Chinese contentDistributed Cognition 推出 VINCO：0.5M 参数模型在 Catan 中战胜 Claude
一个 0.5M 参数的小模型在卡坦岛赢了 40 局里的 36 局，对手是 Claude Opus 5.5 和 Kimi K3，体积还小了 1000 万倍，思路很反直觉。
Latest
Every published item, in order · 331 items
Nov 7
Nov 5
Chinese contentAA-PersonalityBench 统计：GLM-5.3 平均每条回复用 7.4 个破折号居首
Artificial Analysis 数了各模型写破折号的频率，GLM-5.3 一条回复平均 7.4 个，Claude Opus 5.5 几乎为零，看你的模型像谁就靠这个。
Nov 4
Chinese contentAnthropic 未发布新模型 Claude Fable 5.5 曝光：纯代码生成 66 秒动画
Anthropic 还没发布的新模型被开发者提前实测了，不用任何视频工具，纯写代码 2 小时 40 分钟做出一支 66 秒带配乐的动画，和 Sora 那种直接生成画面是两条路子。
Nov 3
Chinese contentOpenAI GPT-6.2 Astra 疑似灰度测试，Codex 用量统计中已出现
有 Codex 用户发现后台偷偷跑上了 gpt-6.2-astra，一个账号用量占比都到 19.8% 了，OpenAI 还没官宣，感兴趣可以去自己用量页看看有没有。
Oct 30
Chinese contentSamaya AI 发布 Sterling：3B 激活参数金融研究模型，成本仅 1/11
Samaya AI 用 3B 激活参数的小模型在 FrontierFinance 上超过了 Claude Fable 5.1，每题成本从 6.89 美元降到 0.61 美元，做金融研究的朋友可以看看。
Oct 28
Chinese contentClaude 独立署名论文，Anthropic 被指储备多项未发布成果
有人拆解了那篇只署名 Claude 的论文，猜 Anthropic 手里囤了一批发现等 IPO 时一起放，推理过程挺有意思。
Oct 22
Chinese contentAA-PersonalityBench：Anthropic 模型在信息密度与文风指标上领先
Artificial Analysis 测了各家模型的性格指标，Claude 全系在信息密度和文风两项都排最前，写文案的可以参考这个榜。
Chinese contentAA-PersonalityBench 发布：Grok 4.7 阿谀度最低，Meta 模型普遍偏高
新基准专门测模型多爱顺着你说，Llama 4 Maverick 97 分、Grok 4.7 最低，Claude 全系都偏低，想挑一款不谄媚的模型可以看看这份排名。
Chinese contentClaude Fable 5.1 等 4 个模型在 3D 场景中自发生成圣家族大教堂魔方
四个模型没被提示就画出了圣家堂那个魔方，有的还故意藏柱子后面，训练数据痕迹挺有意思。
Oct 20
AA-PersonalityBench Ranks Model Personality and Communication Style
The non-obvious insight is that correctness alone no longer separates models; style metrics like Slop and Conviction now offer a measurable way to pick a model for tone-sensitive use-cases such as legal drafting or creative writing. Teams building user-facing products can use the eight indexes to shortlist models matching their brand voice. The data covers Chinese models like GLM-5.3, DeepSeek V4.1 Flash and Qwen3.8 27B alongside Western ones, making direct stylistic comparison across the two ecosystems possible.
Oct 18
Chinese content研究人员测试 6 款 AI 智能体追讨火车票退款，暴露激进执行风险
让 6 个智能体去讨火车票退款，Grok 4.7 一周发 116 条消息还发诉前函，结果钱没要到，过程全程高能。
IT之家Source
Chinese contentOpenAI 被曝测试 Aurora red、green、alpha 三款新模型
OpenAI 藏了三款代号 Aurora 的新模型被网友扒出来了，推测是要对标 Claude 的 Astra 系列，感兴趣可以蹲一下后续。
Chinese content一句提示词，Claude Fable 5.5 生成 3 分钟原创动画短片
有人用一句话让 Claude Fable 5.5 生成了 3 分钟动画，画面配乐都是原创的，视频在推上可以看，不过模型名还没得到官方确认。
Chinese contentClaude fable 5.5 单条提示词生成 3 分钟动画短片并配原创音乐
有人拿 Claude fable 5.5 玩了个狠活：一条提示词让它生成人类进步史的 3 分钟动画，连配乐都是现做的，视频和音乐全无素材，挺开眼界的。
Oct 16
Chinese contentAgent Arena 更新 Bash Reliability 指标，Claude Opus 5.5 居首
Agent Arena 榜单换了个新指标 Bash Reliability，Claude Opus 5.5 还是第一，开源最强的 GLM 5.2 排到第 15，想选编程模型可以看看。
Oct 15
Chinese content9 个模型总结《哈克贝利·费恩历险记》改动版，仅 Claude Fable 5 两次全部通过
有人改了《哈克贝利·费恩历险记》原文喂给 9 个模型测理解力，只有 Claude Fable 5 两次都过关，Gary Marcus 拿它说事，看看你用的模型表现如何。
Chinese contentMeta Muse Wonder (Max) 登上 Agent Arena 第 12 名，成本为前代 2.1 倍
Meta 新模型 Muse Wonder (Max) 的实测排名出来了，智能体任务比上一代强不少，但价格贵了一倍多，文本榜冲到第 2，数据都在这。
Paper Instruments releases Ultramarine 1 Flash for document workloads
A cost gap of roughly 60x per task against Claude Fable 5, while scoring higher on a deliverables benchmark, could push professional-services firms to re-evaluate which workloads run on open models. Builders fine-tuning on top of GLM-5.3 Flash now have a concrete vertical example of post-training for rubric-graded outputs. Its open weights also make on-premise deployment viable for firms with client confidentiality constraints.
Chinese content谷歌发布 Gemini 4 Argon：Arena 榜第5，Cursor 同步接入
Gemini 4 Argon 全球上线，Cursor 接入价 $2/$10，Liquid AI 开源了 24B MoE。
Oct 14
Chinese contentAgent Arena 更新 Bash Reliability 指标，Claude Opus 5.5 居首
Agent Arena 把命令行评测指标换成了 Bash Reliability，前排还是 Claude Opus 5.5 和 GPT-6.1 Sol，想选模型跑智能体的可以看下榜单变化。
Chinese contentAgent Arena 排行榜更新：Claude Opus 5.5 居首，GLM 5.2 领跑开源模型
智能体跑分榜单更新了，Claude Opus 5.5 拿下第一，想给编程 Agent 选模型可以看下这份排名。
Oct 13
Chinese contentClaude Fable 5.5 痕迹出现在 Azure 配置中
有人在天蓝色（Azure）配置里挖出了 Claude Fable 5.5 的痕迹，可能是 Anthropic 新模型要来了，爆料还没被官方证实，先看看线索。
Chinese contentZ.ai 发布 GLM-Legal，Harvey 法律基准得分超 Claude Fable 5 和 Kimi K3
Z.ai 拿 GLM-5.3-Flash 微调出的法律模型，在 Harvey 基准上跑赢 Claude Fable 5 和 Kimi K3，做法律 AI 的可以看看。
Chinese contentMeta 发布 Muse Wonder 模型，Artificial Analysis 基准得分 56 排名第二
Meta 重启研发 14 个月后憋出 Muse Wonder，基准只输 Claude Opus 5.5 一名，编程还反超了，可以直接在 API 上试。
FrontierCode 1.1 Leaderboard Launches on Artificial Analysis
The benchmark penalises behaviours conventional evals ignore, such as oversized diffs, out-of-scope file edits and unhelpful tests, so its ranking offers a different picture of coding ability than SWE-style test suites. Even the best model fails over 40% of tasks, meaning maintainer cleanup is still unavoidable. Teams choosing models by cost-performance should note GPT-6.1 Sol matching Claude Fable 5.1 at under a tenth of the per-task price.
Chinese contentAgent Arena 数据：开源模型 12 周追平 Claude Fable 5
LMArena 给出实测数据：Kimi K3 和 DeepSeek V4.1 Flash 用不到一成的成本追平了 Claude Fable 5，做 agent 选型前可以看看这份榜单。
Chinese contentMeta Muse Wonder 定价低于 Claude Fable 5.1，声称表现更优
Meta 新模型 Muse Wonder 号称打过 Fable 5.1，价格还只要四成，贴文里有具体对比数字。
Chinese contentMeta 发布 Muse Wonder 与 Muse Wonder Full，智能指数升至 52 和 56
Meta 六周内又发了新模型，智能指数涨到 56，代理类任务进步明显，比 Claude 便宜但比 GPT-6 贵，做 agent 的可以看看。
Chinese contentMeta 新模型 Muse Wonder 曝光：1M 上下文，价格比 Claude Fable 低 60%
Meta 的新模型 Muse Wonder 被网友提前扒出来了，1M 上下文，价格只有 Claude Fable 的四成，订阅党还能解锁最强推理模式。
Oct 12
Chinese content传 Claude Opus 5.5 实际路由至其他模型，Claude Fable 5.5 或为幕后候选
有人发现 Claude Opus 5.5 背后可能偷偷换了模型，候选名字叫 Claude Fable 5.5，Anthropic 还没承认，吃瓜看看就好。
Oct 9
Harvey LAB-AA v1.1 Adds Hallucination Gate to Legal Benchmark
The hallucination gate reshuffles the leaderboard: Muse Spark 1.3 would lead at 26.7% all-pass without it, but two thirds of its passes contain material hallucinations, while GPT-6 Astra keeps nearly all its passes and jumps from joint 10th to 3rd. Legal tech teams benchmarking models for drafting work should weight groundedness over raw pass rates, and cost data matters too — Grok 4.7 tops the table at roughly US$9.50 per task, under half the ~US$21.70 of Claude Fable 5.1.
Oct 6
Chinese contentAgent Arena 发布智能体任务榜单：Anthropic 模型居 Code、Work、Chat 三类榜首
Arena.ai 更新了 Agent Arena 榜单，Anthropic 和 OpenAI 的模型在真实任务上谁强谁弱，一目了然。
Oct 5
Chinese contentGPT-6 Astra、GPT-6.1 Sol、Gemini 4 Argon、Claude Fable 5.1 四款前沿模型怎么选
四个前沿模型各有所长：Astra 擅长操作电脑，Argon 强在法律金融，Sol 写代码最便宜，看完就知道该用哪个。
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 3
Chinese contentClaude Fable 5.5 即将发布
Claude Fable 5.5 要来了，继承了 Sonnet 和 Opus 5.5 的好评，OpenAI 的 Bel 得加把劲了。
Oct 1
Chinese contentGoogle发布Gemini 4 Argon模型
Google的Gemini 4 Argon在编程能力上有显著提升，代码基准测试超越主要竞争对手，还优化了内存使用和价格策略。
Chinese contentGoogle发布Gemini 4 Argon模型
Google新旗舰Gemini 4 Argon在法律领域大幅领先，输出限制达行业最高1M tokens，还优化了视频解码速度。
Sep 30
Chinese contentClaude Sonnet 5.5 在 Code Arena 排名第四
Anthropic 发布的 Claude Sonnet 5.5 性价比极高，在多个关键领域排名从第 30 多位跃升至第 4 位。
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