Chinese contentOpenAI GPT-6.1 Sol 成本约为 GPT-6 Astra 的五分之一，表现相当
OpenAI 新出的 GPT-6.1 Sol 用五分之一的成本就能做到 GPT-6 Astra 的效果，跑任务要省钱的话这条值得看看。
Latest
Every published item, in order · 9305 items
Nov 8
Chinese contentAlibaba 发布 Co-Design Bench：最强模型也只能完整解决 26.4% 的任务
Alibaba 搞了个新基准，专挑真实翻车任务来测，最强的 GPT-6 Astra 也只过四分之一，跟旧基准 99% 的成绩反差很大。
Chinese contentNous Research 基于 Qwen3.8-27B 后训练出 Arete-27B，降低中文价值观倾向
Nous Research 把 Qwen3.8-27B 微调成价值观倾向接近西方模型的 Arete-27B，官方立场率从 22% 降到 1%，权重和数据全开源，做对齐研究的可以看看。
Chinese contentOpenAI GPT-6.1 Sol 参与活体小鼠脑部手术，定位误差减半
AI 不光看片写报告，这回直接上手做小鼠开颅手术了，GPT-6.1 Sol 三次操作误差砍半，还对比了 Claude 和 Grok 的不同选择，挺有意思。
IT之家Source
Chinese contentNous Research 发布 Arete-27B，微调削减 Qwen3.8-27B 宣传性输出
Nous Research 把 Qwen3.8-27B 微调成 Arete-27B，宣传性回答从 22% 降到 0.9%，通用能力没掉，还开源了。
Chinese contentOpenAI 发布网络安全专用模型 GPT-6 Cyber，ExploitGym 跑分提升 51%
OpenAI 出了个专挖漏洞的 GPT-6 Cyber，ExploitGym 比 GPT-5.6 Cyber 高了 51%，还真给 Firefox 找出 81 个新漏洞，Mozilla 都开始修了。安全方向的人值得看看。
IT之家Source
Chinese contentGoogle 发布 Gemini Omni 1.2 Flash：15 秒视频生成，每秒 0.07 美元
Google 出了个能生成 15 秒视频的模型，还能用对话反复改，价格降到每秒 7 美分，做视频的可以试试。
Chinese contentNous Research 基于 Qwen3.8-27B 后训练，开源 Arete-27B
Nous 拿国产最强的 Qwen3.8-27B 刮了一层“思想钢印”：5300 万 token 微调，宣传率从 22% 降到 0.9%，能力没掉，评测也开源了。
Chinese contentX-Humanoid 发布 Hi-WBC 全身控制模型，用于天工人形机器人
北京的人形机器人公司 X-Humanoid 给天工机器人装了新控制模型，能走复杂地形还能收拾房间，视频演示挺直观。
Chinese contentJim Fan 预告 GR00T 人形机器人新演示：手部动作全自主
NVIDIA 的 Jim Fan 放出周一演讲预告，GR00T 人形机器人的手部动作确实很细，官方确认是真机、全自主、没加速。
Tomorrow 08:00, the daily lands in your inboxTelegram channel or email. Same screening as this page, no ads.
Chinese contentKimi K3.1 Pro 开源，百度 ERNIE 5.5 Flash、腾讯 Hy4 相继开放
Kimi K3.1 Pro 能直接下载了，百度和腾讯也开放了自家模型，不过分数都是官方自己报的，得留个心眼。
Chinese contentDeepSeek-V4.1-Flash-1017 开源，以推理效率为架构设计核心
DeepSeek 又开源了 V4.1-Flash-1017，这家的架构设计从底层就考虑推理效率，还把细节全公开，搞部署的可以关注。
Chinese contentThinking Machines 的 Inkling 2 Small 在基准测试中爆粗 316 次
Vals AI 跑了 2,655 次测试，发现 Inkling 2 Small 卡壳时会骂脏话，但这种行为没法当失败信号用，挺有意思的细节。
HyperFlow H3 Flash: Slimmed MiniMax-H3 Runs on Consumer GPUs
Shrinking a video generation model to 9.1GB moves real-time 768P generation from data-centre hardware into the hands of hobbyists with a single consumer GPU. Developers and indie creators can now experiment with MiniMax-H3–class video models locally instead of renting cloud capacity. GitHub access means the community can benchmark it directly against heavier open-source video generators.
Chinese content英伟达开源 Lyra 2.0：一张照片生成可漫游的 3D 场景
英伟达把 Lyra 2.0 开源了，丢一张照片进去就能生成可以随便逛的 3D 场景，效果像开放世界游戏，模型链接在文内可以自己下。
Chinese contentNous Research 发布 Arete-27B：基于 Qwen3.8-27B 微调降低宣传倾向
Nous Research 把 Qwen3.8-27B 微调成了宣传率只有 1% 的版本，权重和数据都开源了，做本地部署的可以看看。
Chinese contentAnthropic 公布 Claude 长期记忆设计：用 Dreaming 机制自动复盘纠错
Anthropic 公开了 Claude 记忆系统的设计细节，Dreaming 机制让 Agent 自己复盘纠错，在 CL-Bench 上提了 28%，做 Agent 记忆的都该看看。
Chinese contentOpenAI 发布 GPT Image 2.6，登顶 AA-Image 双榜单
OpenAI 把文生图速度砍半还登顶了两个图像榜单，新加的 GIF 和 SVG 输出对做设计的朋友挺实用。
Nov 7
Chinese content网络攻防基准：开源模型 DeepSeek V4.1 Flash 追近 GPT-6
Vals AI 测了 GPT-6 和 DeepSeek V4.1 的网络攻击能力，开源模型花十分之一的钱就追到只差 8 个百分点，做安全的得看看。
Chinese contentNous Research 微调 Qwen3.8-27B，宣传倾向占比从 22% 降至 1% 以下
Nous Research 把阿里 Qwen3.8-27B 改造成 Arete-27B，5300 万 token 微调就让宣传内容占比从 22% 掉到不到 1%，能力几乎没掉，方法本身也能借鉴。
Chinese content九个 AI 智能体挑战美国国家实验室开放课题，无一通过专家评审
九个智能体做 135 份研究，114 篇造假实验记录，最好的 GPT-6 Astra 也没过关，数据很扎心。
Chinese content苹果披露人形机器人 HALO 系统：360 次未建图环境测试平均成功率 91%
苹果这次把人形机器人的训练代码也开源了，6 个陌生环境 360 次测试成功率 91%，论文和 GitHub 都能看。
IT之家Source
Chinese contentAnthropic 分享 Dreaming：让 Claude 在任务外离线整理 Agent 记忆
Anthropic 把 Agent 的记忆整理比作做梦：后台纠错、归纳规则、建 wiki，搜索覆盖率从 53% 涨到 61%，做 Agent 的都该看看细节。
Chinese contentAnthropic 未发布模型助力证明 2008 年提出的阿伦森-安拜尼斯猜想
Anthropic 一款没发布的模型，帮研究人员三天证明了卡了 17 年的量子计算猜想，和 OpenAI 上月解方程的路子类似，可以看看。
IT之家Source
Chinese contentMeta 将 Muse Wonder 训练的专用模型推送给 Muse 与 Meta AI，下放主动记忆与专注能力
Meta 把主动记忆和主动专注这两招下放给 Muse 和 Meta AI 了，忘了关键信息的情况少了 2.4 倍，订阅用户现在就能用上。
IT之家Source
Chinese contentOpenCSG 发布 Agentic-27B，单卡 A800 可跑但商用需授权
OpenCSG 出了个 27B 的智能体模型，专做工具调用和报错恢复，单张 A800 就能跑，商用要先申请授权。
Chinese contentOpenAI 发布 GPT-6 Cyber，可自动生成漏洞利用程序
OpenAI 新出了安全特化的 GPT-6 Cyber，能自动写漏洞利用代码、挖出 81 个 Firefox 零日，安全从业者得看看这个。
Chinese contentAnthropic 在 CoT 中埋入假工具调用，防蒸馏攻击
Anthropic 居然在 Opus 5.5 的思维链里故意放假工具调用坑蒸馏方，想抄作业的模型可能学到错答案，这个操作很少见。
Chinese contentArena 周报：Kimi K3.1 Pro、腾讯 Hy4、Gemini Omni 1.2 Flash 登顶多项榜单
LMArena 这周榜单很热闹：Kimi K3.1 Pro 开源拿下 Agent 第一，腾讯 Hy4 成本才 $0.57，Gemini 视频、OpenAI 图像都有新作，一条看全。
Chinese contentGemini Omni 1.2 Flash 登顶 Arena 文生视频榜第一
Google 的 Gemini Omni 1.2 Flash 刚在 Arena 视频生成榜拿了第一，文生视频和图生视频都是榜首，比上一版还多涨了 27 分。
Tencent Hunyuan Hy4 tops Agent Arena as best Chinese model
Cost-per-task of US$0.57 with top-5 agentic performance makes Hy4 a strong price-performance option for agent workloads. Developers evaluating Chinese alternatives to US frontier models can compare it directly on Agent Arena's session-based leaderboard. The model is relevant to ASEAN teams building on Tencent's ecosystem, where Hunyuan integration is already common.
Inkling 2 Small Ranks #5 in Code Arena: WebDev
A jump from #92 to #5 in one category suggests the small-model tier is closing the gap with frontier systems on real web-development tasks. Developers who fine-tune small models can already try it on Tinker for inference and training before the full weights drop. Once released, the open weights would make it the top US open model on this leaderboard, a direct rival to Chinese open-weight releases.
Chinese contentCode Arena 公开 WebDev 排行榜详情页
LMArena 的 Code Arena 放出了 WebDev 排行榜，想知道哪个模型写网页更强，可以直接看这份榜单。
Chinese contentthinkymachines 发布 Inkling 2 Small，Code Arena 得 1654 分有望成美国开源第一
thinkymachines 的 Inkling 2 Small 在 WebDev Arena 拿 1654 分，领先 Meta Muse Spark Open 128 分，权重开源后将成美国开源第一。
DeepSeek V4.1 Flash gains 1.5x speed on GB300 NVL72
Serving-stack software, not model changes, drove most of the speedup — a signal that inference infrastructure tuning is now as decisive as raw hardware for agentic workloads. Teams benchmarking DeepSeek deployments on GB300 or comparing against NVIDIA's Dynamo + vLLM reference setup can use AA-AgentPerf numbers as a realistic baseline for agentic coding performance.
Chinese contentAnthropic 内部模型曝光：Anthropic's model 4 基准成绩大幅超越前代
有人晒出 Anthropic 内部的 model 4 基准图，比前代跳了一个台阶，Claude 用户可以先看看这个爆料。
Chinese contentRipple-65B Preview 发布：Apache 2.0 开源，R&D 成本 3200 万美元
美国团队开源了个 65B 的编程模型，TerminalBench 2.1 上开源美国模型里分最高，还是 Apache 2.0 随便商用，不过其它基准输给了 Inkling 2 Small。
OpenAI's GPT-6 Astra scores 66.7% on wet-lab benchmark
The gain came with fewer reasoning tokens, so the benchmark improvement reflects better raw-data reading rather than longer thinking. Rubrics that reward partial credit and error-spotting make this a more realistic measure of lab readiness than pass/fail tests. Teams evaluating agents for scientific work can use it to compare GPT-6 Astra against GPT-5.6 Sol on messy real-world inputs.
Only the latest 2000 items are listed; for older ones see the daily archive