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。
Latest
Every published item, in order · 762 items
Jun 28
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 content基于DeepSeek V4的终端编码agent，7个bug修复仅¥1.07
这个基于DeepSeek V4的终端agent超省钱，修7个bug才1块零7分，比Claude Opus便宜30倍，编码体验还接近Claude Code。
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 contentAnthropic指责阿里巴巴实施最大规模蒸馏攻击，自己却被曝双标
Anthropic刚发的Claude Opus 4.8被揭套壳千问和DeepSeek，转头就告阿里偷模型，马斯克都看不下去了，这瓜绝对值得吃。
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 contentGenspark Design 发布：由 Claude Opus 4.7 驱动的 AI 设计工具
不用学设计软件，上传 Figma 或画个草图就能出 UI、视频、动画，还能一键转代码，设计师和产品经理都该试试。
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 contentMacAgentBench：在真实macOS桌面上评估AI智能体的基准
这篇论文发布了MacAgentBench，一个包含676个macOS桌面任务的智能体基准。它用细粒度评分发现Claude Opus 4.6配合OpenClaw能拿到73.7%的正确率，而且不同模型表面分一样但实际完成能力差很多，值得研究智能体的去看。
Chinese content理论工具箱：基于智能体的LLM辅助经济理论研究工具
这篇论文为你演示了如何用LLM做经济理论研究，重点不是让模型生成答案，而是设计验证流程来确保结果可靠，三种方法对比很清楚。
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 content马斯克预测中国大模型2027年Q1追上Fable，唐杰回应'用不了那么久'
马斯克说国产大模型要等到2027年才能追上Anthropic的Fable，但智谱的唐杰直接回怼用不了那么久。GLM-5.2刚在编程测试上赢了GPT-5.5，差距正在缩小。
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。
Products08:30
Chinese content当前最爱模型推荐：Claude Opus 4.7等及一站式工具Anuma有人列出了7款主流模型推荐，还发现Anuma能跨模型保持对话、对比答案，省订阅费。
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
Papers10:30
Chinese contentTAC基准测试：AI旅行代理会预订斗牛吗？前沿模型隐含动物福利评估动物福利问题有了AI专属的代理基准TAC，实测Claude Opus 4.7刚过一半，加个提示词能暴增60%，暴露了模型在实际行动中的盲区。
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。
Chinese contentAgentic AI生成并行Julia代码的可扩展性研究
这篇论文测试了GPT-5.5、Claude Opus 4.7和Qwen3-Coder-Next用智能体写并行Julia代码，在超算上跑192核，发现小规模还行，大规模容易死锁或OOM，开源模型最差。做HPC或Julia并行开发的人值得看。
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。