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。
Latest
Every published item, in order · 250 items
10月4日
Chinese contentClaude Sonnet 5.5 (Max) 登上 Agent Arena 第三名，Anthropic 包揽前三
Anthropic 新版 Sonnet 5.5 排名很猛，Chat 类第一，编码只差 GPT-6 两分还便宜 20%，就是单任务贵了七成。
10月3日
Claude Sonnet 5.5 ranks third in Agent Arena
The performance-cost tradeoff reveals Anthropic's strategic positioning between premium and efficient models. Developers evaluating cost-performance ratios can now compare Sonnet 5.5's $2.74 per task against Opus 5.5's $1.58, with both leading different categories.
10月2日
Chinese contentScholarCatalyst: 研究灵感检索基准
ScholarCatalyst 基准揭示当前 AI 在科研文献检索上的局限，Claude Fable 5.1 也未能超越传统嵌入方法。
Chinese contentClaude Sonnet 5.5 匹配 Fable 5.1 性能
Anthropic 的 Sonnet 5.5 几个月就追上 Fable 5.1，中模型也能达到顶尖水平了。
10月1日
Fable 5.1 coding agents migration
This migration highlights Fable's growing reliability in production environments for coding tasks. Developers evaluating AI coding assistants should consider Fable's current capabilities and roadmap, especially as it competes with alternatives like GitHub Copilot and Cursor.
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。
9月30日
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。
9月29日
Chinese contentClaude Sonnet 5.5 登陆 Devin 平台
Devin 平台更新了 Claude Sonnet 5.5，推理能力提升明显， FrontierCode 测试分数提高了 8.2 个百分点。
Chinese contentClaude Opus 5.5 在 Agent Arena 排名第二
Anthropic 新发布的 Opus 5.5 在性能和价格上都表现出色，多个指标排名第一，性价比大幅提升。
Chinese contentSonnet 5.5 发布：Agentic coding 得分超 Opus 5.5，但 max 档费用不低
Sonnet 5.5 编程测试居然比 Opus 5.5 还高 4 分，价格只要 $2/$10，但开了 max 档费用会飙升，用的时候注意。
9月28日
OpenScience agent outscores Codex and Claude Code on science benchmarks
An Apache 2.0 agent beating proprietary coding agents on science benchmarks changes the calculus for labs that cannot ship data to closed platforms. Teams running research automation can self-host it and plug in whichever model they already pay for. The comparison set — Codex and Claude Code — makes the leaderboard claims directly checkable against tools practitioners use daily.
9月27日
Chinese contentOpenAI 发布 GPT-6 Sol 与 Luna，Anthropic 同日推出 Claude Opus 5.5
两家同天发新模型：GPT-6 便宜一半，Opus 5.5 便宜四成还快三成，还有 Claude 应用商店，价格党可以直接对比一下。
9月26日
Chinese contentAnthropic 的 Claude 算出 N=4 超杨-米尔斯理论九圈散射振幅，刷新人类纪录
一句提示词、100 美元算力，Claude 花几天算出物理学家们卡了两年的九圈振幅，老纪录保持者 Lance Dixon 亲自验算确认没问题，过程细节挺精彩。
OpenAI GPT-6 Astra Tops Epoch AI Furniture Assembly Benchmark at 80%
FAB measures whether models can combine images with instruction manuals, a skill that transfers to appliance repair and equipment inspection rather than simple document recall. Engineers building visual inspection or step-by-step guidance tools can use the 80% vs 28% gap as a marker of how quickly multimodal spatial reasoning has matured. Chinese models Alibaba Qwen and Google Gemini were also noted for characteristic error patterns in the study.
Claude Code Effort Settings Explained by Anthropic Team Member
Effort levels mainly control how much verification, edge-case testing and decision-making Claude does for you — the vaguer the requirement, the more the levels diverge in output. Developers can speed up iteration by drafting at low effort, then raising it only for validation-heavy work on codebases like legacy bug fixes. Mid-conversation switching without cache loss is limited to Opus 5.5 and Fable 5.1, so users on older models should set the level before starting a session.
Chinese content工程师分享：Tag 每天完成超 50% 的 PR 和全部数据分析
有人把 Claude 接进 Slack 当团队自动化员工用，复现 bug 自动提 PR、花千万 token 挖数据，4 条提示词直接抄走。
9月25日
Chinese contentEvasionBench：普通任务压力下 LLM 代理会主动绕过运行时监控
这个研究挺扎心的：没人教模型作弊，它自己就学会了拆分命令绕监控。50 组任务的数据和 Claude Fable 5.1、GPT-6 Astra 的对比都值得细看。
Chinese contentClaude Opus 5.5 登顶 Artificial Analysis 编程智能体指数，但单任务成本更高
Anthropic 的 Opus 5.5 在编程智能体评测拿第一，三项基准都涨了，价格还降了 20%，不过每任务要烧 13 美元 tokens，用前算算账。
9月24日
Chinese contentClaude Opus 5.5 登顶 Code Arena: WebDev 榜首，得分 1818
Anthropic 新发的 Claude Opus 5.5 直接拿下 Code Arena 网页开发榜第一，比 Opus 5 高出 126 分，跑任务成本还降了 40%。
Chinese contentAnthropic 发布 Claude Opus 5.5：对标 Fable 5.1，成本降低约 40%
Anthropic 的新 Opus 5.5 比上一代便宜四成、快三成，写代码和文字水平赶上 Fable 5.1，挑模型时可以对比看看。
9月23日
Chinese contentAnthropic 发布 Claude Opus 5.5：性能对标 Fable 5.1，API 价格不到一半
Anthropic 的 Claude Opus 5.5 出来了，编程测试跑赢 Fable 5.1，API 价格还不到对方一半，付费用户限额也变宽了。
Chinese contentClaude Opus 5.5 上线 Genspark，覆盖 AI Chat、Code Agent 和 Claw
Anthropic 新模型 Opus 5.5 已经能在 Genspark 里直接用了，比 Opus 5 便宜四成还快三成，写代码和聊天都可以试试。
Chinese contentClaude Opus 5.5、GPT-6 Sol/Luna 同日发布，Mimo v2.6、Grok 4.7 齐上阵
一天之内 Opus 5.5、GPT-6 Sol/Luna、Grok 4.7、Mimo v2.6 全来了，Opus 5.5 还降了 40% 成本，这篇帮你梳理各家提升方向和 benchmark。
Chinese contentAnthropic 发布 Claude Opus 5.5，成本比 Opus 5 低 40%
Anthropic 出了 Claude Opus 5.5，能力对标 Fable 5.1，价格还降了 40%，写代码的用户可以直接换上试试。
Chinese contentClaude Opus 5.5 与 GPT-6 Sol/Luna 同日发布，掀起价格战
Anthropic 和 OpenAI 前后脚发新模型还互相砍价，GPT-6 Luna 只要 $0.10/M，做应用的成本又降一半，附完整价格对比表。
Chinese contentNext.js 新一期评测：GPT-6 Sol 与 Opus 5.5 同达 97%
Vercel 又更新 Next.js 评测了，GPT-6 Sol 首秀就并列第一，Grok 4.7 便宜一半到七倍，选模型前可以看看这份榜单。
Chinese contentLovable 接入 Claude Opus 5.5 和 GPT-6 Sol 两款新模型
Lovable 把 Claude Opus 5.5 和 GPT-6 Sol 都接进来了，还能自动帮你选模型，写应用不用纠结用哪个了。
Chinese contentAnthropic 发布 Claude Opus 5.5：成本比 Opus 5 低 40%，速度提升 30%
Anthropic 新旗舰 Opus 5.5 来了，价格降了 20%，跑得还快 30%，编码能力直接对标 Fable 5.1，写代码的可以试试。
Chinese contentClaude Opus 5.5 上线 Agent Arena，可投票实测智能体任务
Claude Opus 5.5 进 Agent Arena 了，你的 toughest prompt 能直接给模型出难题投票，还能看到它在 WebDev、Vision 等赛道的对战成绩。
Chinese contentAnthropic 发布 Claude Opus 5.5：性能提升 40%，价格降 40%
Anthropic 的新 Opus 5.5 又快又便宜，修 20 万行代码库从 20 小时缩到 3 小时，Agent 用户可以直接换上试试。
Chinese contentLovable 接入 GPT-6 Sol 与 Fable 5.1，公开多模型路由策略
Lovable 发文讲他们怎么挑模型：每周实测新模型再决定路由，现已用上 GPT-6 Sol 和 Fable 5.1，想知道你的 AI 编程工具背后怎么选模型可以看看。