Chinese contentExpertCrowd-SWE发布：100个专家工程任务测试编程智能体
想让编程智能体在陌生大仓库里干真活的人该看看这个基准。它不是改几行的小修小补，而是工程师写的真实变更请求，评分器能识别偷懒和作弊补丁。榜单上 Claude Opus 5.5 和 GPT-6 Astra 基本打平，选型做对比时很实用。
Latest
Every published item, in order · 9305 items
Nov 11
Chinese contentMiniMax 开源 H3-Image：33.1B 文生图模型，6 步生成 16MP 图像
做图像生成的朋友可以关注一下，MiniMax 把 33.1B 的文生图模型权重放出来了，6 步就能出 16MP 大图，还支持最多 16 张参考图做编辑。跟 Flux 这类开源模型比，分辨率和步数都更激进，不过商用前记得看许可里的地域限制条款。
Chinese contentHuawei openJiuwen 推出 TTSE 智能体框架：将环境事实与条件提示分离
华为 openJiuwen 开源了 TTSE，把智能体经验分成环境事实和条件提示两轨管理，在 ALFWorld 跑到 97.8%，还减少了办公任务的工具调用。做智能体长期记忆和经验积累的可以看看源码，不过数据是自家评测，先自己跑一遍再下结论。
Chinese contentGemini 4 Carbon 在 Bug Bunt Bench 得分 57.3，成本仅 Fable 5.2 的四分之一
有人拿 105 个真实 bug 实测了几家旗舰模型，Gemini 4 Carbon 只差 0.7 分追平 Fable 5.2，花费却只有 $31.32 对 $139.65。做代码修复选型的人应该看看这份带价格的榜单，比官方宣传单靠谱。
Chinese contentClaude Fable 5.2 展示 3D 游戏生成能力
有人用 Claude Fable 5.2 生成 3D 游戏，画面里城堡、小地图、对话和血条能同时跑起来，不再只是单个关卡。如果你关注模型做复杂生成任务的能力，这条演示视频值得点开看看效果。
Chinese content阿里新一代千问 Qwen4 即将发布，Qwen4-Max 预览版上线
阿里把 Qwen4-Max 预览版直接放上了 Token Plan，1 折就能跑，千问 App、Qoder 这些产品当天就接入了。想试新一代千问的 Agentic 和编程能力，现在成本很低，可以先拿自己的任务实测一轮再决定要不要跟进。
IT之家Source
Chinese content成都人形机器人创新中心发布第五代贡嘎人形机器人
成都人形机器人创新中心的第五代贡嘎把记忆、因果推理和世界模型整合成了一套完整链路，机器人能记住物品位置并跨越多天完成任务，遇到意外还能自主改方案。做具身智能或家庭服务机器人的团队可以看看它的技术架构思路。
IT之家Source
Chinese contentMoonshot AI 的 Kimi K3.1 Pro 上架 Amazon Bedrock
Moonshot 的 Kimi K3.1 Pro 进了 Amazon Bedrock，AWS 用户直接调 API 就能用，支持 OpenAI 兼容接口，迁移代码几乎不用改。文中还教了怎么开 prompt caching 省钱、怎么在 OpenCode 里当编程助手。做多云部署或想比较中美模型成本的工程师可以看看。
Chinese content谷歌 Android Bench 榜单更新：Kimi K3.1 Pro 与 DeepSeek V4.1 Flash 跑分公布
做安卓开发的朋友可以看看这份榜单：Kimi K3.1 Pro 30 项长程任务通过率 24.0%，超过了 Claude Fable 5.1 和 Gemini 4 Argon；DeepSeek V4.1 Flash 单次跑分只要 9.9 美元，预算敏感的团队选它更划算。
IT之家Source
Chinese contentBrowser Use：Muse Ember 以 3 美分成本跑完数百步浏览器任务
Browser Use 拿 Muse Ember 跑最难的长时程浏览器基准，63.9 分追平 GPT-6 Luna medium，单任务 3 美分还便宜 2.4 倍。做浏览器智能体的人可以算算换成 Ember 能省多少预算，跑几百步的长任务终于不用心疼钱了。
Tomorrow 08:00, the daily lands in your inboxTelegram channel or email. Same screening as this page, no ads.
Chinese contentMKA 基准发布：针对视觉复杂文件的知识工作智能体评测
Artificial Analysis 和 Google 做了个专门测智能体处理复杂文档的基准，任务由行业专家写，还故意保密防止模型背题。首批数据里 Gemini 4 Carbon 分数略输 Claude Fable 5.2，但成本只有对方五分之一，做模型选型的人可以直接看榜单。
Chinese content谷歌发布 Gemini Robotics 2.5 机器人模型，已在奔驰产线试点
谷歌把 VLA 模型真送进奔驰产线了，Apollo 2 人形机器人拣零件成功率 96%，系蝴蝶结、移液这类精细活也能干。对比前代成功率提了 30% 到 100%，还开源了机器人越狱测试基准。做机器人和工业自动化的都该看看。
IT之家Source
Chinese content谷歌联合 Artificial Analysis 推出 MKA 基准，Gemini 4 Carbon 质量第二、成本仅六分之一
很多评测只考文本，MKA 专门考看图纸、做报告这类带视觉文件的真实工作，还统一了框架和评审系统，可信度比较高。做智能体产品的开发者可以直接在 Artificial Analysis 上跑自己的模型，也建议看看公开的 10 道题感受下难度。
IT之家Source
Chinese content谷歌开放 Gemini 4 Carbon：1M 上下文主攻网络安全与复杂编程
谷歌这次真把安全研究员当主力用户了：SEC-bench Pro 拿到 88.2%，Wiz 用它两小时挖出零日漏洞，还能在 Antigravity 里一个提示词调度多个智能体写代码。做安全、做科研或需要长任务推理的开发者可以直接去 AI Studio 试试，2 美元的首发价也不贵。
IT之家Source
Chinese contentLogan Kilpatrick暗示Google "Carbon" 模型仍在开发中
Logan Kilpatrick 回 Sundar Pichai 时漏了个代号叫 Carbon 的模型，还说团队还在打磨。从措辞看更像预告而不是否定，猜是 Gemini 系列的后续。想跟踪 Google 新模型动态的可以留意官方后续消息。
Chinese contentAgent Arena 分析：Gemini 4 Carbon 在高负载任务上成本优势扩大
Arena.ai 用自家 Agent Arena 数据对比了几款旗舰模型的成本曲线，发现 Gemini 4 Carbon 任务越难越划算：重度会话里 GPT-6 Astra 相对成本翻倍，Opus 5.5 到 4.2 倍。常跑长时程智能体任务、在意 API 账单的开发者可以看看选型账怎么算。
Chinese contentNaiveAI 实测：2100 tokens/s 推理速度，编程能力对标 DeepSeek
如果你选模型时纠结速度还是质量，这篇实测很有参考价值。作者亲手跑了 NaiveAI，2100 tokens/s 的速度真能保住接近 DeepSeek 的代码水平，做批量推理或实时应用的团队可以重点看看。
Chinese contentLatent Space 开启模型实测系列，首期评测 Naive-N0.5-Flash 编程模型
Latent Space 新开了实测栏目，首期把 Naive-N0.5-Flash 和 DeepSeek、Z 的模型掰开比速度。这模型主打开放权重、专攻 AI 编程、追求 token 每秒吞吐。如果你在给 coding agent 挑推理引擎，这篇的速度数据很实用。
Chinese contentMiniMax H3-Image 上线 arena.ai 图片 Battle Mode 对比测试
MiniMax 的 H3-Image 图像模型刚进 arena.ai 的盲测对战，你输入提示词，它和别的模型各出一张图，投票就有排名。做设计或选型的话，去 arena.ai/image 免费试一把，看看它跟 GPT、Gemini 的图差在哪。
Chinese contentMiniMax H3-Image 上线 LMArena，支持 1600 万像素 10 秒生成
MiniMax 把新图像模型 H3-Image 放进了 LMArena Battle Mode，你能直接投票打分。它是开放权重的，4K 分辨率 10 秒出图，还支持 16 张参考图，做本地部署或想要高分辨率生图的可以试试。
Chinese contentGrok 5 预计 2-3 个月内发布，Grok 4.8 或被跳过
xAI 的 Grok 5 预计 2-3 个月内就来，中间版 Grok 4.8 据说跑不过 Opus 5.5，可能干脆不发。想换模型写代码的开发者可以先盯着 Opus 5.5，等 Grok 5 的基准成绩出来再决定。
ElevenLabs releases Scribe v3 with live diarization
Turn detection based on whole-conversation context rather than silence addresses a persistent failure point in live voice agents, and a 10,000-term library makes specialized vocabularies practical without fine-tuning. Teams building call-center, legal or medical transcription pipelines should evaluate Scribe v3 against Deepgram and AssemblyAI on their own accented and code-switching audio. The Eneco result, 40% more first-try correct Dutch postal codes, is a useful signal for multilingual deployments in European and ASEAN markets.
Chinese contentNvidia 发布 GR00T 2：从视频学习人类动作来训练机器人
Nvidia 这次把机器人训练的数据来源换成了 40 万小时人类视频，不用人工遥操作逐个示范了。不过成功率从 10% 到 80% 不等，离稳定可用还有距离。做机器人或具身智能的团队值得对比一下自家数据管线，看看视频学习路线能不能省成本。
Chinese contentFish Audio 发布 Live 3 双工语音模型，针对电话 AI 智能体设计
做电话客服或外呼智能体的开发者可以关注：Fish Audio 的 Live 3 反应低于 200ms，还能分清报号码时的停顿和真正说完，双模型并行架构让抢话问题少了很多。
Chinese contentGemini 4 Carbon 与 Fable 5.2 对比测试：Gru 3D 体素重建
有人拿两个模型做了同题对比：从同一段《神偷奶爸》视频重建 3D 体素 Gru。Gemini 4 Carbon 花 $24.11，Fable 5.2 花 $53.34，但只有后者的 Gru 像电影里的。做视频转 3D 或游戏素材生成的可以看看两边差距到底在哪。
Chinese contentGoogle DeepMind 推出 Carbon 模型，面向长时间推理任务
Google 这次把 Carbon 同时推给 Ultra 订阅用户、API 开发者和企业三条线，还能挖软件漏洞，安全团队和需要跑长推理任务的开发者可以重点看看 AI Studio 的接入方式。
Chinese contentGoogle 发布 Gemini 4 Carbon，一次生成还原 90 年代游戏 Theme Park
这条推文里 Demis Hassabis 亲自展示了 Gemini 4 Carbon 的能力：逆向他自己的老游戏二进制文件，一次生成就能加新设施并跑在浏览器里。对比 Gemini 3 需要几小时的 vibe coding，进步很直观。做游戏复刻或逆向相关开发的开发者可以关注。
Chinese contentGemini 4 Carbon 接入 Vercel AI SDK，主打长程多步推理
Google 放出了 Gemini 系列里最强的 Carbon，专门啃长时程和多步推理这类硬任务，官方还明确了它和 Argon 的分工。用 AI SDK 的朋友换一行配置就能试，做智能体的可以先拿它跟 Argon 跑个对比。
Chinese contentGemini 4 Carbon 正式发布，多项基准超越 Anthropic Fable 5.2
Google 两周内就把 Gemini 4 Carbon 推向正式版，基准分压过 Anthropic 的 Fable 5.2，价格还不到一半，/swarm 还能让多个智能体实时分任务一起干活。做智能体应用的开发者可以重点看看这套协同机制的实测表现。
Chinese contentGemini Carbon 双 Agent 协作演示：鹈鹕骑自行车 3D 游戏从建模到审查一条龙
Google 用 Gemini Carbon 搞了个好玩演示，两个 Agent 一个建 Blender 模型一个查渲染，做出来鹈鹕骑车逛园区的小游戏，还能自己上手玩。做 Agent 工作流的开发者可以看看这套构建加审查的分工思路。
MBZUAI's IFM Releases PAN 2 Open World Model
The ablation numbers reveal that planning, not visual fidelity, is the bottleneck in multi-step world-model tasks, a finding that will shape how teams architect embodied agents. Robotics researchers and agent builders can use the open weights to benchmark simulative reasoning pipelines against proprietary alternatives. As a UAE-based lab's release, it adds a non-US, non-China option to the open world-model landscape, relevant to ASEAN academic teams seeking accessible baselines.
Chinese contentArtificial Analysis 联合 Google DeepMind 推出 MKA 多模态智能体基准
想看多模态智能体真实水平的话，这个 DeepMind 和 Artificial Analysis 合作的新基准挺扎实：200 个带图纸和扫描件的任务，Claude Fable 5.2 拿了第一但每任务要 32 美元，OpenAI 系模型便宜一个数量级还在性价比前沿，选型的人可以直接抄榜单。
Google DeepMind releases MKA benchmark for multimodal agent tasks
A #2 ranking paired with 6x lower cost per task signals that the agent market is shifting from accuracy-only leaderboards to cost-adjusted comparisons, a framing Artificial Analysis is actively promoting. Teams procuring agents for document-heavy work in engineering, science or operations should track MKA scores when shortlisting models. Buyers in ASEAN and global markets can use the cost-per-task metric to compare against pricier frontier alternatives before committing to long-context multimodal deployments.
Chinese contentClaude Fable 5.2 距 Simple Bench 人类最高分仅差 0.5%
Claude Fable 5.2 在 Simple Bench 上只比人类最高分低 0.5%，常识推理这块一直是模型的弱项，现在快追平了。如果你在挑模型做需要日常判断的应用，这个数据点可以参考下，对比 GPT 和 Gemini 的同榜成绩更有意思。
Chinese contentNVIDIA Nemotron Labs 专家直播：详解 Dory Looped Transformer 模型
NVIDIA 的 Nemotron Labs 开了一场专家直播，专门讲 Dory 这个 Looped Transformer 模型的架构设计。想搞清楚循环式 Transformer 跟标准堆叠式架构差在哪、参数量怎么省的朋友，可以直接看回放。做模型结构研究或推理优化的人会有收获。
Chinese contentGoogle 开放 Gemini 4 Carbon，网安与深度推理场景表现领先
Google 把之前只给网安团队的 Gemini 4 Carbon 开放了，价格和 Argon 持平。网安方向特别能打，Wiz 拿它两小时挖出 0-day。做安全研究或跑长任务的开发者可以试试，日常工程还是继续用 Argon 更划算。
Chinese contentIdeogram 公布 Rapidata 多步图像生成基准完整结果
图像生成圈少见的透明评测，Rapidata 和 Ideogram 把多步生成基准的模型输出、prompt 链和打分方法全公开了。做图像工作流的朋友可以直接对比各家模型在多步指令上的表现，还能照着方法自己复测。
Chinese contentIFM 展示 PAN 2 世界模型演示：模拟墨水滴入水中扩散
IFM 放出了 PAN 2 的演示视频，内容是墨水滴进试管的扩散过程，你可以自己看看有没有穿帮。跟 Sora 这类视频模型比，它更强调物理规律。做仿真或机器人训练的可以看看。
Chinese contentIdeogram 4.5 连续 5 次编辑后人脸一致性登顶 Rapidata 基准
编辑图片时人脸最容易越改越走样，这次是拿 199 张照片各改 5 轮、靠 32 万多条人工投票排出来的，Ideogram 4.5 在 20 个模型里拿了第一。做头像、电商图、换装这类反复编辑的活儿，可以照着榜单选模型。
Chinese contentMustafa Suleyman 宣布 Microsoft AI 发布 MAI-Transform 1 模型
Microsoft 的自研模型团队又有新动作，Suleyman 亲自转发官方页面。链接截断了具体型号，点进去能确认是哪个模型、跑分和定价如何。想看 Microsoft 怎么摆脱对 OpenAI 依赖的人可以关注这条线。
Only the latest 2000 items are listed; for older ones see the daily archive