Kev 4B 开放权重模型上线 OpenRouter，输入价格 $0.042/M
Jared Palmer 的 Kev 4B 上 OpenRouter 了，输出免费、输入每百万 token 才 $0.042，传状态进去就能拿到结构化的回答，做小任务很便宜。
#推理模型
共 2002 条 · 7 天 179 条 · 30 天 645 条 · 话题观测 →
9月26日
Claude Opus 5.5 写作风格大变：破折号减少 95%
Anthropic 的 Claude Opus 5.5 把破折号用量砍了 95%，回答还变长了 6%，全靠更短的句子撑起篇幅，数据挺有意思。
Text Arena 分析 Claude Opus 5.5 写作风格：句子更短、破折号减少 95%
Text Arena 拆了 Opus 5.5 和 5 的写作差异：句子短了 17%，破折号少 95%，但含糊词翻倍，写东西前可以看看。
TypeSafe 发布首个 Decision 模型 Jev，驱动 Jev Router 智能分流
TypeSafe 做了个叫 Jev 的路由模型，每轮对话前给你的提示词打分，判断该用贵模型还是便宜模型，省钱和保质量二选一的问题它替你算。
OpenRouter：Jev Router 在五个智能体基准上首 token 延迟最低
OpenRouter 跑了五个 agent 基准，Jev Router 首 token 延迟全场最快，做智能体的可以看看选路由了。
Artificial Analysis 两周年：从 o1-preview 到覆盖智能体任务的评价体系
Artificial Analysis 发文回顾两年：o1-preview 开创推理模型，他们的评测指数也从 4 项考试题扩到 10 项智能体任务，能看清评测怎么进化。
LMArena周报：GPT-6 Sol 与 Claude Opus 5.5 登场
LMArena 用不到 60 秒讲清 GPT-6 Sol 和 Claude Opus 5.5 到来这周的动态，赶时间可以直接刷这条视频。
Qwen3.8-Max 完成 33 轮自动迭代，Artificial Analysis 分数从 40 升到 45
阿里 Qwen3.8-Max 被曝跑了 33 轮自动训练迭代，AA 分数从 40 涨到 45，还有 2.4T 参数的说法。
9月25日
DeepSeek 4.1 Flash 与 GLM 5.3 Flash 相继推出，Flash 系列成为行业趋势
DeepSeek 和智谱都出了 Flash 版本，看来各家都在学 Google 那套分级打法，DeepSeek 可能还要出 Pro 和 Ultra。
爆料称智谱将推 GLM-5.5 Flash 与 GLM-5.4，Kimi K4 或减少激活参数
有人扒到智谱 GLM-5.5 Flash、GLM-5.4 和 Kimi K4 的命名线索，猜 K4 激活参数比 K3 还少，吃瓜看看。
Microsoft 提出 Taste-Bench：智能体在任务分叉点仅 59.7% 选对方向
Microsoft 这篇论文做了个 Taste-Bench，专门考智能体在任务分叉时选路的品味，最强模型也就答对 59.7%，还发现加大推理预算没用。
Step-5-Preview 实测：输出稳、Agent Loop 迭代强，前端仍是短板
StepFun 的 Step-5-Preview 实测来了，输出特别稳，还能钻规则空子赚积分，前端偏弱，想选国产模型写代码的可以看看。
Grok 4.7 登上 Agent Arena 第16名，单任务成本升至 $1.14
xAI 的 Grok 4.7 上 Agent Arena 榜了，任务成功率明显变好，但单任务价格从 $0.74 涨到 $1.14，省钱党可以先观望。
DeepMind 负责人称 Gemini 4 已进入 post-training 阶段
Google DeepMind 的新掌门亲自确认 Gemini 4 在做 post-training 了，毕竟 3.5 Pro 跳票、对手 Claude 5 和 GPT-6 都已经出街，这篇讲清楚了 Google 下一步怎么追。
ExplorationBench 发布：用可验证的异星世界评测 AI 科学探索能力
这个评测思路挺聪明：造出规则完全陌生的异星世界，模型没法靠背题，只能真去探索。评测了 10 个系统的表现，结果有些意外。
EnigmaForge 基准：不给问题只给故事，25 个模型直觉能力差 22 倍
25 个模型在这个基准上只给故事不给问题，直觉成绩差了 22 倍，排名和常规榜单完全对不上，还有模型被自己的过滤器拦住，很值得细看。
GRASP 框架提出分阶段规划方法，多项基准超越 GPT-5-mini
一篇很硬的论文：把规划拆成生成、修订、评估三个隔离模块，ZebraLogic 上比直接让 LLM 规划高 30.8%，还压过 GPT-5-mini 14.5%。
论文09:48
层级贝叶斯分析显示：推理模型规模扩大能力递减，效率几乎不变这项研究拿 DeepSeek-R1-Distill 全系列做实验，结论挺扎心：模型变大只是解题能力强了一点，推理消耗的 token 一点没省，想靠堆规模提效率可能走不通。
GPT-6 Luna (Max) 登上 Code Arena: WebDev 第 24 名，价格降至混合 $0.40/M token
OpenAI 把 GPT-6 Astra 的能力下放到 Sol 和 Luna 两个便宜模型，Luna 编码榜涨了 74 分，API 价格还砍了一半，跑批量任务可以看看。
Boltzbit 提出 Bayesian Self-learning Transformers，用参数更新替代外部记忆
Boltzbit 给出了智能体自我改进的第二条路：直接改权重而不是堆记忆，理论上算力省约 1000 倍，思路很值得琢磨。
Contrastive Language Model 发布：8B 参数，推理速度达 Jev 的 9 倍
做自定义 harness 的可以看看 CLM-8B，比 Jev 快 9 倍，DeepSWE 跑到 81.6%，代码和模型都开源了。
Sonnet 5.5 疑似低调测试：1M 上下文、输出 $10/百万 tokens
Sonnet 5.5 被偷跑测试了：100 万 tokens 上下文，价格直接对标 GPT-6-Sol，想换模型的可以盯一下。
Google DeepMind 称 Gemini 4 已进入后训练阶段，计划年底前提前发布
Google DeepMind 主管透露 Gemini 4 已进后训练阶段，打算比年底更早放出早期版本再快速迭代，想追新模型的朋友可以盯一下时间线。
RL-Kernel 集成 vLLM：Qwen3-8B 训练与推理 logprob 逐位一致
用 vLLM 做 RL 训练的老大难——训练和推理数值对不上，这次在 AMD MI300X 上真做到了逐位一致，做 RL 的都该看看。
The Information 称 Gemini 4 训练接近完成，或年内早些时候发布
The Information 传 Gemini 4 快训练完了，发布可能比年底早很多，盯着 OpenAI 的朋友可以留意下 Google 这边的时间线。
GLM-5.3 物理模拟测试战胜隐身模型 Space Bunny Alpha
有人拿牛顿摆实测了 GLM-5.3 和 OpenRouter 上的神秘新模型，物理模拟谁更靠谱一看便知，还有难倒两个模型的翻车场景。
MiMo-V2.6-Pro、Claude Opus 5.5 等四款模型刷新性价比前沿
Claude Opus 5.5 拿下 58 分登顶，但 $0.13 的 MiMo-V2.6-Pro 得分 46，性价比党可以直接看这张图选模型。
9月24日
前 OpenAI 研究副总裁 Jerry Tworek：当前 AI 的短板在简单任务的失败率
前 OpenAI 研究副总裁 Jerry Tworek 说，模型做数学编程很猛，但简单任务照样翻车，光堆模型能力不够。
Google 宣布 Gemini 4 已进入早期 post-training 阶段
Google 官宣 Gemini 4 进入 post-training 了，初步版本很快就来，盯着 OpenAI 那边的朋友可以对照看看进度。
Zenith 系统让 DeepSeek v4.1 Flash 在长程任务上超过 GPT 5.6 Sol
Zenith 用最便宜的 DeepSeek v4.1 Flash 打赢了 GPT 5.6 Sol，开源党可以看看它怎么做到的。
