Chinese contentQuoteBench：匹配分数掩盖命令路径失败
这篇论文用 QuoteBench 拆穿了只看匹配分数的假象，原来 GPT-5.6-sol 的分数是负 64 和正 60 抵消出来的，部署配置一变排名就翻，评估编程智能体前该看看。
Latest
Every published item, in order · 1438 items
Aug 14
Chinese contentOpenAI 推 Ultrafast 模式：GPT-5.6 Sol 提速 14 倍
OpenAI 给最强模型 GPT-5.6 Sol 上了个超快模式，每秒能出 750 个词元，比原来快 14 倍，适合客服、金融这些要抢时间的活儿。
Chinese content谷歌推出Gemini 3.7 Flash，效率优于Sonnet 5
谷歌新发的Gemini 3.7 Flash，效率比Sonnet 5高，价格只有3.6 Flash一半，现在AI Studio就能玩。
Chinese content谷歌发布 Gemini 3.7 Flash：编码更强，价格比 3.6 Flash 降 50%
谷歌新出的 Gemini 3.7 Flash，编码和智能体能力更强，价格比 3.6 又砍半，还比 Claude 和 GPT 便宜一半，拿来写代码试试。
Chinese contentGemini 3.7 Flash (High)在Agent Arena排名第20，较前代跃升15位
谷歌新出的Gemini 3.7 Flash在智能体评测里冲到第20，比上代强一截，编码和网页开发更好用了，感兴趣的可以试试。
Chinese contentGrok-4.6 升至 Code Arena WebDev 第五，超越 Claude Fable 5 与 GPT-5.6 Sol
Grok-4.6 刚发布就把网页开发能力冲进第一梯队，分数压过 Claude 和 GPT 的最新版，差距只有个位数，写代码的可以关注下。
Chinese contentGPT-5.6 Sol 预览：Ultrafast 模式速度提升14倍
OpenAI 出了个 GPT-5.6 Sol 极速版，快 14 倍，先在 API 给一小部分客户用，后面会铺开。
Chinese contentUltrafast模式预览：GPT-5.6 Sol提速14倍
OpenAI搞了个叫Ultrafast的API新档位，跑GPT-5.6 Sol能快14倍，每秒750 token，用的是Cerebras的芯片。
Aug 13
Chinese contentRamp报告：7月OpenAI GPT-5.6 Sol企业收入超Anthropic Fable 5
Ramp用7万家企业账单告诉你，OpenAI的GPT-5.6 Sol收入反超了Fable 5，但采用率还是Anthropic领先，看企业AI花钱风向。
Chinese contentGrok 4.6 上线 Devin Desktop 和 Devin CLI
Grok 4.6 已经能在 Devin 里用了，Desktop 和 CLI 都支持，比 GPT-5.6 Sol 强，仅次于 Opus 5 和 Fable 5，想尝鲜的赶紧试试。
Chinese contentGrok 4.6 登陆 Devin，超越 GPT-5.6 Sol
Grok 4.6 上 Devin 了，跑分超过 GPT-5.6 Sol，只差 Opus 5 和 Fable 5，想试试的可以关注。
Chinese contentSimon Willison发布alchemy-utils 0.1a0：多数据库版sqlite-utils
Simon Willison 发布了 alchemy-utils，相当于多数据库版 sqlite-utils，支持 PostgreSQL 和 DuckDB，一行命令导入查询，CSV 导 DuckDB 仅 35 秒。
Chinese contentGrok 4.6发布：Agent更强、编程更好，价格与4.5持平
Grok 4.6发布，价格不变，Agent和编程更强，AA Intelligence Index追平GPT-5.6 Sol，API输入2美元/百万Token。
Chinese contentxAI Grok 4.6 追平 GPT-5.6 Sol，价格低超 60%
xAI 的 Grok 4.6 跑分追平 GPT-5.6，智能体任务比 Claude 更省步数，价格还便宜一大截，想换 API 的可以看看。
Chinese contentDeepSeek-V4-Pro Max发布，Code Arena开源第2
DeepSeek新模型V4-Pro专攻代码生成，在Code Arena排第8，开源第2，仅次于Kimi K3，还超过了GPT-5.6 Sol。
Chinese contentxAI 发布 Grok 4.6：性能追平 GPT-5.6 Sol
xAI 出了 Grok 4.6，据说追平 GPT-5.6 Sol，还附提示词和使用指南，想试试新模型的可以看。
Chinese contentDeepSeek-V4-Pro (Max)在Text Arena开源模型排名第5
DeepSeek新模型在Text Arena拿1465分，和GLM-5.1、GPT-5.6 Terra一个水平，开源阵营排第五。
Chinese contentSpaceXAI发布Grok 4.6：500K上下文，针对长时智能体与编码优化
Grok 4.6来了，500K上下文还加了xhigh推理，跑长任务更稳。编码还是短板，但智能体场景可以试试。
Chinese contentDeepSeek-V4-Pro (Max) 位列 Code Arena: WebDev 开源第二
DeepSeek 又发新模型了，V4-Pro (Max) 在编码榜上排开源第二，比贵得多的 Opus-4.8 还强，价格只要零头。
Chinese contentSpaceXAI 发布 Grok 4.6，多项基准与 GPT-5.6 Sol 持平
SpaceXAI 的 Grok 4.6 发布，跑分追平 GPT-5.6 Sol，长流程编程和搭应用更强，已上线 Cursor，首周额度翻倍。
Chinese contentGrok 4.6 发布，LMArena WebDev 排名第7
xAI 把 Grok 4.6 放出来了，网页开发能力直接冲到 LMArena 第7，跟 GPT-5.6 和 Claude 最新版就几分之差，这代提升挺猛。
Aug 12
Chinese contentLoRA微调让小型开源模型胜任数学隐喻编码任务
想知道小模型微调后能不能干过大厂API？这篇用2千多条真实学生数据实测，DeepSeek-R1 1.5B微调后比GPT-5 mini还稳。
Chinese content中国前沿大模型并非铁板一块：实验室间合作均衡差异显著
想知道中国大模型是不是都一个样？这篇论文用囚徒困境测了DeepSeek、Qwen、Kimi和GLM，发现它们合作倾向差别挺大，别再把它们当铁板一块了。
Papers17:56
Chinese contentLLM验证新框架：选择性精修提升医疗问答准确率这篇论文教你怎么用弃权信号做推理精修，不用建知识图谱，医疗问答准确率直接涨9.6个点，GPT-5.5和DeepSeek-R1都试过。
Aug 11
Papers11:13
Chinese content完全二叉树的行路径宽度下界问题获解OpenAI的GPT-5.6 Sol Pro帮人解决了一个2022年的数学难题，想知道AI怎么证明图论下界？看这篇。
Chinese contentOpenAI扩展网络安全服务Daybreak，新增蓝红两级与GPT-5.6-Cyber
OpenAI把Daybreak拆成蓝红两档，红档独享的GPT-5.6-Cyber专门做漏洞研究，埃森哲、IBM这些公司已经在内测了。
Chinese contentClaude Haiku 幻觉问题遭吐槽，性能被 GPT-5.6-Luna 超越
Simon Willison 说 Claude Haiku 幻觉多，不如 GPT-5.6-Luna，还会污染 Claude Code 抓网页，用起来要小心。
Chinese contentOpenAI推出Daybreak Red，接入GPT-5.6-Cyber等安全模型
OpenAI出了个Daybreak Red，能让安全研究员用GPT-5.6-Cyber这类专用模型搞漏洞测试，比通用模型更对口。
Chinese contentOpenAI发布GPT-5.6-Cyber，专攻漏洞利用与安全防御
OpenAI出了个专攻安全的GPT-5.6-Cyber，能帮你找漏洞修漏洞，实测抓了不少开源0-day，搞防御的可以试试。
Chinese contentOpenAI发布GPT-5.6-Cyber并扩展Daybreak计划
OpenAI出了个网络安全专用模型GPT-5.6-Cyber，Daybreak计划也扩容了，搞防御的可以看看。
Chinese contentOpenAI发布GPT-5.6-Cyber，助防御者先于攻击者发现漏洞
OpenAI出了专攻安全的GPT-5.6-Cyber，能挖Chrome漏洞，安全查询成功率98.5%。
Chinese contentOpenAI推出GPT-5.6-Cyber，扩展网络安全计划Daybreak
OpenAI出了个网络安全专用模型GPT-5.6-Cyber，专门给防御者用的，赶在攻击者用AI搞破坏之前。