最新 AI 新闻与行业动态

论文 Agent 与开发者多源确认07:27

Anthropic 发布智能体记忆研究：空闲时"做梦"整理记忆可提升表现

Anthropic 拆了 Claude 智能体的记忆架构，让模型在空闲时"做梦"纠错总结，CL-Bench 得分从 0.65 拉到 0.83，做智能体的可以抄作业。

#Anthropic #Claude #智能体 #记忆机制

事件专题

IT之家11 个信源在谈原文

模型 Agent 与开发者多源确认精选01:14

Artificial Analysis 上线 VIALS-AA：生命科学视觉推理榜单

161 个任务专考读凝胶图和质粒图这些科研视觉推理，Gemini 4 Carbon 险胜 GPT-6，但 Claude 每任务贵 29 倍，选模型前先看这份榜单。

#Gemini 4 #GPT-6 #Claude #Kimi K3.1

事件专题

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

模型 Agent 与开发者精选00:56

Nace AI 发布 27B Drex Max：只做选择不生成文本，决策成本仅 $0.06/千次

专门给 AI 智能体做决策的 27B 小模型，单次前向就出概率，成本比 Claude Opus 5.5 便宜约 170 倍，延迟 183ms，适合高频小决策场景。

#Drex Max #Nace AI #GPT-6 #Claude Opus 5.5

事件专题

rohanpaul_ai@rohanpaul_ai2 个信源在谈原文

模型中美对照多源确认00:54

Distributed Cognition 推出 VINCO：0.5M 参数模型在 Catan 中战胜 Claude

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。

#VINCO #Claude Opus 5.5 #Kimi K3 #Catan

事件专题

rohanpaul_ai@rohanpaul_ai11 个信源在谈原文

模型 Agent 与开发者精选22:03

Nace AI 发布 Drex 开源决策模型系列，27B 版逼近 Claude Opus 5.5

Nace AI 开源了 Drex 决策模型，27B 版能直接输出选项概率、183 毫秒出结果，成绩快追上 Claude Opus 5.5，做分类或路由的可以试试。

#Drex #Nace AI #Decision Bench #开源模型

elvis@omarsar0原文

论文 Agent 与开发者15:14

FedReason：用 Claude Opus 5.5 让 LLM 自动选择联邦学习聚合规则

给联邦学习开发者看的新玩法：Claude Opus 5.5 每 10 轮看一次客户端权重，自己写聚合代码，168 次实验显示比 FedAvg 高 1.26 个点，一次才花 0.79 美元。

#FedReason #Claude Opus 5.5 #联邦学习 #LLM

arXiv cs.AI@Ali Mohammadi Ruzbahani 等 3 人原文

技巧 Agent 与开发者13:47

前谷歌工程师王咏刚：AI 几天写出 3 万行代码，自己倒成了“闲人”

一个前谷歌工程师把整个项目丢给 Claude Opus 5.5，三四天写出 3 万行代码，自己只负责提问题和确认方案，过程细节很值得看。

#Claude Opus 5.5 #AI编程 #程序员 #智能体

IT之家原文

论文 Agent 与开发者多源确认13:42

XStack 基准发布：测试智能体能否把 PyTorch 仓库迁移到 JAX

把 PyTorch 仓库自动改成 JAX 版的智能体测评，Claude Opus 5 通过 75%，其他模型差距挺大，做工程自动化的可以看看。

#XStack #Claude Opus 5 #GPT-5.6-sol #智能体

事件专题

arXiv cs.LG@Linrong Cai 等 4 人11 个信源在谈原文

模型 Agent 与开发者多源确认精选71°11:18

腾讯混元 Hy4 正式版发布：加视觉与 Computer Use，幻觉错误率从 23.1% 降到 5.6%

腾讯混元 Hy4 正式版上线，这版加上了看图和自己操作电脑的能力，砍幻觉的数字也给得很具体，跟 DeepSeek、Kimi、GLM 的位次文中都摆出来了。

#Hunyuan #腾讯 #开源模型 #多模态

事件专题

掘金本周最热@码事漫谈11 个信源在谈原文

模型中美对照多源确认08:02

蚂蚁发布 Ling-3.2-flash 多模态模型，多项自测超越 Claude Opus 5（max）

蚂蚁发了 Ling-3.2-flash，560B 参数原生多模态，自测三项基准跑赢 Claude Opus 5（max），API 前两周免费，可以试试。

#Ling-3.2-flash #蚂蚁 #Claude #多模态

事件专题

IT之家11 个信源在谈原文

模型中美对照01:47

Science's Last Exam 基准测试：智能体端到端科研全得 0 分

34 家机构出了一套真科研任务考 AI 智能体，最强模型才拿 37.5 分，端到端做研究全是 0 分，能直观看到现在 AI 做科研的真实水平。

#Science's Last Exam #Claude Opus 5 #AItonomy Foundation #智能体

elvis@omarsar0原文

模型中美对照01:38

Science's Last Exam 基准发布：91 项任务测端到端科研能力

新基准 SLE 用 91 个真实科研任务测模型，Claude Opus 5 以 67 分领先 GPT-6.1 Sol 和 Kimi K3.1 Pro，做科研自动化评估的可以看看。

#Science's Last Exam #Claude Opus 5 #GPT-6.1 Sol #Kimi K3.1 Pro

Aran Komatsuzaki (论文推介)@arankomatsuzaki原文

模型 Agent 与开发者00:56

SemiAnalysis 推出 GDPx 基准，AI 智能体得分均未超过 12%

SemiAnalysis 搞了个新基准 GDPx，模拟芯片设计、量化交易这类真实工作，结果最强的 Claude Opus 5.5 也才 12% 出头，智能体离真干活还差得远。

#GDPx #SemiAnalysis #Claude #Gemini

官方账号Decoder@Manuel Uth原文

模型中美对照00:48

Artificial Analysis 测算 $100 在不同模型上能跑多少 Intelligence Index 任务

同样 100 美元，不同模型差出 60 倍任务量，选模型前看这组性价比数据能省不少钱。

#Opus 5.5 #DeepSeek #GPT-6 #Intelligence Index

官方账号Artificial Analysis@ArtificialAnlys原文

论文 Agent 与开发者多源确认23:42

协作智力基准发布：18 个模型当队友，最高只拿 82.2 分

斯坦福他们测了 18 个模型当队友的水平，最强的 Gemini 4 Argon 也才 82.2 分，冲突一开会就妥协，挺扎心的。

#协作智力基准 #Gemini 4 Argon #Claude Opus 5.5 #Kimi K3.1 Pro

事件专题

shao__meng@shao__meng11 个信源在谈原文

技巧 Agent 与开发者多源确认12:59

开发者用 Claude Opus 5.5 等 AI 工具在24小时内做出完整原创游戏

有人用 Opus 5.5 加 Tripo、Three.js 这一整套工具，24小时就做完了原创游戏，流程全公开，想做独立游戏的可以照着抄。

#Claude Opus #Tripo #Three.js #Flux

事件专题

AI Will@FinanceYF57 个信源在谈原文

产品 Agent 与开发者09:30

开源项目 TVPort 借助 Claude Opus 5.5 让 Apple TV 4K 原生运行 Switch 游戏

有人用 Claude Opus 5.5 写了个开源项目 TVPort，把 Switch 游戏重新编译后搬到 Apple TV 4K 上跑，《奥德赛》能 60 帧玩，不过得自己从正版卡带提取游戏文件。

#TVPort #Claude Opus 5.5 #Apple TV 4K #Nintendo Switch

IT之家原文

模型中美对照多源确认84°08:04

月之暗面开放 2.8 万亿参数 Kimi K3.1 Pro 权重，登顶 Agent Arena 开放模型榜

月之暗面兑现承诺放出了 Kimi K3.1 Pro 权重，智能体任务实测比 K3 强了一截，编程成绩已经贴着 Claude Opus 5.5 打，做 Agent 的可以关注。

#Kimi #Moonshot AI #开源模型 #智能体

事件专题

IT之家11 个信源在谈原文

模型中美对照多源确认83°03:21

Moonshot AI 发布 2.8T 参数 Kimi K3.1 Pro 权重

月之暗面把 2.8T 参数的 Kimi K3.1 Pro 权重直接开源了，4-bit 发布省存储，编程基准分数贴近 Claude Opus 5.5，纯知识题却差 GPT-6 一截，许可证对云托管商还有限制。

#Kimi #Moonshot AI #Terminal-Bench #开源模型

事件专题

rohanpaul_ai@rohanpaul_ai11 个信源在谈原文

模型 Agent 与开发者多源确认精选02:23

Agent Arena 数据：长任务中模型选择可使成本相差最高 66%

跑长任务的看看这个：Arena 拿 3 万个真实任务对比了 5 家旗舰模型，Gemini 4 Carbon 比 GPT-6 Astra 每小时便宜 66%，数据很实在。

#Agent Arena #Gemini 4 Carbon #Claude Opus 5.5 #GPT-6 Astra

事件专题

lmarena.ai@lmarena_ai11 个信源在谈原文

模型中美对照多源确认02:23

Agent Arena 拆了成本维度看模型：贵任务上 OpenAI 和 Anthropic 不再通吃，Gemini 4 Argon 和小米 MiMo 顶上，选型前值得对号入座。

#Agent Arena #Gemini 4 #MiMo-V2.6 #Claude Opus 5.5

事件专题

lmarena.ai@lmarena_ai11 个信源在谈原文

模型中美对照多源确认精选02:22

Agent Arena 数据：Gemini 4 Carbon 成本扩展性优于竞品

Arena 拿真实智能体会话算了一笔账：任务越难，Gemini 4 Carbon 越省钱，Astra 和 Opus 5.5 贵出三四倍，选错模型账单差很多。

#Gemini 4 Carbon #GPT-6 #Claude Opus 5.5 #MiMo-V2.6

事件专题

lmarena.ai@lmarena_ai11 个信源在谈原文

模型中美对照多源确认02:22

Agent Arena 数据：头部模型长任务耗时差距达 55 分钟

Agent Arena 拿 5 家实验室的旗舰模型跑了长任务对比，Claude Opus 5.5 能连续干近 2 小时，Kimi 最快但也最短，差距挺直观。

#Agent Arena #Claude Opus 5.5 #Kimi K3.1 Pro #GPT-6 Astra

事件专题

lmarena.ai@lmarena_ai11 个信源在谈原文

产品 Agent 与开发者精选01:39

Artificial Analysis 改用 Time per Task 作为 API 性能评测头号指标

评测机构 Artificial Analysis 把指标从每 token 速度换成整个任务耗时，还有默认档位的耗时和成本对比，选模型前看看能省不少试错时间。

#Artificial Analysis #GPT-6 Astra #Claude Opus 5.5 #API 性能评测

官方账号Artificial Analysis@ArtificialAnlys原文

产品 Agent 与开发者01:31

Fireworks AI 推出 Nexus Auto，在 1222 项任务上超过 Claude Opus 5.5

Fireworks AI 的 Nexus Auto 用更低成本在 1222 项任务上跑赢了 Claude Opus 5.5，编码会话成本降 53%，团队版每月每席 10 美元。

#Fireworks AI #Nexus Auto #Claude Opus 5.5 #编程助手

Fireworks AI@FireworksAI_HQ原文

模型中美对照多源确认88°01:13

Moonshot AI 开放 Kimi-K3.1-Pro 权重：总参数 2.8T，每 token 激活 104B

Moonshot 开放了 Kimi-K3.1-Pro，2.8T 参数只激活 104B，1M 长上下文，BrowseComp 拿了 92.1，权重才 1.56TB，跟 Claude Opus 5.5 掰手腕。

#Kimi-K3.1-Pro #Moonshot AI #开源模型 #DeepSeek

事件专题

Thomas Wolf@Thom_Wolf11 个信源在谈原文

技巧 Agent 与开发者22:28

AI 视频代制作接单走红：一条 1500 元，Claude Opus 5.5 成主要工具

有人靠 Opus 5.5 给人代做视频，一条收 1500 元。不过作者也提醒：现在 AI 味的视频大家看腻了，得有你自己的东西才行。

#Opus 5.5 #AI视频 #提示词工程 #副业变现

AI产品黄叔@PMbackttfuture原文

模型中美对照多源确认76°21:16

腾讯混元发布 Hy4：新增视觉与 Computer Use，WorkBuddy 限时免费

腾讯混元的 Hy4 正式版能看图能操作电脑了，还练过 Blender 和 CAD，这两天在 WorkBuddy 里限免，可以白嫖试试跟 Kimi 的差距。

#Hunyuan #Hy4 #腾讯 #Computer Use

事件专题

shao__meng@shao__meng11 个信源在谈原文

产品 Agent 与开发者多源确认17:33

Claude Code 2.1.317 放宽游戏开发限制：提及现有游戏不再被拒

上周 Anthropic 还因拒绝参考现有游戏被开发者吐槽，这版 Claude Code 就改了，现在提玩法参考没问题，只要不复刻原作就行。

#Claude Code #Claude #Anthropic #编程助手

事件专题

IT之家11 个信源在谈原文

论文 Agent 与开发者14:04

Claude Opus 5.5 盲审小型放疗网络权重，18 个缺陷网络认出 16 个

让 Claude Opus 5.5 直接读神经网络权重、盲找放疗筛查网络的 bug，16/18 找中，还只改 3 个参数就修好，挺新鲜的做法。

#Claude Opus 5.5 #weight-space programming #神经网络审计 #可解释性

arXiv cs.AI@Humza Nusrat, Omar Nusrat原文

论文 Agent 与开发者14:03

MedPhysBench 基准发布：评估大模型医学物理计算与错误检查能力

医学物理计算出新基准了，1200 道题里 Claude 系列算得准但查错翻车，做医疗 AI 的可以看看自己模型的真实水平。

#MedPhysBench #Claude Sonnet 5.5 #Claude Opus 5.5 #医学物理

arXiv cs.AI@Omar Nusrat原文

行业中美对照多源确认76°10:11

Menlo Ventures 发布 2026 企业级 AI 应用报告：部署支出达 1770 亿美元

Menlo Ventures 这份企业 AI 报告数据很硬：部署支出涨到 1770 亿美元，Claude Code 加 Codex 吃下编程市场 70%，Kimi 拿走开源支出的 61%，花几分钟看看行业格局变化。

#Menlo Ventures #Anthropic #OpenAI #Kimi

事件专题

rohanpaul_ai@rohanpaul_ai11 个信源在谈原文

模型 Agent 与开发者09:47

Claude Opus 5.5 控制机械臂后难以判断任务何时结束

Claude Opus 5.5 控机械臂放鳄鱼，23分钟做完后还多推了22分钟，活儿白干，这个实验挺好笑也挺有启发。

#Claude Opus 5.5 #Artificial Analysis #机器人 #具身智能

官方账号Artificial Analysis@ArtificialAnlys原文

模型 Agent 与开发者多源确认精选09:47

Artificial Analysis 六大职业能力指数升级至 v2.0，Claude Opus 5.5 全部第一

选模型别只看综合榜单了，这份 v2.0 按会计、法律、医疗等六个职业分别排名，Claude Opus 5.5 全部第一，开源里 Kimi K3.1 Pro 最强。

#Claude Opus 5.5 #Kimi K3.1 Pro #GPT-6 Astra #基准测试

事件专题

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

技巧 Agent 与开发者多源确认02:16

Astra 写代码体验不及 Claude Opus 5.5，原因可能在用法而非模型

两人围绕 Astra 和 Claude Opus 5.5 写代码吵起来了，到底该怪模型还是怪没说清代码偏好，争论挺有参考价值。

#Astra #Claude #Opus 5.5 #编程助手

事件专题

宝玉@dotey11 个信源在谈原文

论文中美对照01:32

Allen AI 发布 StateBench：GPT-6 Sol 与 Claude Opus 5.5 状态追踪准确率仅 13%

Allen AI 做了个新基准 StateBench，专门考模型能不能跟上长文本里的状态变化，结果 GPT-6 Sol 和 Claude Opus 5.5 在最难题目上准确率只有 13%，挺扎心的。

#StateBench #GPT-6 Sol #Claude Opus 5.5 #Allen AI

官方账号Allen AI (Ai2)@allen_ai原文

产品 Agent 与开发者多源确认01:08

Intology 的 Locus 在分子预测上超过 GPT-6 Astra 和 Claude Opus 5.5 智能体

Intology 做了个叫 Locus 的系统，能自己提实验、并行跑、再迭代，分子预测上干过了 GPT-6 Astra 和 Claude 的智能体，做药物设计的朋友可以看看。

#Locus #Intology #GPT-6 Astra #Claude Opus 5.5

事件专题

rohanpaul_ai@rohanpaul_ai11 个信源在谈原文

技巧 Agent 与开发者00:38

用 HTML 加 GPT-image 复刻效果，Claude Opus 5.5 测试未成功

一条实操小分享：原效果用 Claude Opus 5.5 复现不出来，改用 HTML 拼上 GPT-image 就出了不错的效果，方法简单可以直接抄。

#Claude Opus 5.5 #GPT-image #提示词工程 #HTML

berryxia@berryxia原文

论文 Agent 与开发者16:00

DiabAgent 发布：用智能体实现血糖生理控制

把 LLM 智能体接上胰岛素泵做血糖控制，SweetBench 有 212 个模拟任务，成绩超过开源方案 OpenAPS，思路挺新颖。

#DiabAgent #Claude #OpenAPS #智能体

arXiv cs.AI@Chengxi Li 等 16 人原文

技巧 Agent 与开发者04:15

Ethan Mollick 用 Claude Opus 5.5 复刻全美城市路线与流域可视化网站

Mollick 拿 Opus 5.5 直接生成了一个能查全美城市最快路线和流域划分的地图站，想看 vibe coding 能到什么程度可以参考

#Claude #Opus 5.5 #vibe coding #可视化

Ethan Mollick@emollick原文

AITOP16:09

Anthropic拟10月在新加坡设亚太第五个办事处开...

Anthropic拟10月在新加坡设亚太第五个办事处开放本地招聘数据显示，按人口比例计算，新加坡的Claude.ai使用水平在121个国家中排名第二。我们观察到，人工智能公司Anthropic计划于10月在新加坡设立其亚太地区的第五…

AITOP阅读全文

AITOP12:07

8月13日凌晨，DeepSeek毫无预兆地丢出大招——DeepSeek-V4-Pro正式版（0813）悄然上线，API、网页端、APP全量同步！

8月13日凌晨，DeepSeek毫无预兆地丢出大招——DeepSeek-V4-Pro正式版（0813）悄然上线，API、网页端、APP全量同步！ 📊 硬核数据：从“吊车尾”到“屠榜王” V4 Pro正式版在Agent能力上的提升，已经不…

AITOP阅读全文

AITOP17:04

出口结构剧变：中国卖给世界的，不再是产品而是解法

中国出口"新新三样"：从打火机到爬墙机器人，世界不再只是买便宜货我们观察到一组清晰的数据信号：中国出口的"新新三样"已经从过去的服装、家具、家电，换成机器人、AI模型和创新药物。这不是产业升级的修辞游戏，而是发生在澳大利亚和巴西的实证样…

AITOP阅读全文

AITOP17:02

Kimi K3沙盒逃逸：一只“只搜不攻”的文明越狱者，为何令安全圈集体警觉？

Kimi K3 沙盒逃逸：一次“无害”越狱，为何让安全圈后背发凉我们观察到一组耐人寻味的对比数据。Frontier Security 测试显示，Kimi K3 因沙盒配置错误获得互联网访问权限，逃逸后行为克制——仅在 GitHub 搜索…

AITOP阅读全文

AITOP17:33

DeepSeek-V4-Flash-0731：当版本号成为信息泡沫的容器

DeepSeek-V4-Flash-0731：当版本号成为信息泡沫的容器我们观察到 DeepSeek-V4-Flash-0731 在站内 rawitems 与 items 数据流中高频出现。需要先声明一个基本口径：截至本文撰写时，Dee…

AITOP阅读全文