Chinese contentAA-PersonalityBench：Qwen3.8 27B 回复最长，约为 GPT-6 Sol 的 6 倍
同一道题，Qwen3.8 27B 能写一千词，GPT-6 Sol 只回一百多，这份字数榜把各家模型的啰嗦程度排得明明白白。
Latest
Every published item, in order · 80 items
Nov 7
Nace AI's 27B Drex Max Picks Instead of Generating Tokens
Routing thousands of micro-decisions to a pick-only model could cut agent orchestration costs by orders of magnitude where the answer space is a finite option list, not free text. Builders running multi-step agent pipelines can plug it in as a cheap decision layer while keeping a general model for generation. The gap on HLE shows it is a narrow tool, not a replacement for reasoning models.
Chinese contentNace AI 开源多模态决策模型家族 Drex 并发布技术报告
Nace AI 开源了决策模型 Drex，权重代码都放出来了，Drex Max 在几个决策基准上能跟 GPT-6 Sol 掰手腕，想本地部署可以试试。
Nov 6
Nace AI releases Drex open decision models up to 27B
The interesting part is the interface shift: instead of generating text, these models emit calibrated probabilities over fixed options, which suits scoring, routing and agentic decision points where latency matters. Builders assembling agent pipelines or classification backends can try the weights on Hugging Face or read the paper at arxiv.org/abs/2611.07854. Compared with calling Claude Opus 5.5 or GPT-6 Sol, Drex trades text generation for sub-200ms structured decisions under an open licence.
Nov 4
Kimi K3.1 Pro shows largest personality shift in AA-PersonalityBench
A personality rewrite this large between consecutive versions means teams tuning prompts or evals around Kimi K3's behavioural profile may see different outputs after upgrading. Developers building character-driven agents or customer-facing assistants should re-run behavioural evaluations before switching to K3.1 Pro. The benchmark also offers a reusable method for tracking such shifts across any model lineage.
Oct 29
Chinese contentAA-PersonalityBench 测评：GPT-6 与 Grok 回答最直接
想挑个说话不绕弯子的模型？这份榜单直接量化了各家的“直球”程度，GPT-6 Sol 和 Grok 系列得分最高。
Oct 24
Chinese contentKimi K3.1 Pro 登顶 Artificial Analysis 网络防御开源模型榜首
Moonshot 的 Kimi K3.1 Pro 在网络防御基准拿了开源模型第一，CyberGym-E2E-AA 得分 95% 连 GPT-6 Sol 都被超过，不过单任务成本反而变贵了，这篇把各家分数和价格都列得很清楚。
Chinese contentDeepSeek V4.1 Flash 1017 登顶开放模型网络防御榜单
DeepSeek 新版开源模型在网络防御榜单上拿了开放模型第一，总分只差 GPT-6 受限版 12 分，价格还便宜 4 倍。
Oct 23
AA-PersonalityBench links model slop to intelligence gaps
Slop output is only loosely tied to raw capability, so model selection for writing or content pipelines should weigh the Slop ranking separately from the Intelligence Index. Teams building customer-facing copy or summarisation tools can use these two scores as a joint filter instead of assuming a smarter model reads better. Qwen3.8 Max ranking high on both lists is a useful data point when weighing it against Gemini 4 Argon or GPT-6 variants.
Oct 20
Chinese contentDeepSeek-V4.1-Flash 登顶 Agent Arena 开源模型第一
DeepSeek 这版 Flash 模型在 Agent Arena 拿下开源第一，跑任务成本只有 GPT-6.1 Sol 的四分之一左右，写网页还追平了闭源大模型，做智能体的可以看看。
Oct 19
Chinese contentDeepSeek-V4.1-Flash-1017 登顶 Code Arena 开源模型榜首
DeepSeek 新版编程模型把 Kimi K3 挤下开源第一，成本只有十分之一，价格没涨，做 Web 开发的可以直接去 API 试试。
Oct 10
Chinese content微软发布 Microsoft-Decision-1：基于 Qwen3.5-9B 的单次前向传播决策模型
微软基于 Qwen3.5-9B 出了个决策小模型，专管 Agent 流程里的判断打分，比 GPT-6 Sol 快 35 倍，输出还免费。
Chinese contentMicrosoft-Decision-1 上线 OpenRouter，主打快速决策
微软把决策类小模型做成了专项产品，比 GPT-6 Sol 快 35 倍还输出免费，做分类和判断任务的可以试试。
Microsoft-Decision-1 AI model released
This specialized decision model addresses a critical inefficiency in AI applications - replacing expensive general-purpose models for simple choice-based tasks. For developers in Southeast Asia, it offers significant cost reductions (up to 200x) and speed improvements (up to 100x) for tasks like content moderation, intent recognition, and AI output evaluation. The model's availability through Microsoft Foundry and OpenRouter makes it immediately accessible for production use cases across the region.
Chinese contentMicrosoft 发布 Microsoft-Decision-1 快速决策模型，已在 Foundry 上线
微软用 Qwen3.5-9B 做了个专门快速打分决策的模型，比 GPT-6 Sol 快 35 倍，Foundry 上就能用。
Oct 9
Chinese contentArtificial Analysis 网络安全指数新增受信访问模型，GPT-6 Sol（Daybreak Blue）登顶
OpenAI 给受信访问的 GPT-6 Sol（Daybreak Blue）几乎没有网络安全防护，跑分直接登顶还比 Grok 4.7 便宜好几倍，值得看看细节。
Oct 8
Oct 4
Chinese contentOpenAI 发布 GPT-6.1 Sol (Max)，Agent Arena 排名第五
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。
Oct 1
Chinese contentOpenAI GPT-6.1 Sol 在 Code Arena: WebDev 排名第三
OpenAI 新版 GPT-6.1 Sol 性价比飙升，性能接近 Astra 但只需五分之一价格，各领域排名全面上升。
Sep 30
Sep 29
Chinese contentSonnet 5.5 发布：Agentic coding 得分超 Opus 5.5，但 max 档费用不低
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。
Chinese contentSonnet 5.5 实测：表现接近 Opus 5.5，Max 档 token 消耗成本与之持平
用 Sonnet 5.5 前先看这篇：max 深度下 token 消耗几乎和 Opus 5.5 一样，选档位前算算账。
Chinese contentOpenAI 的 GPT-6 Sol 限时上线 Arena Direct Mode 可直接测试
OpenAI 把 GPT-6 Sol 短暂开放到 Arena 的 Direct Mode，想去试试新模型手感的可以抓紧这 24 小时。
Sep 28
Artificial Analysis Cyber Index Ranks AI Models on Cyber Defense
Safety refusals, not coding skill, now decide leaderboard rankings on defensive security work, a factor most agent benchmarks ignore. Security teams choosing models for vulnerability triage should check refusal rates alongside raw scores, since a top coder may decline a third of real tasks. The ranking also spans Chinese and US labs, making it a useful cross-vendor comparison point.
Sep 17
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…
AITOPRead
Aug 13
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…
AITOPRead
Aug 7
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…
AITOPRead
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…
AITOPRead
Aug 2
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…
AITOPRead