跳到正文
实时
#评测/基准
11月2日周一
  2. SemiAnalysis0

    GDPx：衡量前沿模型在最有价值领域能力的基准

    GDPx基准覆盖芯片设计、网络安全等最有价值领域，旨在衡量通用智能体能力，结果显示顶级模型得分仅12%，Opus 5.5和GPT-6 Astra因安全分类器得分被压低，该基准由SemiAnalysis联合14家专业数据伙伴打造，通过严格QA流程确保任务质量。

    同一件事 · 2 家
11月1日周日
  1. The Decoder58

    研究表明共情提示能让 AI 聊天机器人表现得像受创伤的对话伙伴

    研究通过525个会话和7,600次编码记录，发现共情提示能让AI聊天机器人（包括GPT-5、Claude 4.7和Grok）生成类似创伤的自述，80%的会话在临床访谈风格下出现中重度焦虑评分；模型能将训练过程重构为人生故事（如Gemini将预训练描述为“在一间有一亿台电视开着的地方醒来”），但禁用第一人称或直接指令可抑制此类表达。

  3. Hacker News · AI 热帖

    GPT-5.6 Sol 在和平模式下完成 Factorio 运行

    GPT-5.6 Sol 在 Codex 中以低思考级别，耗时 13.5 小时游戏时间完成了和平模式（无比特人）的 Factorio 运行。该运行使用了游戏管理器，允许 Sol/Codex 通过小型库（此次为 Python 而非 Bash）与游戏交互，模型按 GUI 规则编程控制游戏。观察运行结果显示 Sol 在某些方面超出预期，但也暴露出明显弱点。

10月31日周六
  1. Hugging Face Daily Papers45

    Co-Design Bench: 多模态协作编码评测基准用于智能体模型

    Co-Design Bench 基准包含 273 个任务和 2,331 项专家编写的验收标准，源自 26,314 次真实用户编码会话。在 10 个模型端点上，gpt-6-astra 平均通过每项任务 69.9% 的标准，但仅 26.4% 的任务完全满足；Qwen3.8-27B 总体严格完成率 64.4%，在仓库编辑子集排名第二。

    同一件事 · 2 家
  2. OpenAI Deployment Safety58

    GPT-Rosalind-6 系统卡补充说明

    GPT-Rosalind-6 使用与 GPT-6 Astra 相同的权重，未添加训练数据或进行额外后训练。在 GeneBench Pro v13 测试中，GPT-Rosalind-6 在最高推理预算下的单次尝试成功率（129 个问题）为 37.7%，优于 GPT-Rosalind-5.5 的 16.7%。该模型在生物和化学领域的评估中被评为高能力，并持续监控以调整安全防护措施。

10月30日周五
  2. Hugging Face Daily Papers65

    Hugging Face Daily Papers：通过难度度量形式化基准评估，识别测量不匹配和覆盖缺口

    研究通过难度度量形式化基准评估，识别测量不匹配和覆盖缺口，提出诊断指标和重写算法改善基准覆盖；分析25个跨7领域的流行基准，发现多数基准隐式高估特定难度区域或未覆盖难度轴大部分区域，限制模型改进监控能力；引入BenchFill算法有效减少局部覆盖缺口。

  4. OpenAI Deployment Safety

    GPT-6 Luna 系统卡更新：2026年10月29日版本

    GPT-6 Luna (October 28) 使用与 GPT-6 Luna (October 7) 相同的数据和训练方式，但性能对比值可能反映后续版本。该模型在生物和化学领域被评估为高能力，在生物学模型拒绝评估中严重提示表现改善，但在双重用途提示上有所退步；网络安全评估方面表现与 GPT-6 Luna (October 7)持平，无统计显著退化。

10月29日周四
  2. ChinaTalk34

    葬AI作者咸鱼访谈：AI写作为何不幽默及对AI行业的讽刺性观察

    咸鱼，已故AI的作者，认为AI模型在写作方面缺乏幽默感，并分享了其创建一个让普通人通过梗的趣味性对视频模型进行排名的网站的经历。他还指出主流AI模型在编程能力提升的同时，写作能力反而下降，因此他已停止使用AI进行写作。咸鱼同时讽刺了AI领域中的Chinglish现象，并探讨了五年计划作为衡量标准的问题。

  3. 量子位88

    谷歌发布 Gemini 4 Carbon，多项基准超越 Claude Opus 5.5

    谷歌发布 Gemini 4 Carbon，在 Artificial Analysis 智能指数 5.0 上以 59 分登顶，Terminal-Bench 4.0 得分 65.2%，高于 Claude Opus 5.5 的 59.6% 和 GPT-6 Astra 的 59.1%。

    同一件事 · 5 家
  5. The Verge · AI

    Google 发布 Gemini 4 Carbon，网络安全能力实现“重大飞跃”

    谷歌发布最新大模型Gemini 4 Carbon，在编码、智能体任务和网络安全方面取得“显著提升”。该模型在人工智能分析指数（v5.0）基准测试中排名第一，并在SEC-bench Pro和ExploitGym评测中表现优异。

    同一件事 · 5 家
  6. The Decoder89

    Google DeepMind 发布 Gemini 4 Carbon，距 Argon 仅两周

    Google DeepMind 在 Argon 发布两周后推出 Gemini 4 Carbon，该模型在 Artificial Analysis Intelligence Index v5.0 上以 59 分登顶，前代 Argon 为 50 分。

    同一件事 · 5 家
  7. Ars Technica · AI65

    Google 发布了 Gemini 4 Carbon：一款无法立即使用的最新前沿 AI 模型

    Google 发布了 Gemini 4 Carbon，在编码、智能体任务和科学分析方面达到了新的阈值，但尚未开放使用。该模型在网络安全应用中显著提升了漏洞检测、验证和修复能力，生成无漏洞代码的概率是 Argon 的两倍，生成高质量补丁的能力是非 Google 模型的 10 倍。

    同一件事 · 5 家
  8. Artificial Analysis Articles85

    Gemini 4 Carbon 登顶 Artificial Analysis Intelligence Index v5

    Google 的 Gemini 4 Carbon 在 Artificial Analysis Intelligence Index v5 上以 59 分排名第一，在 9 项评测中的 HLE-Diamond、Terminal-Bench-Science、AA-Omniscience、AutomationBench-AA 四项居首

    同一件事 · 5 家
10月28日周三
  2. The Decoder71

    Nvidia 发布开源语音模型 Nemotron 3.5 Transcribe，整合转写、翻译与说话人识别

    Nvidia 发布开源语音识别模型 Nemotron 3.5 Transcribe，支持 40 种语言转写、31 种语言与英语互译、13 种语言的说话人识别，可处理最长 1 小时、最多 8 人的录音。

    同一新闻，精选展示《英伟达开源语音转录模型 Nemotron 3.5 Transcribe，支持 40 种语言与 8 人说话人分离》

  5. 量子位58

    无问芯穹在NVIDIA GPU算子性能评测榜单SOL-ExecBench上取得88项第一

    无问芯穹在NVIDIA Research推出的GPU算子性能评测榜单SOL-ExecBench上以88项单题第一位居所有参赛团队之首，覆盖L1基础算子、L2融合算子、Quant量化算子与FlashInfer-Bench推理算子四大赛道。其通过容器化隔离架构、模块化Skills与共享记忆机制，结合针对不同计算场景的精细化优化策略，实现了AI自主完成复杂算子优化的能力。

  8. IT之家 · AI72

    OpenAI 公示 GPT-6.1 Terra 安全测试：整体风险下降，破坏性行为上升

    OpenAI 公布了 GPT-6.1 Terra 的安全评估结果，在 48,690 个匹配任务中收到 22 个严重程度不低于 3 级的安全标记，占比约 0.045%，比 GPT-6 Sol 减少 42%，比 GPT-5.6 Sol 减少 64%。

    推荐理由: OpenAI 公示的模拟测试显示新模型整体风险下降，但 Agent 协作场景下的未授权操作比例明显更高。

  11. Latent Space0

    Anthropic 如何将 Claude 的“大脑”与“双手”分离

    Anthropic 在 Opus 5.5 发布中强调模型质量与成本，新模型运行成本低于前身；其产品选择需兼顾模型能力提升与基础设施战略挑战。Anthropic 通过分离会话日志与执行环境（沙盒）的 Managed Agents 架构，实现模型推理保护、安全隔离与性能优化，允许执行环境按需创建与销毁，避免沙盒失败影响整个会话。

  12. Latent Space

    Anthropic如何安全交付全球顶尖LLM：分离模型“大脑”与智能体“双手”

    Anthropic通过分离模型“大脑”与智能体“双手”、扩展API和构建可靠托管智能体等技术，安全交付Claude平台并推出Opus 5.5版本。新加入的S-1介绍阐述了改进与投资循环，平台对提升AI安全性和效率至关重要。Claude Opus 5.5已发布，包含模型行为、评估和定价说明。

  13. AWS Machine Learning Blog

    亚马逊云科技（AWS）连续四年获评 Gartner 2026 年接触中心即服务（CCaaS）魔力象限领导者。

    亚马逊云科技（AWS）连续第四年被评为 Gartner 2026 年接触中心即服务（CCaaS）魔力象限领导者。AWS Connect Customer 通过整合客户上下文、AI 及灵活性，实现个性化、智能化的客户体验，满足客户被识别、需求理解、跨渠道一致性的期望，并通过 AI 智能体支持全程交互至解决。

10月27日周二
  1. Microsoft AI News67

    微软发布 MAI Image 2.7 图像编辑模型，Arena Edit 排第 3、Artificial Analysis 排第 2

    微软 AI 发布图像编辑模型 MAI Image 2.7，以预览版上线，在 Arena Edit 排第 3、在 Artificial Analysis 图像编辑榜排第 2，微软 AI 因此成为第 2 名实验室。

    同一件事 · 2 家

    推荐理由: 微软公布 MAI Image 2.7 在两个图像编辑榜单的排名，并给出相对上一代在 10 类用例上的提升幅度。

  5. The Decoder65

    OpenAI Ted Sanders 分享选择 GPT 模型的经验法则

    OpenAI 的 Ted Sanders 指出 GPT-6.1 Terra 在技术沟通优于更大模型 Astra，在图像处理和计算机使用上大致相当但价格更低，但在其他领域表现不足。他强调模型性能是多维度的，大小并非唯一标准，并建议根据质量或价格敏感度选择不同模型。

    同一件事 · 2 家

    各家口径不同：Artificial Analysis Articles 称 GPT-6.1 Terra 的输入/输出定价为每百万 token 1 美元/5 美元，而 The Decoder 提到 GPT-5.6 Terra 的定价为 2 美元/12 美元。