全部动态

一个 0.5M 参数的小模型在卡坦岛赢了 40 局里的 36 局，对手是 Claude Opus 5.5 和 Kimi K3，体积还小了 1000 万倍，思路很反直觉。

rohanpaul_ai@rohanpaul_ai11 个信源在谈原文

Artificial Analysis 数了各模型写破折号的频率，GLM-5.3 一条回复平均 7.4 个，Claude Opus 5.5 几乎为零，看你的模型像谁就靠这个。

官方账号Artificial Analysis@ArtificialAnlys9 个信源在谈原文

有 Codex 用户发现后台偷偷跑上了 gpt-6.2-astra，一个账号用量占比都到 19.8% 了，OpenAI 还没官宣，感兴趣可以去自己用量页看看有没有。

Samaya AI 用 3B 激活参数的小模型在 FrontierFinance 上超过了 Claude Fable 5.1，每题成本从 6.89 美元降到 0.61 美元，做金融研究的朋友可以看看。

官方一手marktechpost@Asif Razzaq原文

有人拆解了那篇只署名 Claude 的论文，猜 Anthropic 手里囤了一批发现等 IPO 时一起放，推理过程挺有意思。

Andrew Curran@AndrewCurran_11 个信源在谈原文

Artificial Analysis 测了各家模型的性格指标，Claude 全系在信息密度和文风两项都排最前，写文案的可以参考这个榜。

官方账号Artificial Analysis@ArtificialAnlys11 个信源在谈原文

新基准专门测模型多爱顺着你说，Llama 4 Maverick 97 分、Grok 4.7 最低，Claude 全系都偏低，想挑一款不谄媚的模型可以看看这份排名。

官方账号Artificial Analysis@ArtificialAnlys11 个信源在谈原文

四个模型没被提示就画出了圣家堂那个魔方，有的还故意藏柱子后面，训练数据痕迹挺有意思。

官方账号Artificial Analysis@ArtificialAnlys原文

让 6 个智能体去讨火车票退款，Grok 4.7 一周发 116 条消息还发诉前函，结果钱没要到，过程全程高能。

Anthropic 把反蒸馏说得很细：三层防御怎么设计、为什么思维链被偷走最伤，还直接点名智谱 GLM-5.3 和 Kimi，信息量不小。

shao__meng@shao__meng11 个信源在谈原文

LMArena 用 250 万条真实智能体会话训练的路由器 Max，能自动帮你挑模型，效果追平 Claude Fable 5.1 还省 37% 的钱。

lmarena.ai@lmarena_ai原文

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。

lmarena.ai@lmarena_ai11 个信源在谈原文

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。

Blognone@mk11 个信源在谈原文

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。

官方账号Artificial Analysis@ArtificialAnlys11 个信源在谈原文

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。

lmarena.ai@lmarena_ai5 个信源在谈原文

Meta 新模型 Muse Wonder 号称打过 Fable 5.1，价格还只要四成，贴文里有具体对比数字。

kimmonismus@kimmonismus原文

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。

官方账号Artificial Analysis@ArtificialAnlys11 个信源在谈原文

Epoch用AI评估自己的工作，Claude和GPT-6表现最好但还不够

官方账号Epoch AI@EpochAIResearch11 个信源在谈原文

Arena.ai 更新了 Agent Arena 榜单，Anthropic 和 OpenAI 的模型在真实任务上谁强谁弱，一目了然。

lmarena.ai@lmarena_ai11 个信源在谈原文

四个前沿模型各有所长：Astra 擅长操作电脑，Argon 强在法律金融，Sol 写代码最便宜，看完就知道该用哪个。

官方一手marktechpost@Asif Razzaq11 个信源在谈原文

OpenAI 新发的 GPT-6.1 Sol (Max) 把价格砍到 GPT-6 Astra 的两成，性能只差 1 分左右，做智能体选模型的可以看看这份榜单。

lmarena.ai@lmarena_ai11 个信源在谈原文

Claude最新模型Opus 5.5超越GPT-6 Astra成为最强模型，分数差距很小。

官方账号Epoch AI@EpochAIResearch11 个信源在谈原文

Google的Gemini 4 Argon在编程能力上有显著提升，代码基准测试超越主要竞争对手，还优化了内存使用和价格策略。

Blognone@mk11 个信源在谈原文

Google新旗舰Gemini 4 Argon在法律领域大幅领先，输出限制达行业最高1M tokens，还优化了视频解码速度。

rohanpaul_ai@rohanpaul_ai11 个信源在谈原文

Anthropic 发布的 Claude Sonnet 5.5 性价比极高，在多个关键领域排名从第 30 多位跃升至第 4 位。

lmarena.ai@lmarena_ai11 个信源在谈原文

Sonnet 5.5 编程测试居然比 Opus 5.5 还高 4 分，价格只要 $2/$10，但开了 max 档费用会飙升，用的时候注意。

官方一手歸藏(guizang.ai)@op741811 个信源在谈原文

两家同天发新模型：GPT-6 便宜一半，Opus 5.5 便宜四成还快三成，还有 Claude 应用商店，价格党可以直接对比一下。

Tibor Blaho@btibor9111 个信源在谈原文

Anthropic 的 Opus 5.5 在编程智能体评测拿第一，三项基准都涨了，价格还降了 20%，不过每任务要烧 13 美元 tokens，用前算算账。

官方账号Artificial Analysis@ArtificialAnlys11 个信源在谈原文

Anthropic 新发的 Claude Opus 5.5 直接拿下 Code Arena 网页开发榜第一，比 Opus 5 高出 126 分，跑任务成本还降了 40%。

lmarena.ai@lmarena_ai11 个信源在谈原文