Qwen3.7-Max 登顶 ITBench-AA 企业 IT 任务评测第三
企业 IT 运维团队终于有了靠谱的 AI 评测标准——ITBench-AA 模拟真实 K8s 故障排查场景，做 SRE 或 FinOps 的开发者可以直接参考模型表现来选型。
全部动态
AI 相关资讯全量信息流 · 373 条
5月28日
DeepSWE 新基准发布：GPT-5.5 领先，小米模型表现亮眼
这个基准测试解决了现有 coding benchmark 数据污染问题，做 AI 编程模型评估的团队可以直接参考排行榜，小米模型的表现值得一试。
SpatialBench-Long：评估AI在空间生物学中的长程推理能力
空间生物学研究者终于有了衡量AI科学推理能力的硬核基准——SpatialBench-Long 要求智能体从复杂空间数据中推导真实结论，而非简单跑流程。做生物信息学或AI for Science的团队，值得看看当前模型的表现差距在哪里。
Anthropic 和 OpenAI 找到产品-市场契合点，企业 API 定价飙升
企业团队和重度 AI 用户需要了解 API 定价变化——你的账单可能正在飙升，而订阅计划仍是个人用户的最佳选择。建议检查你的企业合同，避免意外超支。
用好 Coding Agent 的关键：开头设计比写代码更重要
这篇经验贴把 Coding Agent 的坑和最佳实践讲透了——开头设计决定了最终质量，做 AI 编程的开发者看完能省下大量调试时间，建议直接收藏。
5月27日
AI 跨过推理奇点：Anthropic 与 OpenAI 前沿模型能力跃迁
AI 推理能力从片段到完整体系的跃迁，是开发者和安全从业者必须关注的分水岭——Claude Mythos 的防御性开放和 OpenAI 的数学突破，直接改变了模型应用边界，建议点开了解具体案例。
继 OpenAI 后，Anthropic 的 Claude Mythos 也解出 80 年数学难题
AI 连续攻克经典数学难题，证明大模型在数学推理上正在突破边界。对数学研究者和 AI 能力观察者来说，这是值得关注的里程碑——Claude 的解法虽稍逊，但思路独特，建议点开对比两家思路。
GPT-5.5 在 Codex 中帮助 Databricks 更可靠解析复杂文档
对于处理复杂文档的数据工程师和 AI 开发者，GPT-5.5 在 Codex 中的集成直接提升了解析可靠性，值得在 Databricks 工作流中尝试。
SkillOpt框架：让AI自动优化Agent Skills，准确率飙升23.5%
做Agent框架或提示词工程的开发者，终于有了系统级的方法来优化Skills，不用再靠手动瞎改和调试了。建议直接看论文实验数据，特别是编辑预算的设置，对实际落地很有参考价值。
5月26日
Claw-Anything：评估始终在线个人助手的基准测试
这个基准测试揭示了当前 AI 代理在理解用户完整数字生活方面的巨大短板，做个人助手或智能体开发的团队值得关注——它直接指出了现有系统为何不够智能，并提供了改进方向。
OpenAI GPT-5.6 曝下月发布：150 万 tokens 上下文窗口
150 万 tokens 上下文窗口让处理超长合同、分析大型代码仓库成为可能，做文档密集型工作或复杂编程的开发者值得关注，可以直接用上更强大的长文本能力。
微软 SkillOpt：将技能文档视为可训练外部状态，冻结智能体性能提升 23.5 点
做智能体开发的工程师别再手写技能文档了——SkillOpt 证明自动优化技能文件能带来显著性能提升，且零推理开销，值得在你的 Agent 工作流中尝试。
5月25日
阿里发布 Qwen-3.7-Max，性能强且成本远低于 GPT-5.5 和 Opus 4.7
Qwen-3.7-Max 以极低成本提供接近顶级模型的性能，做 AI 应用开发或智能体集成的团队可以大幅降低推理开销，值得立刻上手试试。
SkillOpt：首个系统可控的智能体技能文本空间优化器
SkillOpt 解决了智能体技能无法像深度学习权重那样可靠优化的问题，做智能体开发或技能自动生成的团队可以直接用这套方法替代手工调参，效果显著且部署零开销。
5月24日
Deepseek 永久降价 75%，输出价格比 GPT-5.5 低 34 倍
做智能体或高 token 消耗应用的开发者，Deepseek 这个永久降价直接拉低了推理成本，比 GPT-5.5 便宜几十倍，值得立刻评估迁移。
5月23日
Deepseek V4 Pro vs GPT-5.5 游戏开发对决：便宜4.3倍但质量落后
想用 AI 做游戏开发的团队，这个对比直接告诉你：省钱不一定省心——Deepseek 便宜但质量差一截，GPT-5.5 贵但成品更靠谱，建议根据预算和品质要求选模型。
5月22日
Qwen-3.7-max 在智能体任务中击败 GPT-5.5 和 Opus 4.7，成本低 9 倍
做智能体开发或自动化任务的团队，可以拿 Qwen-3.7-max 替代高价闭源模型，成本直降 9 倍效果反而更好，值得立刻跑个 benchmark 验证。
Qwen 3.7-Max 在智能体任务中击败 Opus 4.7 和 GPT-5.5
Qwen 3.7-Max 在智能体任务中成本仅为 Claude 的1/9、GPT 的1/2，性能提升却翻倍，做 AI 智能体开发的团队值得关注这个性价比之选。
Cursor Composer 2.5 发布：低成本高性能编程代理，成本仅为竞品1/60
Cursor 用 1/60 的成本实现了接近顶级模型的编程代理性能，做自动化开发或频繁使用 AI 编程的团队可以直接省下大笔费用，建议试试 Fast 模式感受响应速度。
5月21日
QuestBench：学生构建基准测试，揭示AI深层研究系统隐藏缺陷
想让学生真正理解AI局限性的教育者，可以用QuestBench的方法把课堂变成AI测试场——学生自己设计问题来考AI，比单纯教提示词更有深度。
OpenAI IMO金牌模型身份成谜，GPT-5.5 Pro Extended能否追上？
OpenAI的IMO金牌模型至今未公开，这背后可能隐藏着模型能力的真实上限。关注推理模型和数学能力的开发者，值得思考GPT-5.5 Pro Extended是否已填补这一空白。
5月20日
谷歌发布 Gemini 3.5 Flash：输出速度 4 倍于 GPT-5.5
速度翻倍意味着更低的延迟和更高的吞吐量，做实时 AI 应用或大规模推理的开发者值得关注，可以直接用起来提升效率。
IT之家原文
5月19日
Mythos漏洞复现基准测试：GPT-5.5仅5/18成功
这个实验戳破了AI漏洞发现能力的泡沫——即使给定了目标文件，顶级模型复现已知漏洞的成功率也极低。做AI安全评估或漏洞研究的团队，看完会重新审视benchmark的可靠性。
5月18日
Hermes 模型配置指南：国内外主流模型接入方法
Hermes 用户终于有了清晰的模型配置清单，覆盖 OpenAI、xAI、谷歌、DeepSeek、智谱、Kimi、小米等主流模型，做多模型切换的开发者可以直接按指令配置，省去摸索时间。
5月16日
