AITOPAI热报

GPT 5.5

共 27 条相关 AI 资讯
8月20日
02:41
02:41lmarena.ai@lmarena_ai
Agent Arena推出的Pareto前沿平台上，Claude Opus 5（High）在真实代理任务中表现领先，提升+12.34%；该平台对比了各模型成本与性能，@OpenAI的GPT 5.5（High）表现突出，提升+7.75%；参与对比的多款知名模型包括Kimi K3（Max）和Groq 4.5等，帮助用户了解不同模型差异。
AI模型Claude Opus 5Kimi K3GPT 5.5
事件专题
推荐理由：Agent Arena发布了Pareto前沿平台，能查各模型做真实任务里的表现，像 Claude 和 GPT 这些对比后就知道哪个更划算。
原文
7月11日
04:41
04:41Aravind Srinivas@AravSrinivas
Computer Harness 宣布支持 Fable、Sol、Opus、Grok、GLM + advisor、Sonnet 和 GPT 5.5 作为 orchestrator 模型。同时集成多个小型 LLM 和多模态模型作为子智能体。该平台自称是最易上手的智能体编排系统，并计划未来添加本地运行时。
AI产品Computer HarnessGPT 5.5Opus
推荐理由：想用 GPT 5.5、Opus、Grok 等模型组合编排智能体？Computer Harness 一平台搞定，上手超简单。
原文
7月10日
00:22
7月9日
05:57
05:57Thomas Wolf@Thom_Wolf
精选
Matei Zaharia指出，在LLM推理中，使用简单的Pi harness（来自@badlogicgames）在Opus和GPT 5.5上达到了与LLM供应商提供的harness相同的成功率，但成本降低了一半。这种成本优势主要归因于更小的输入规模。该发现揭示了harness设计对性价比的巨大影响。
AI模型Pi harnessOpusGPT 5.5
推荐理由：你知道吗？换个简单的工具就能把成本砍半，效果还不打折！Pi harness让Opus和GPT 5.5的推理省钱又高效，值得一试。
原文
7月8日
17:04
08:49
7月3日
10:04
10:04Viking@vikingmute
精选
Mitchell Hashimoto分享了使用Fable xhigh作为规划/架构师、GPT 5.5 xhigh作为编码员、再让Fable xhigh审查的工作流。每次规划和审查成本仅需几美元，远低于通常的50美元以上。另有用户尝试廉价方案：GPT5.5规划+DeepSeek V4 Pro编码+composer2.5/GPT5.5交叉审查。GPT 5.5 xhigh收费比Fable便宜且速度很快。
技巧FableGPT 5.5DeepSeek V4 Pro
事件专题
推荐理由：Mitchell Hashimoto分享的核心方案：Fable xhigh规划+GPT 5.5 xhigh编码+Fable xhigh审查，成本低至几美元。想省钱的可以用DeepSeek V4 Pro代替编码步骤。
原文
7月2日
15:19
15:18
7月1日
22:18
22:18Aadit Sheth@aaditsh
精选73°
Anthropic 恢复 Fable 5 访问，同时推出新模型 Sonnet 5，定价每百万 tokens 2 美元。该价格不到 GPT 5.5 的一半。此前 Fable 5 因出口管制被禁 18 天，期间开发者转向其他模型。Anthropic 希望低价新模型能吸引用户回归。
AI模型AnthropicFable 5Sonnet 5
事件专题
推荐理由：Anthropic 把 Sonnet 5 定价降到 $2/百万 tokens，比 GPT 5.5 便宜一半多，开发者有理由回来了。
原文
16:50
6月30日
15:14
15:14官方账号arXiv cs.LG@Mohit Raghavendra, Anisha Gunjal, Aakash Sabharwal, Yunzhong He
SWE-Interact是一个新测试平台，用于评估编码代理在多轮交互、用户驱动的软件工程任务中的表现。现有SWE基准（如SWE-bench）通常预先提供完整需求，而SWE-Interact通过用户模拟器逐步揭示需求、提供反馈和约束。在单轮任务中，最强模型（如Opus 4.8和GPT 5.5）解决率约50%，但在SWE-Interact多轮任务中仅解决约25%。该基准测量了模型在交互目标发现和迭代细化中的正交能力。
论文SWE-InteractOpus 4.8GPT 5.5
事件专题
推荐理由：想知道编程智能体在真实对话开发中能撑多久吗？SWE-Interact测试了Opus 4.8和GPT 5.5在模糊需求下逐步迭代的能力，结果比单轮任务差一半。
原文
6月29日
17:45
17:45Browser Use@browser_use
Browser Use 团队使用 v4 版本构建 QA 基准测试，将 GLM 5.2、Opus 4.7、GPT 5.5 和 Minimax M3 四个模型在 LLM Arena 数据集上的任务进行对比。每个模型生成网站后由人工评估打分，测试涵盖多个任务类型。结果揭示了开源权重模型在特定场景下的表现差异。
AI模型GLM 5.2Opus 4.7GPT 5.5
事件专题
推荐理由：他们用 Browser Use v4 搞了个新基准，测了 GLM 5.2、Opus 4.7、GPT 5.5 和 Minimax M3，人工打分告诉你谁在 QA 任务上更强。
原文
14:55
6月27日
13:04
12:21
12:21官方账号Nous Research@NousResearch
精选
NousResearch发布Hermes Agent，通过暴露MoA预设作为虚拟模型，提供超越公共前沿的能力。在即将发布的基准测试上，Hermes Agent比Opus 4.8高8%，比GPT 5.5高11%。该模型目前被限制访问，仅授予少数人。
AI模型Hermes AgentOpusGPT 5.5
推荐理由：Hermes Agent的MoA虚拟模型比Opus 4.8和GPT 5.5都强，分别高8%和11%，不过目前只能少数人用。
原文
6月19日
12:42
12:42Fireworks AI@FireworksAI_HQ
Jeremy Howard在X平台上称赞Zai_org的GLM 5.2模型，称其至少与Opus 4.8和GPT 5.5一样优秀。他指出该模型速度极快、成本低廉且回答不冗长，在处理长上下文时表现非常出色。Howard表示从未见过如此优秀的开源权重模型。
AI模型GLM 5.2Zai_orgOpus 4.8
事件专题
推荐理由：想试试媲美顶级闭源模型的开源模型吗？GLM 5.2又快又便宜，长上下文超强，看看Jeremy Howard怎么夸的。
原文
6月18日
13:01
05:29
6月12日
13:31
13:31swyx (AI Engineer)@swyx
Mythos 正式上线，其 FrontierCode 被认定为下一代编程基准。在 FC Diamond 测试中，Opus 4.8 和 GPT 5.5 在随努力扩展方面表现不佳。Mythos/Fable 的后训练方法首次将测试时计算应用于解决超长任务，相当于数十小时人类工作、每任务数百美元。该功能现已在 Cognition 和 Devin 中可用，仅需 1.4x ACUs。
AI产品编程基准MythosFrontierCode
事件专题
推荐理由：Mythos 的 FrontierCode 基准揭示了当前顶级模型在长任务上的扩展瓶颈，做 AI 编程评估或开发长流程自动化的团队值得关注，可以直接在 Devin 中体验。
原文
6月10日
22:20
22:20berryxia@berryxia
一条推文对比了 Fable 5、Opus 4.8、Gemini 3.1 Pro 和 GPT 5.5 四款模型，指出只有 Google 还在使用去年的模型。这反映了当前 AI 模型迭代速度的差异，Google 的 Gemini 3.1 Pro 相对落后于其他厂商的新模型。
AI模型模型对比Fable 5Opus 4.8
事件专题
推荐理由：关注模型迭代节奏的开发者可以快速了解各厂商最新进展，Google 用户会意识到其模型可能落后了。
原文
08:33
08:33lmarena.ai@lmarena_ai
精选76°
Anthropic 的 Claude Opus 4.8 在 Agent Arena 排行榜上首次亮相，在 Thinking 模式下与 GPT 5.5 (High) 并列第一，但在 Non-Thinking 模式下仅排第八。相比前代 Opus 4.7，Opus 4.8 在开启思考时任务完成率更高，但可操控性略差，从 bash 错误中恢复更慢，且工具幻觉率上升。Agent Arena 基于 30 万+任务、200 万+工具调用和 4000 万行代码，通过因果追踪方法评估模型在真实世界智能体任务中的表现。该排行榜衡量任务成功、可操控性、错误恢复、用户反馈和工具幻觉五个信号。
AI模型智能体模型评测Claude Opus 4.8
事件专题
推荐理由：Agent Arena 用真实任务和因果推断评估智能体，比传统基准更贴近实际使用场景。做智能体开发或选型的团队，值得关注这个排行榜来对比模型的实际表现。
原文
6月4日
02:45
6月2日
14:15
14:15
14:15AI Will@FinanceYF5
Greg Isenberg 认为 Claude Opus 4.8 相比 GPT 5.5 没有显著提升，模型发布已进入类似 iPhone 的微调迭代阶段。他指出，基准测试与用户感受脱节，真正的价值在于模型周边的工具创新，如 Claude Code 的动态工作流和 Codex 的桌面应用。他预测 6 个月内用户将不再关心具体模型，就像不关心 Uber 的引擎一样。
行业Claude Opus 4.8GPT 5.5模型迭代
事件专题
推荐理由：模型同质化趋势下，真正改变开发效率的是工具链创新——做 AI 应用或自动化流程的团队，建议关注 Claude Code 动态工作流和 Codex 桌面应用，而非纠结模型版本号。
原文
5月30日
11:29
5月17日
13:21