用更快还能多智能体并行干活，Pro 用户现在就能用。
ChatGPT 中的 GPT-6 Pro 升级：响应更快，支持多智能体并行
OpenAI 给 ChatGPT 里的 GPT-6 Pro 升级了，Pro 用户现在能让多个智能体同时分工干活，还能逐个查看进度和结果。
Elorian 发布首个模型 Glimpse：可在思考中回看图像和视频
一家叫 Elorian 的公司出了首个模型 Glimpse，最特别的是边想边回头重看视频细节，自测比 GPT-6 Astra 便宜七倍还更准。
北大与 Samsung 论文：慢模型离线指导快模型，实时游戏得分从 13.51 升至 24.19
北大和 Samsung 做了个 RealtimeBench，测试里 GPT-6.1-sol 思考太久反而输给快模型 Jev，再用 TORSI 让慢模型离线写指令带快模型，得分翻到 24.19。
NVIDIA 开源 ASPIRE 机器人学习框架
NVIDIA 把 ASPIRE 开源了，能驱动真实机器人操作还能持续学新技能，LIBERO-Pro 跑到 99%，搞具身智能的可以直接看代码复现。
