DeepSeek-V4.1-Flash-1017 在能力与速度上超越 GPT 5.6 Sol
DeepSeek-V4.1-Flash-1017 在能力和速度两方面均优于 OpenAI 的 GPT 5.6 Sol。这一对比显示 OpenAI 当前模型在市场上不再是无争议的领导者。
#评测/基准
RadarAIAI 评分3232 RadarAIAI 评分3838 Devin Max 会员额度对比分析：200 美元套餐的 Opus 5.5 用量比 Claude Pro 少约 20%
实测数据显示，200 美元的 Devin Max 会员提供的 Opus 5.5 额度比 20 美元的 Claude Pro 少约 20%。尽管 Devin Max 费用是 Claude Pro 的 10 倍，其包含的 Opus 5.5 使用量并未相应增加。
RadarAIAI 评分4040 FLUX 3 Image Klein 实测：速度快但审美失衡，中文支持不稳定
NVIDIA 的 FLUX 3 Image Klein 蒸馏模型在 RTX 5080 上每张图仅需 8 秒，但图像质量明显退化，人像缺乏自然度。该模型是 FLUX 3 5.6B 的 4 位蒸馏版本，中文提示理解能力不稳定，整体表现显著低于同级别对手 Qwen Image 2.1。
RadarAIAI 评分5252 Arena Alignment Index 更新：Meta Muse Wonder、Reflection Beam 1.0 和 StepFun Step 5 Preview 入榜
Arena 更新 Arena Alignment Index 榜单，新增两个实验室和三个模型：Meta 的 Muse Wonder 以 77.5% 排第 6，Reflection 的 Beam-1.0-501B-A23B 以 75.3% 排第 7，StepFun 的 Step 5 Preview 以 75.1% 排第 8。
RadarAIAI 评分3030 实测 DeepSeek-V4.1-Flash-1017 动效能力接近 Claude 水准
花叔实测 DeepSeek-V4.1-Flash-1017 在动效设计任务上表现出色，水准仅次于 Claude，GPT-6 暂未达到同等效果。结合自研动效 skill 可进一步实现优质效果。
RadarAIAI 评分2828 DeepSeek V4.1 Flash 1017 游戏特效实测：可用但创造力不及 Opus 5.5
作者用原为 Opus 5.5 编写的游戏特效提示词实测 DeepSeek V4.1 Flash 1017，结果显示该模型能产出可用结果，但细节处理与创造性明显不及 Opus 5.5。测试为初步性质，未涉及具体评分或参数数据。
RadarAIAI 评分2222 DeepSeek V4.1 Flash 测试结果展示
作者分享了用 DeepSeek V4.1 Flash 1017 运行此前为 Opus 5.5 编写的游戏特效提示词的实际效果，并附上结果链接。
RadarAIAI 评分2727 DeepSeek V4.1 Flash 1017 性能实测
作者将原本为 Opus 5.5 编写的游戏特效提示词用于 DeepSeek V4.1 Flash 1017 进行实测，认为该模型在细节和创造性上不及 Opus 5.5，但已达到实用水平。
RadarAIAI 评分2222 DeepSeek V4.1 Flash 1017 游戏特效生成效果测试链接
作者分享了 DeepSeek V4.1 Flash 1017 在游戏特效任务中的实际输出结果，通过链接展示其使用特定提示词生成游戏特效的表现。
RadarAIAI 评分5252 Arena 对齐指数更新：Meta、Reflection、StepFun 三款新模型上榜
Arena Alignment Index 更新新增两家实验室和三款模型，Meta 新旗舰 Muse Wonder（Max）以 77.5% 位列第 6，Reflection 的 Beam-1.0-501B-A23B 以 75.3% 排第 7，StepFun 的 Step 5 Preview 以 75.1% 排第 8。
量子位AI 评分5858 智谱推出法律专用开源模型 GLM-Legal
智谱发布法律专用开源模型 GLM-Legal，在 Vals AI 法律测评中以 19.2% 任务全通过率和 86.23% 准确率位列 Harvey LAB 与 LegalBench 开放权重模型榜首。该模型在 GLM-5.3-Flash 底座上做法律语料中期训练，再经数万法律任务环境强化学习，可处理合同审查、证据梳理和跨境合规。智谱已开放 Beta 申请，并计划将相关能力接入 AutoClaw。
Interconnects精选AI 评分7878 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。
RadarAIAI 评分6060 DeepSeek V4.1 Flash 1017 代码修复能力评测
Bug Hunt 实测显示，DeepSeek V4.1 Flash 1017 的代码 Debug 得分从 21.7 升至 38.7，大幅领先 Grok 和 Qwen，逼近 Gemini 4 和 Opus 5.5，且权重已开源。评测基于模拟真实工程场景的 Bug 修复任务。
RadarAIAI 评分6060 DeepSeek V4.1-Flash-1017 性能对比：专项超越 GPT-5.6-Sol，综合仍逊于 Claude Opus 5
DeepSeek V4.1-Flash-1017 在编程、终端操作和 Agent 任务专项基准中超越 GPT-5.6-Sol，但综合推理和高难度编程任务仍逊于 Claude Opus 5。相比上一版本，该模型在编程、终端操作、Agent 执行和复杂任务场景中均有明显提升。
RadarAIAI 评分2222 DeepSeek 官方发布被调侃「友商竞争一点空气不给」
DeepSeek 官方发布 DeepSeek-V4.1-Flash-1017 更新公告，被调侃「友商：竞争归竞争，一点空气不给？鲸兄？」。该评论戏谑指向 DeepSeek 在多个专项基准中超越 GPT-5.6-Sol 的竞争态势，属纯互动玩笑，无实质内容。
RadarAIAI 评分6060 面壁 MiniCPM-V 4.7 登上 Hugging Face 热门榜第 3
面壁智能 OpenBMB 宣布 MiniCPM-V 4.7 登上 Hugging Face 热门榜第 3。该 35B-A3B MoE 模型可在 iOS 和 Android 上以约 3GB 内存流畅运行，1B 模型在 OCR、数学和视频理解方面表现较强。GitHub 与 Hugging Face 链接已开放。
RadarAIAI 评分7575 DeepSeek 发布 V4.1 Flash 1017 版本并开放搜索 API
DeepSeek 推出 V4.1 Flash 1017 版本，在基准测试中表现突出，SWE V1.1 测试优于其他模型。该版本侧重效率，缩短任务处理时间和输出长度以降低运行成本，同时开放自研搜索 API 以增强 Harness 功能。
RadarAIAI 评分5858 MarkTechPost 横向对比 Jev 发布约 4 周内出现的 20 个替代决策模型
MarkTechPost 盘点了 TypeSafe 于 2026 年 9 月 15 日发布决策模型 Jev 后约 4 周内出现的 20 个替代方案，来自 Cloudflare、OpenAI、Perplexity、Liquid AI、AWS Strands Labs 及独立开发者，按参数规模、许可证、硬件、定价、Jev API 兼容性和基准表现逐项比较。
RadarAI同新闻AI 评分7878 DeepSeek 发布 V4.1-Flash-1017 检查点，DeepSWE 得分 77.0 并开放 Search API
DeepSeek 发布 DeepSeek-V4.1-Flash-1017 检查点，已上线网站、App 和 API，官方称在全部 11 项基准上超过 9 月版 V4.1-Flash，提升 2.0 到 11.1 分，DeepSWE v1.1 达 77.0。
RadarAIAI 评分6767 DeepSeek 发布 DeepSeek-V4.1-Flash-1017，官网、App 和 API 已上线
DeepSeek 发布 DeepSeek-V4.1-Flash-1017，官方称相比上一版性能更强、任务完成更快、输出更短，已在官网、App 和 API 上线。
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。
Latent SpaceAI 评分6262 Latent Space 新栏目 High Taste Testers 首期汇总 10 月 15 至 16 日 AI 动态
Latent Space 推出新栏目 High Taste Testers 首期，汇总 10 月 15 日至 16 日的 AI 新闻。Meta 发布 816B 总参数、42B 激活的 MoE 开源权重模型 Muse Spark Open，支持 1M 上下文与文本、图像、视频、音频输入，Artificial Analysis 智能指数得分 39，为美国开源权重模型最高。
RadarAIAI 评分3838 微软研究院发布 StudentSim：用 AI 学生模拟器替真人试课，优化 AI 导师
微软研究院发布研究系统 StudentSim，基于公开去标识化的学习者记录为每位学生训练个性化“AI 学生模拟器”，模拟其独立作答及收到讲解后的反应变化。该系统采用两阶段训练，覆盖国际象棋、第二语言英语写作和数学三类任务，并推出 StudentSimEval 评测基准。
RadarAIAI 评分3838 阿里 Qwen 开源 BlenderWorld：223 道题、2651 条标准的 3D 建模基准
阿里 Qwen 团队于 10 月 14 日开源 BlenderWorld，一个评测视觉智能体在 Blender 中完成真实 3D 创作任务的基准，采用 MIT 许可证，代码与数据集已发布至 GitHub、Hugging Face 和 ModelScope。
RadarAIAI 评分7171 Meta 发布 Muse Spark Open，Code Arena: WebDev 以 1511 分居美国开源模型第一
Arena 公布 Meta 发布的 Muse Spark Open (Max) 在 Code Arena: WebDev 以 1511 分位居美国开源模型第一、开源模型总榜第 13。
RadarAIAI 评分1818 Hao AI Lab 推出 AI 侦探推理基准测试：100 个地址、10 名嫌疑人、12 小时破案
Hao AI Lab 发布 AI 侦探推理基准测试，每个案件设 100 个地址、10 名嫌疑人和 12 小时时限，要求指认凶手、动机与藏身之处。侦探团队分两个角色：Holmes 负责推理决策，可选 GPT6-Astra、Jev 或证据计数启发式方法；The Irregulars 负责搜索，使用 Jev 智能体或搜索启发式方法。
RadarAIAI 评分3838 GPT6-Astra 与 Jev 智能体解谜表现对比
在 100 个较简单的解谜案例中，GPT6-Astra 带领 12 个 Jev 智能体解出 96 个，GPT6-Astra 单独解出 57 个，Jev 集群单独解出 38 个。这些案例中每个谎言都来自单个证人，而每个真实事实会出现两次，因此一个只统计线索的基于规则的领导者加上 Jev 集群能解出 97/100。
RadarAIAI 评分2020 GPT6-Astra 与 Jev 集群抗贿赂证人测试
Hao AI Lab 测试了 GPT6-Astra 与 Jev 集群在 100 个更难的案例中对抗被收买证人的表现。GPT6-Astra 加 Jev 集群得分 93，仅 GPT6-Astra 为 59，仅 Jev 集群为 42，基于规则的领导者加 Jev 集群仅 0–1。结论是面对有组织的谎言，需要一个会追问"是谁在说话"的推理型领导者。
AWS Machine Learning BlogAI 评分3434 如何用 Amazon Bedrock AgentCore 构建可信 AI 智能体的生产级评估框架
AWS SMGS Operations 团队基于 Amazon Bedrock AgentCore Evaluations 搭建了面向 AWS 全球现场销售的多智能体系统评估框架，覆盖 Performance Insights、Customer Insights、Data Insights 等子智能体。
RadarAIAI 评分4040 Arena 周报：Gemini 4 Argon 与小米 MiMo 上榜
Google DeepMind 的 Gemini 4 Argon (High) 进入 Agent Arena 第 5 名，净提升 +13.2%；小米 MiMo V2.6 Pro 以 +3.9% 净提升成为 Agent Arena 开源模型第一（总榜第 13）。
Hacker NewsAI 评分5858 Mercor 研究：90% 美国工作时间对应的任务缺乏 AI 基准覆盖
Mercor 发布 Labor Index 的 Benchmark Map，将 29 个基准的提示词映射到美国劳工部 O*NET 的 923 个职业和 18797 项任务上，发现 923 个职业中只有 208 个有任务被至少 5 条基准提示词覆盖，22 个职业族中有 6 个完全没有此类职业，据此估计 90% 的美国工作时间花在现有基准几乎未覆盖的任务上。
RadarAIAI 评分2222 OpenRouter 排行榜新增开源闭源对比
OpenRouter 排行榜页面新增开源与闭源模型的对比数据，相关数据现已上线。
RadarAIAI 评分5858 Reflection AI 的 Beam-1.0-501B-A23B 进入 Agent Arena，位列开源模型第 12
Arena 宣布 Reflection AI 的 Beam-1.0-501B-A23B 登上 Agent Arena 榜单，Reflection AI 由此进入 Agent Arena 前 15 实验室。
Hacker NewsAI 评分5858 StarSkirmish v0.2 基准发布：让 LLM 写星际争霸机器人，GPT-6 Astra 居首
StarSkirmish 发布 v0.2 基准，让每个 LLM 在一小时内用 C++ 写一个 Protoss 机器人，再与人类编写的机器人对战，以平均胜率计分。
RadarAIAI 评分2828 MAI 登顶 OpenRouter 转录模型榜
Mustafa Suleyman 表示，MAI 已成为 OpenRouter 上在所有语言和使用场景中最准确、最受欢迎的转录模型，并邀请开发者将其用于智能体。
RadarAIAI 评分6060 Vercel 数据显示 TypeSafe AI 的 Jev 成为其史上采用最快的 AI 模型
Vercel 周四发布的数据显示，TypeSafe AI 的决策模型 Jev 上线两周内被 35% 的付费团队使用，接近第二名 Sonnet 5.5 的两倍，创下 Vercel 平台上模型首两周最快采用纪录。
RadarAIAI 评分3434 Databricks 用领域知识注入提升 LLM 对 npm 二进制恶意包的检测
Databricks 提出在推理阶段注入领域知识，提升 LLM 对 npm 包内嵌二进制恶意载荷的检测能力。其扫描器自 2025 年 11 月起收集样本，在 11,413 个经 OSV 核验的包版本中，3.8%（432 个）捆绑二进制，这类包无法得出明确恶意结论的比例为 14.4%，是纯源码包 6.2% 的两倍多。团队用五种 .node 载荷测试九款模型，并设计能力画像作为加权条件编码恶意技术。
RadarAIAI 评分3838 Artificial Analysis 更新 Optima：3 步创建并运行自定义基准测试
Artificial Analysis 更新 Optima，让用户更轻松地创建和运行自定义基准测试，从而用贴合自身用例的评估来评测模型。用户可在 3 步内从想法生成个性化基准测试，并针对自身用例比较模型的智能、成本与速度，还能在最新模型上运行自己的任务。
TechCrunch · AIAI 评分5656 Elorian 发布首个模型 Glimpse，以视觉草稿空间做图像推理
Elorian 发布首个模型 Glimpse，以研究预览形式开放 API，聊天界面仅限候补名单。Glimpse 在推理过程中可裁剪图像区域、从视频中抽取特定帧或运行代码来测量和比较所看内容，Elorian 称这一机制为视觉草稿空间。
Databricks BlogAI 评分3434 Databricks 如何用领域知识注入提升 LLM 对 npm 二进制恶意包的检测
Databricks 针对 npm 恶意包中占比 3.8%（432 个包版本）的捆绑二进制样本，提出在推理阶段注入预计算静态证据的"能力画像"方案，而非微调模型权重。在 9 个模型上测试显示，含二进制包无法得出明确恶意结论的比例为 14.4%，是纯源码包 6.2% 的两倍以上。