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。
Latest
Every published item, in order · 66 items
Jun 6
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。
Products03:21
Chinese contentMistral 3.5 加入 Arena Agent Mode，可执行复杂真实任务Arena 的 Agent Mode 让开发者能直接对比主流模型在真实复杂任务上的表现，做智能体应用选型的团队值得亲自上手测试，结果会直接影响排行榜。
Jun 5
Chinese contentArena 推出 Agent Mode，支持 GPT-5.5/Claude Opus 4.7 等模型
Arena 的 Agent Mode 让开发者可以直接对比前沿模型在真实任务中的表现，做 AI 评测或选型的团队值得一试。
Chinese contentAgent Mode 上线：AI 智能体能力在 Arena 中可评测
Arena 的 Agent Mode 解决了 AI 评测脱离实际任务的问题，做智能体应用或选型的开发者可以直接上手对比 GPT-5.5 和 Claude Opus 4.7 的真实表现，值得一试。
Chinese contentAgent Arena 发布：大规模真实世界智能体评测
智能体评测终于从玩具任务走向真实场景——做 AI 应用或智能体开发的团队，可以直接用 Arena 的评测结果来选模型，比跑基准测试更有参考价值。
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。
Chinese contentGLM 5.1 + Claude Opus 4.7 顾问模式：法律基准 18/100，成本降 61%
法律 AI 团队终于有了降本增效的实战方案——用 GLM 5.1 搭配 Claude Opus 4.7 做稀疏顾问，性能提升 28% 的同时成本砍掉 61%，做法律智能体或长链推理的开发者值得一试。
Jun 3
Chinese contentFactory Router：编码智能体模型选择器，节省20-25%成本
做编码智能体开发的团队终于有了一个智能省钱方案——Factory Router 用路由策略自动平衡成本与性能，建议试试能否集成到你的工作流中。
May 29
Chinese contentGrok Build 0.1 实战成本仅 1.65 美元，马斯克称物超所值
Grok Build 0.1 用 1.65 美元完成了一个 webhook 服务开发，成本远低于同类模型，做全栈或自动化开发的团队值得关注这个新选择。
May 28
Chinese contentQwen3.7-Max 登顶 ITBench-AA 企业 IT 任务评测第三
企业 IT 运维团队终于有了靠谱的 AI 评测标准——ITBench-AA 模拟真实 K8s 故障排查场景，做 SRE 或 FinOps 的开发者可以直接参考模型表现来选型。
Chinese contentDatacurve 发布 DeepSWE：更难、更真实的编程基准测试
做 AI 模型评估或选型的团队，DeepSWE 能帮你看到模型在长周期软件工程任务上的真实差距，建议关注这个新基准。
May 26
Chinese content微软 Copilot Cowork 智能体曝安全风险，机密文件恐外泄
企业安全团队和 Microsoft 365 管理员需要立即关注——这个漏洞让攻击者能绕过权限控制窃取机密文件，建议检查 Cowork 的自动技能加载策略并限制外部内容读取。
IT之家Source
May 25
Chinese content双智能体LLM框架：生成物理约束本构模型，精度与泛化兼得
做材料本构建模的团队终于有了靠谱的AI助手——双智能体框架自动生成物理有效的模型，省去手动校验的繁琐，建议做固体力学或生物力学仿真的开发者点开看看。
May 23
Chinese contentQwen 3.7-Max 在智能体任务中击败 Opus 4.7 和 GPT-5.5
做智能体开发或自动化任务的团队，Qwen 3.7-Max 在成本与性能上碾压对手，值得在类似场景中直接替换测试。
May 22
Chinese contentQwen-3.7-max 在智能体任务中击败 GPT-5.5 和 Opus 4.7，成本低 9 倍
做智能体开发或自动化任务的团队，可以拿 Qwen-3.7-max 替代高价闭源模型，成本直降 9 倍效果反而更好，值得立刻跑个 benchmark 验证。
Chinese contentQwen 3.7-Max 在智能体任务中击败 Opus 4.7 和 GPT-5.5
Qwen 3.7-Max 在智能体任务中成本仅为 Claude 的1/9、GPT 的1/2，性能提升却翻倍，做 AI 智能体开发的团队值得关注这个性价比之选。
Chinese contentRefusalBench：拒绝率误导前沿LLM在生物研究提示上的安全排名
做AI安全评估或生物研究合规的团队，这个基准能帮你避开“拒绝率越高越安全”的误区——Grok 4.20的案例值得点开看看。
Chinese contentCursor Composer 2.5 发布：低成本高性能编程代理，成本仅为竞品1/60
Cursor 用 1/60 的成本实现了接近顶级模型的编程代理性能，做自动化开发或频繁使用 AI 编程的团队可以直接省下大笔费用，建议试试 Fast 模式感受响应速度。
May 20
Chinese content谷歌发布 Gemini 3.5 Flash：输出速度 4 倍于 GPT-5.5
速度翻倍意味着更低的延迟和更高的吞吐量，做实时 AI 应用或大规模推理的开发者值得关注，可以直接用起来提升效率。
IT之家Source
May 19
Chinese contentMythos漏洞复现基准测试：GPT-5.5仅5/18成功
这个实验戳破了AI漏洞发现能力的泡沫——即使给定了目标文件，顶级模型复现已知漏洞的成功率也极低。做AI安全评估或漏洞研究的团队，看完会重新审视benchmark的可靠性。
May 14
Chinese content杨植麟40分钟视频拆解Kimi K2训练：460万美元颠覆大厂烧钱逻辑
杨植麟用460万美元和极致架构打脸烧钱竞赛，做AI代理或准备2026年入场的团队，看完会重新思考资源分配策略——建议存下来周末细看。
Chinese contentAnthropic 发布 Claude Opus 4.7 与 Claude Design 等多款新品
Claude Opus 4.7 在编程和智能体任务上显著提升，做复杂自动化和多步骤工作的开发者值得升级；Claude Design 让非设计师也能快速产出视觉作品，创意团队可以直接试。
May 13
Chinese contentAnthropic 发布 Claude Opus 4.7：更强编程与智能体能力
做复杂编程和智能体开发的团队终于有了更靠谱的选择——Opus 4.7 在多步骤任务上的一致性提升明显，建议直接上手测试。
Chinese contentMEME 基准测试：多实体与演化记忆评估，所有系统在依赖推理上崩溃
做 LLM 智能体长期记忆系统的团队会发现，现有方案在依赖推理上几乎失效——MEME 基准暴露了被忽视的盲区，值得点开看看你的系统能否通过级联和缺失任务。