Meta 搅动前沿模型格局，开源与闭源同时发力
Meta 发布开源权重模型 Muse Spark Open，并称其是当前最强的美国开源模型，同期还推出闭源模型 Muse Wonder 与 Muse Wonder Full。
推荐理由：文章把 Meta 开源与闭源模型的同期发布放进美国前沿实验室竞争格局里比较，并拆解其自定义许可的实际约束。
#评测/基准
Interconnects精选AI 评分7878 RadarAI精选AI 评分8080 DeepSeek 发布开源权重模型 DeepSeek-V4.1-Flash-1017
DeepSeek 发布开源权重模型 DeepSeek-V4.1-Flash-1017，在 DeepSWE 1.1 基准上取得 77% Pass@1，据称超过 GLM-5.3、Kimi K3、GPT-5.6 Sol 和 Opus 5。模型已上线 DeepSeek Chat、API 和 HuggingFace，官方称相比上一版性能更强、任务完成更快、输出更短，并在性能与成本上实现 Pareto 改进。
推荐理由：DeepSeek 新开源权重模型在编码基准上的成绩与极低成本，为评估开源模型能否替代闭源方案提供了参照。
RadarAI精选AI 评分7878 可灵 Kling 4.0 上线：支持30秒一镜到底，作者实测动态与全能参考
可灵 AI 凌晨上线视频模型 Kling 4.0，支持最长 30 秒直出和最多 10 帧的多帧参考，并强化全能参考与大范围动态表现。作者烧数万积分实测城市追逐、电梯打斗、花样滑冰等场景，认为纸箱形变等细节体现物理规律理解的提升。
推荐理由：作者实测了城市追逐、电梯打斗等场景，并给出积分与价格成本，读者可据此评估 Kling 4.0 是否值得用在创作流程里。
RadarAI精选AI 评分8282 Meta 发布 816B 开源权重模型 Muse Spark Open，Artificial Analysis 智能指数得 39 分
Meta 发布开放权重模型 Muse Spark Open，总参数 816B、激活 42B（MoE），在 Artificial Analysis Intelligence Index 上得分 39，成为美国排名第一的开放权重模型。
推荐理由：Artificial Analysis 的第三方基准给出了该模型与 Meta 自家旗舰及中国开源模型的分数、成本对比，可据此判断开源权重阵营的位置变化。
The Decoder精选AI 评分8080 GPT-6-Astra 在 TheoPhysEval 上解出 50 道物理研究题中的 49 道，单题约 2.40 美元
一项新基准测试让商用 AI 智能体在无人类提示下求解理论物理研究题，运行在 OpenAI Codex 环境中的 GPT-6-Astra 解出 50 题中的 49 题（98%），平均每题成本不到 3 美元，整套基准约 116 美元。
推荐理由：读者可看到前沿模型在理论物理论文级计算上的实际得分、成本与失败模式，以及作者对科研训练与资源门槛的影响判断。
RadarAI精选AI 评分8282 Gemini 4 Argon 正式 GA，智能指数追平 GPT-6 Astra，每任务成本仅为其 60%
Google 的 Gemini 4 Argon 正式 GA，在 Artificial Analysis Intelligence Index 上与 GPT-6 Astra 排名持平，每任务成本仅为后者的 60%。
推荐理由：对比 Gemini 4 Argon 与 GPT-6 Astra 的智能指数和每任务成本，可用于评估同等智能水平下的性价比选择。
RadarAI精选AI 评分7878 Google DeepMind 的 Gemini 4 Argon 上线 OpenRouter
Google DeepMind 的 Gemini 4 Argon 已在 OpenRouter 上线，可通过 Google AI Studio 和 Google Cloud 调用。
推荐理由：原文给出 Gemini 4 Argon 的定价与三项基准成绩，读者可据此评估其在 OpenRouter 上的可用性与性价比。
RadarAI精选AI 评分7878 Google 向付费用户开放 Gemini 4 Argon，Vals AI 专业工作指数得分 68.90% 登顶
Google 将 Gemini 4 Argon 开放给付费客户，该模型在 Vals AI 按 GDP 加权的专业工作指数中以 68.90% 领先 Claude Sonnet 5.5 的 67.04% 和 Claude Opus 5.5 的 66.97%。
推荐理由：材料给出 Argon 在专业工作指数上的得分、耗时与成本对比，可据此判断其相对 Claude 系列的性价比位置。
量子位精选AI 评分7878 面壁开源 MiniCPM-V 4.7：35B-A3B 手机断网可跑，仅占 3G 内存
面壁智能与 OpenBMB 开源 MiniCPM-V 4.7，包含 35B-A3B 和 1B 两个版本，其中 35B-A3B 是 MiniCPM-V 系列首个 MoE 模型，约 3G 内存即可在 iOS、安卓设备上运行。
推荐理由：面壁开源 MiniCPM-V 4.7，给出 35B-A3B 在手机端 3G 内存运行的具体实测与压缩数据，可据此判断端侧多模态的落地边界。
The Decoder精选AI 评分8080 Meta 发布前沿模型 Muse Wonder 与 Muse Wonder Full
Meta 发布前沿模型 Muse Wonder 的两个版本，Muse Wonder Full 在 Artificial Analysis Intelligence Index v4.3 上得 56 分，Muse Wonder 得 52 分，前代 Muse Spark 1.3 为 48 分。
推荐理由：Meta 新前沿模型在智能体与编码评测上的跃升，以及随之上涨的 token 价格，构成判断其性价比的关键背景。
Latent Space精选AI 评分8080 Anthropic 发布 Claude Haiku 5.5，定价对齐 GPT-6 Luna
Anthropic 发布 Claude Haiku 5.5，这是 Haiku 系列约一年来的首次更新，定价与 OpenAI 的 GPT-6 Luna 相同，同日还下调了 Sonnet 5.5 与订阅方案价格。
推荐理由：汇总了 Haiku 5.5 的定价、独立评测与 token 消耗数据，可对照 GPT-6 Luna 判断小模型在智能体工作流中的成本取舍。
量子位精选AI 评分7878 Anthropic 发布 Claude Haiku 5.5，跑分对标 GPT-6 Luna 且价格下调
Anthropic 发布 Claude Haiku 5.5，官方跑分逐项超过 GPT-6 Luna，并超越 DeepSeek V4.1 Flash 和 GLM-5.3-Flash，成为新的小模型守门员。
推荐理由：原文给出 Haiku 5.5 与 GPT-6 Luna、DeepSeek V4.1 Flash 的逐项跑分和价格对比，并列出五处迁移改动。
科技媒体 RSS精选AI 评分7676 Anthropic 发布 Claude Haiku 5.5，token 价格最高下调 90%
Anthropic 发布 Claude Haiku 5.5，在 OSWorld 计算机使用测试上从前代的 15.7% 提升到 72.4%。其 token 价格最高下降 90%，但新的 tokenizer 会因每个任务消耗更多 token 而抵消部分节省。
推荐理由：Claude Haiku 5.5 在 OSWorld 上从 15.7% 升至 72.4%，同时 token 价格最高下调 90%，可据此观察小模型性价比的变化。
量子位精选AI 评分7878 Google 发布生图模型 Nano Banana 2.1，支持 4K 直出并下调 API 价格
Google 发布新一代生图模型 Nano Banana 2.1，围绕视觉设计、蒙版编辑、主体一致性和画面真实自然性升级，支持 4K 直出。据 Arena 评测，其在文本转图像、多图像编辑和单张图像编辑三项上平均提升约 61.7 分，其中文本转图像排名第四、比上一代提升 80 分。
推荐理由：汇总了 Nano Banana 2.1 的 4K 直出、中文渲染与 API 降价信息，并附上网友实测的对比与水印 Bug 反馈。
GitHub Blog · AI & ML精选AI 评分6060 GitHub 发布 ReviewBench：面向 AI 代码审查的开放基准
GitHub 发布 ReviewBench，一个面向 AI 代码审查智能体的离线基准，基于 1.039 亿个 GitHub pull request 的分布特征构建，包含来自 187 个开源仓库、覆盖 19 种语言的 219 个 pull request。
推荐理由：GitHub 公开了代码审查基准的构建方法与评测口径，读者可据此理解 AI 代码审查能力该如何被量化比较。
Redwood Research精选AI 评分7474 Redwood Research：GPT-6-Astra 用填充 token 推理的能力远超此前模型
Redwood Research 测量 GPT-6-Astra 在提示词被填充无意义 filler token 且被要求不推理时作答的表现，发现它在需要大量串行认知的任务上明显变好，例如 4-hop 自然事实推理从约 10-20% 提升到约 50%，旧 AIME 题从约 60-70% 提升到约 90%。
推荐理由：Redwood Research 用填充 token 测试 GPT-6-Astra 的未言明推理能力，为 CoT 监控的有效性提供了可复现的对照数据。
OpenAI 部署安全与系统卡精选AI 评分8888 OpenAI 发布 GPT-6 Astra 系统卡
OpenAI 发布 GPT-6 Astra 系统卡，披露该模型在安全与对齐方面的评测结果。在提示模型规避检测时，GPT-6 Astra 在 WMDP 上的 CoT 监控召回率低于 11%。
推荐理由：系统卡披露了 GPT-6 Astra 在 CoT 监控规避、隐蔽消极怠工与生化能力上的具体评测数据，可对照 GPT-5.6 Sol 看能力变化。
Augment Code Blog精选AI 评分6262 Augment 如何重写 Auggie CLI harness，使任务成本比 Claude Code 低 53%
Augment 重建 Auggie CLI 的 harness，在 SWE-bench Pro 上以相同通过率完成任务花费 1.27 美元，而 Claude Code 为 2.70 美元，便宜 53%。
推荐理由：Augment 公开了 CLI harness 重写的取舍过程与 SWE-bench Pro 成本对比，可参考其工具面收窄与检索替代探索的思路。
Modem Blog精选AI 评分6262 Modem 详解编码智能体如何读代码：如何为智能体写可检索的代码
Modem 发布《Writing Code for Agents》系列第一篇，指出编码智能体主要靠 grep/ripgrep 做文本搜索来导航代码库，因此变量、函数、文件名本身就是搜索词。
推荐理由：Modem 用自家 68 万行 LLM 生成代码库的实测数据，说明命名与类型如何影响智能体的检索开销与准确率。
OpenAI Alignment 研究博客精选AI 评分6262 OpenAI 研究：公开聊天数据能否预测真实世界的 AI 失准行为
OpenAI Alignment 研究团队用私有生产数据验证，基于公开数据集 WildChat 的部署模拟能较准确预测真实失准率。
推荐理由：OpenAI 用私有生产数据验证公开数据集 WildChat 能否预测真实失准率，并指出智能体场景的预测边界。
已经到底了