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。
内容形态
评测基准 最新动态
模型到底谁强：Benchmark 成绩、评测方法论争议与排行榜变化的持续记录。
15 条精选近 30 天 11 条共收录 1,154 条
更新
大事记
重要进展评测基准的精选
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。
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。
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。
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。
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。
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。
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。