Chinese contentStep 3.7 Flash 登顶 Claw-Eval General 第二
StepFun 的 Step 3.7 Flash 在智能体基准 Claw-Eval General 排第二，仅次于 Claude Opus 4.6，多步执行和长程任务都强，感兴趣可以看看。
Latest
Every published item, in order · 398 items
Jun 29
Jun 28
Chinese contentDeepSeek Pro Max 模式在编码基准上超越 GPT-5.4、Gemini 3.1 Pro 等
DeepSeek 拿 Pro Max 模式在 LiveCodeBench 等三大编码基准上直接碾压 GPT-5.4 和 Claude Opus 4.6，分数拉满，但还没开放下载，先来围观一下。
Jun 27
Chinese contentGLM-5.2 在 Code Arena 前端排名超 Claude Opus 4.8，仅次于 Fable 5
GLM-5.2 在社区投票的编码竞技场上压过 Claude Opus，你可以在前端任务中试试它的单次生成效果。
Chinese contentMirrorCode 基准测试：Claude Opus 4.7 以 56% 解决率领先，但最复杂任务仍失败
Epoch AI 搞了个新基准 MirrorCode，专测 AI 能不能凭空抄作业。Claude Opus 4.7 解了一半，但最难的题全挂，甚至有个模型烧了 19 天才花掉 2600 刀。
Jun 26
Chinese contentOrnith-1.0 开源编程模型发布，覆盖9B到397B参数
Ornith-1.0 开源了从9B到397B的编程模型，在SWE-Bench等基准上超越Claude Opus 4.7，还能自己优化任务框架。
Jun 25
Chinese contentUnsloth将GLM-5.2压缩至1-bit并在M3 Ultra上以21 tok/s运行，创意输出可比Claude Opus
Unsloth把GLM-5.2压到1-bit，Mac Studio上跑21 tok/s，创意性居然不输Claude Opus，本地部署党有福了。
Chinese contentGLM-5.2 (Max) 在 Code Arena: Frontend 以高胜率超越 Opus 系列
GLM-5.2 在前端任务上干掉了 Claude Opus 系列，对 Kimi 和 Sonnet 胜率超 60%，开源模型里相当能打。
Chinese contentSnowflake CEO称GLM-5.2以五分之一成本媲美Opus 4.7
智谱AI新模型GLM-5.2用Opus 4.7五分之一的价格做差不多的活，就是更费token，性价比很猛。
Jun 24
Chinese contentQwen发布AgentWorld：原生语言世界模型模拟7种智能体环境
阿里Qwen造了个能模拟7种环境的AgentWorld，在AgentWorldBench上干掉了Claude和GPT最新版，训练智能体不用真实环境也能更强，零微调迁移呢。
Jun 23
Chinese contentGLM-5.2 登顶 HTML Web Design 排行榜，超越 Claude Opus 4.6/4.7
HTML 设计排行榜上 GLM-5.2 干掉了 Claude，现在就能用 SiliconFlow 的 API 上手，写网页贼快。
Jun 22
Chinese content百川发布新一代医疗增强大模型 M4：登顶 OpenAI 医疗评测，超越 GPT-5.5
百川发了医疗增强大模型 M4，在 HealthBench 碾压 GPT-5.5，幻觉率仅 3.3%，看病问诊更靠谱。
Jun 21
Chinese contentZ.ai发布GLM-5.2开源模型，1M上下文逼近Claude Opus 4.8
Z.ai刚刚放出了GLM-5.2，MIT开源、100万上下文、跑分81.0，跟Claude Opus 4.8差距很小，做开源模型的得看看。
Jun 19
Chinese contentAA-Briefcase基准测试：Claude Fable 5领先但任务成本$31，DeepSeek V4 Flash仅$0.04
新基准AA-Briefcase测长期项目，Claude Fable 5最强但贵，DeepSeek V4 Flash极便宜，GLM-5.2性价比超赞。
Chinese contentClaude Opus 4.7 在 Project Fetch 中编程机器人狗，速度比人类团队快20倍
Anthropic 让 Claude 自己写代码控制机器狗，速度比人快20倍，虽然最后没抓到球，但过程特别有意思
Jun 18
Chinese content华为昇腾0 Day支持智谱GLM-5.2，提供推理优化
华为昇腾0 Day适配智谱GLM-5.2，推理优化让长上下文编程更高效，开源模型性能比肩Claude Opus。
IT之家Source
Models10:55
Chinese contentTxBench-PP基准测试：AI Agent在临床前药理学任务中表现不佳想看看AI在药物发现中到底行不行？这个基准测试用4800条轨迹告诉你，Claude Opus 4.8和GPT-5.5都还差得远，最高才59.3%的通过率。
Chinese content智谱AI发布GLM-5.2，百万token上下文在编码基准逼近闭源模型
智谱AI的GLM-5.2在长时间编码任务上只比Claude Opus 4.8差1%，还是开源免费，码农可以试试。
Jun 17
Chinese content智谱开源 GLM-5.2 模型，1M 上下文，Code Arena 榜首
智谱的 GLM-5.2 开源了，1M 上下文还拿了 Code Arena 第一，编程和长任务都强，国产算力也能跑。
IT之家Source
Chinese contentGLM-5.2 Max在Code Arena前端排名第二，超越Claude Opus 4.7
智谱新模型GLM-5.2 Max在代码前端评测中杀到第二，直接压过Claude Opus 4.7，开源模型里目前最强，做前端开发的可以关注。
Chinese contentGLM-5.2 (Max) 在 Code Arena 前端排名第二，超越 Claude Opus 4.7
GLM-5.2 在编程和智能体任务上超越 Claude Opus 4.7，是开源模型新标杆，编程能力仅次于 Fable 5。
Jun 16
Chinese contentOpenRouter推出Fusion API，多模型协同以一半成本接近Claude Fable 5水平
OpenRouter用多个便宜模型拼出顶级效果，成本砍半但性能追上Claude Fable 5，预算有限又想用好模型可以试试。
Chinese contentClaude Opus 4.8 提升金融工作流引用准确性和 Token 效率
Hebbia 的 CTO 亲测说 Claude Opus 4.8 在金融任务上引用更准、省 token，做财报分析的团队可以试试。
Jun 14
Jun 13
Jun 12
Chinese contentAnthropic 发布 Claude Fable 5，首个公开 Mythos 级模型
做 AI 代理或知识工作自动化的团队值得关注——Claude Fable 5 在真实世界任务基准上登顶，且安全回退机制降低了误判风险，可以直接评估是否适合你的场景。
Chinese contentGPT-5.5 (xHigh) 在 Agent Arena 排名第二，仅次于 Claude Fable 5
做智能体开发和 AI 评测的团队值得关注——GPT-5.5 在用户满意度和故障恢复上反超 Claude，说明 OpenAI 在实用场景上有了实质提升，建议直接去 Agent Arena 跑跑自己的任务。
Jun 10
Chinese content摩尔线程开源 MusaCoder：国产 GPU 全栈训练的代码大模型
国产 GPU 生态终于有了自己的代码大模型，做 GPU 算子开发或国产算力适配的团队可以直接试用，降低底层开发门槛。
IT之家Source
Chinese contentClaude Opus 4.8 在 Agent Arena 与 GPT 5.5 并列第一
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。
Chinese contentAnthropic 员工：Claude Fable 5 是协作伙伴而非工具
Anthropic 内部视角揭示了 Fable 5 的质变——从工具到协作伙伴，做 AI 应用或深度使用大模型的团队值得关注这一交互范式的转变。
Jun 9
Chinese contentCognition 推出 FrontierCode：将 Coding 评估标准从可用提升到可合并，Claude Opus 4.8 领先
FrontierCode 把 AI 编程评估从“能跑就行”升级到“能合并”，做代码质量评估或 AI 编程工具的团队可以直接参考这套标准，看看自己的模型在真实维护者眼中能拿几分。
Chinese contentMETR 编码基准饱和？Cognition 发布 FrontierCode 新评测，Claude Opus 4.8 仅 13.4%
做 AI 编程评估或关注模型实际能力的开发者，这个新基准直接戳中了当前模型的软肋——代码能跑但不可维护，值得看看你的模型能拿几分。
Jun 8
Chinese contentClaude Opus 4.7 登顶 Android Arena 排行榜，Anthropic 占前十五席
移动端 AI 开发者可以快速了解当前安卓设备上最强的模型格局——Claude Opus 4.7 领先，Anthropic 整体优势明显，值得关注其技术路线。
Jun 6
Chinese contentAgent Arena 发布真实世界智能体排行榜，GPT-5.5 High 领先
做智能体开发和评测的团队终于有了一个贴近真实工作场景的排行榜——Agent Arena 用 30 万+ 任务和 200 万+ 工具调用数据，告诉你哪个模型在写代码、做研究、处理文档时真正靠谱，值得点开看看你的模型排第几。
Chinese contentAnthropic Claude Opus 4.7 在化学NMR分析上匹敌专业软件
化学研究者和药物开发团队终于有了一个能反向推断分子结构的通用 AI 工具，省去专业软件和人工分析的双重成本，建议做结构解析的团队直接关注报告细节。
Chinese contentAnthropic新博客：让Claude成为化学家，Opus 4.7在NMR任务上匹敌专业软件
化学研究者或药物开发团队可以关注：Claude Opus 4.7在NMR分析上达到专业软件水平，意味着AI可能简化分子结构解析流程，值得尝试用于辅助实验。
Jun 5
Chinese contentAnthropic 新模型 Mythos Preview 实现 52 倍加速，远超人类
AI 模型自我优化的能力正在指数级增长——从 3 倍到 52 倍只用了不到一年，做 AI 训练和推理优化的开发者值得关注这个趋势。
Chinese contentAnthropic 更正：Claude Opus 4 的 3 倍加速始于 2025 年 5 月
Anthropic 主动修正了 Claude Opus 4 性能提升的时间点，做模型选型或依赖速度指标的开发者需要更新认知，建议关注官方后续的详细评估。
Jun 4
Chinese contentNex-N2-Pro 基于 Qwen3.5-397B，性能对标 GPT-5.5 和 Claude Opus 4.7
做智能体编程或深度搜索的团队，现在就能免费试用一个对标顶级闭源模型的开源 MoE 模型，且能直接接入 Claude Code、Cursor 等工具，值得立即体验。
Jun 2
Chinese contentClaude Opus 4.8 在 Skywork 上线
Claude Opus 4.8 的更强推理能力对需要高精度判断的开发者（如代码审查、逻辑分析）是直接利好，Skywork 用户现在就能体验，建议试试。
Chinese contentClaude Opus 4.8 比 4.7 强，但不够颠覆
如果你在用 Opus 4.7，升级到 4.8 是顺理成章的事；但如果你是 GPT 或 DeepSeek 用户，这次更新不值得你切换。做模型选型的团队可以看看这篇冷静分析，避免被 Benchmark 数字带偏。