An 8.8B model matching near-frontier coding and math quality at consumer-hardware size changes the calculus for local inference, where running Claude- or GPT-class ability previously required cloud APIs. Developers building offline or cost-sensitive tools can deploy it from a single quantized 4.98 GiB file on commodity machines. Its efficiency-trained reasoning also cuts token counts, which matters for anyone benchmarking small models against Qwen3.5-9B or Gemma 4 31B.
Latest
A small open-scale model beating frontier systems on creative diversity shows that reward design, not model size, can be the bottleneck in AI-driven research ideation. Teams building automated research or ideation pipelines can study the set-level reward scheme as a cheaper alternative to relying on frontier APIs. The paper is on arXiv (2610.22324) with a companion Chat with Paper resource from DAIR Academy.
Mistral Large 4 预览版冲进 WebDev 榜第45名,价格只有 Claude Opus 4.8 的六分之一,10月底还会开源。
Mistral 的新模型 Mistral Large 4 在 WebDev 榜单一口气从130名冲到45名,价格只有 Claude Opus 4.8 的六分之一,10月底还会开源权重,可以蹲一下。
朋友发现个好玩的事,三个安全研究员用 Claude 模型,花不到三天就搞定了 OpenAI 的员工账户,还拿到了他们的代码库,挺有意思的。
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…
Thomson Reuters 花费 4000 万美元训练自己的大模型,用 175 年专业数据,性能接近 Claude Opus 4.8。
Inherent新推Faraday智能体,小模型大能力,强化学习助其超越GPT-5.5与Claude Opus 4.8,值得关注。
Qwen-UI-Agent outperforms major models in GUI tasks across mobile, desktop and web environments, with real device testing showing near-perfect performance.
DeepReinforce刚发布了Ornith-1.5系列开源模型,里面有量化版居然能在iPhone 17手机上用,而且大模型性能和Claude Opus 4.8差不多甚至更强,和其他模型比也有优势,值得看看。
一个叫Faraday的27B智能体,把论文复现变成强化学习任务,在测试集上赢了Claude Opus 4.8和GPT-5.5,还把编码agent当工具用,有点意思。
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…
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…
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…
Qwen3.8 Max一口气涨10分追平Claude,但Kimi K3更便宜还更强,值得看。
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…
GPT-5.6 的 Sol 版在 Agent Arena 上表现亮眼,比 Terra 和 Luna 都强,直接对标 Claude Opus 4.8。想了解新模型实力的话可以看看。
Kimi K3 智能体能力追上 Claude 和 GPT,还计划开源,前端编码直接登顶,值得关注这个国产模型的新进展。
SpaceXAI 的 Grok 4.5 用 $0.31 就干到一流水平,比 Claude 便宜 9 倍,token 还省 6 倍,省钱党可以关注。
Kimi K3 Max在三个内部知识工作基准上全面超过Claude Opus和GPT-5.5,适合关注智能体工作流的人看看。
Moonshot发了2.8万亿参数Kimi K3,前端代码超越Fable 5,开放权重版月底就能用,价格虽高但看齐Claude Sonnet。
开源模型Kimi K3性能吊打Claude Opus 4.8,价格却和Sonnet一样,值得关注。
Meta 的 Muse Spark 1.1 强化了多智能体协作与代码开发,支持百万 token 长上下文,但部分场景弱于 GPT-5.5 和 Claude Opus 4.8。
Perplexity把Grok 4.5作为Computer的编排模型,代理研究任务得分最高,价格只有Opus 4.8的一半,值得试。
Grok-4.5 在编码前端基准里干到了第三,比 4.3 狂升 59 名,跟 GLM-5.2、Claude Opus 4.8 一个水平线。想试试新编码模型的可以关注。
想选行业AI模型?Claude Fable 5 碾压全场,但成本是 DeepSeek V4 Pro 的百倍,性能只多 12 分,性价比得掂量。
马斯克的SpaceXAI联手Cursor搞了个新模型,据说能跟GPT-5.5和Claude Opus 4.8掰手腕,可以看看。
Armin 用实际 bug 案例拆解了 Claude 新模型在工具调用上的奇怪倒退,解释了为什么更强的模型反而更不听话,读起来很爽。
这篇展示了用GPT和Claude联手破解COLT、FOCS等顶会未解难题,还开源了pipeline,做理论计算的值得看看。
普林斯顿搞了个AI当老板的模拟考试,Claude Fable 5赚了4700万,其他大多破产,这测试挺能看出谁更适合做长期决策。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。