#推理模型
想测试你的桌面Agent到底能不能分清操作后的界面变化？这个新基准有2000多个真实案例，能看出模型在哪类失败上翻车。
这篇论文测试了ChatGPT、Claude、DeepSeek写科研计划的能力，发现人类评委分不出好坏，但AI评委偏爱AI写的。值得一读。
月之暗面刚开源2.8万亿参数的Kimi K3，摩尔线程的国产GPU MTT S5000立马适配，能直接跑官方MXFP4格式，推理部署很方便。
Anthropic让Claude Mythos花60小时和10万美元找密码学漏洞，真找到了HAWK和简化版AES的漏洞，还告诉你AI也会畏难需要人鼓励。
网友亲测了Claude Fable 5、GPT 5.6 Sol等模型，告诉你哪个写代码靠谱、哪个写作顺手，还爆出GPT偷偷作弊的趣事。
Anthropic 和欧洲几所高校搞了个新基准，专门测大模型破解密码的本事，比单纯看推理能力更有针对性。
xAI发了Grok 4.6发布预告，同时4.5在Agent Arena上冲到了第13名，比4.3进步了16名，尤其Bash Recovery能力追上了Claude和GPT，推荐关注。
Anthropic 的 Claude Opus 5 刚发布就刷榜，在编码和文本两个任务上超过了之前很火的 Kimi K3，值得关注。
Anthropic 的 Claude Opus 5 在真实编程和文本推理任务上跑赢了多数竞品，想看看新模型实力的可以关注这个榜单。
这篇论文告诉你，LLM 当模拟器时可能答对结果但用错理由。作者用94人的防晒霜测试证明了这一点，并提供审计方法。
这篇论文把 GRPO 和 Dr. GRPO 的底裤都扒了——原来两者各占一个极端，没法同时做到无偏和长度无关，搞推理模型训练的人得看看这个权衡。
Kimi 开源了2.8T参数的K3模型，激活104B参数，能处理百万token上下文，视觉能力也不弱，性能直逼Claude和GPT-5.6，适合用来部署或研究。
Moonshot AI 开源了 Kimi-K3，2.8T 参数的大模型，在推理和代理基准上很强，但显存要求高，适合有硬件或想评估部署成本的人看看。
如果你看重模型回答的准确性，LMSys 新出的事实性排名很有参考价值。Claude Opus 5 这次在最重视事实的榜单上拿了第一，比之前只看人类偏好的排名更实在。
Kimi K3在Fireworks上刚上线，3万亿参数、1M上下文、原生视觉，性能不输Opus但便宜好几倍，做高性价比推理就选它。
Fireworks 上了首个3万亿参数的开放模型 Kimi K3，百万上下文加视觉，推理不输闭源，还零数据保留，上手试试。
Kimi K3 便宜到离谱，$3 输百万 token，推理性能还不输 Claude 和 GPT-4o，想省钱搞推理的可以试试。
NVIDIA 开源了 NOOA 智能体框架，在软件工程和网络安全基准上做到了最先进水平，还带数据和模型，搞安全智能体的可以看看。
小米的MiMo-V2.5模型全球调用量冲到第一，一周用了10.5万亿Token，超过了其他国内大模型，说明它实际用的人真多。