N精选

精选

AI 自动挑选的高价值内容

  1. Artificial Analysis解读
    AI 评分71

    Artificial Analysis 实测 GitHub Copilot Fusion：每任务成本 5.59 美元…

    Artificial Analysis 在 Coding Agent Index v2.0 中实测 GitHub Copilot 的 Copilot Fusion，其每任务成本为 5.59 美元，而 Claude Code 搭配 Opus 5.5（max）为 11.42 美元，性能仅低 2 分。Copilot Fusion 是运行时编排系统，在 Claude Opus 5.5、Claude Sonnet 5.5、GPT-6 Astra 和 GPT-6 Sol 等 Anthropic 与 OpenAI 模型间选择协调。它在 Terminal-Bench 4.0 上以 71 分领先，FrontierCode 得 51 分排第三，每任务使用 7.2M tokens，约为 Claude Code 中 Opus 5.5 的一半。

    推荐理由Artificial Analysis 在 Coding Agent Index 中实测 Copilot Fusion，给出成本、token 用量与三项基准分数，可与 Claude Code、Devin Fusion 直接对照。

  2. Arena解读
    AI 评分70

    Gemini 4 Carbon 在 Agent Arena 排名第 2，净提升 16.2%

    Arena.ai 称 Gemini 4 Carbon 在基于真实任务的 Agent Arena 中排名第 2，净提升 16.2%，并在成本、时间和每任务输出 token 上处于帕累托前沿。相比排名第 7、提升 11% 的 Gemini 4 Argon，Carbon 高出 5 个名次和 5.2 个百分点，提升主要来自好评与投诉比 +13.2 个百分点、确认成功 +5.6 个百分点、可操控性 +4.8 个百分点。Arena 表示 Carbon 的可用性将由 Google DeepMind 公布。

    推荐理由Arena 的实测数据把 Carbon 相对 Argon 的提升拆到可操控性、任务完成率和用户情绪三个信号上，便于判断差距来源。

  3. Arena解读
    AI 评分65

    GPT-6.1 Terra 在 Agent Arena 排名第 8，单任务中位成本 0.62 美元

    Arena 基于近 9000 次智能体会话的实测结果显示，OpenAI 的 GPT-6.1 Terra (Max) 在 Agent Arena 排名第 8，净提升 +10.6%，单任务中位成本 0.62 美元。该成本比第 7 名 Gemini 4 Argon (High) 的 1.09 美元低 43%，比第 6 名 GPT-6.1 Sol (Max) 的 0.89 美元低 30%，比第 5 名 GPT-6 Astra (Max) 的 5.16 美元低 88%。分项上它在 Bash Reliability 排第 3（+13.2%），Steerability 排第 7（+13.3%），Praise vs Complaint 排第 9（+16.8%）。

    推荐理由榜单给出 GPT-6.1 Terra 在 Agent Arena 的排名与每任务成本对比，可据此判断其性价比位置。

  4. ARC Prize一手解读
    AI 评分62

    ARC Prize 公布 Meta Muse Spark Open 在 ARC-AGI 上的评测结果

    ARC Prize 公布 Meta 的 Muse Spark Open 在 ARC-AGI 上的验证成绩：ARC-AGI-1 为 89.0%、每任务 $0.29，ARC-AGI-2 为 57.5%、每任务 $0.73，ARC-AGI-3 在标准 harness 下为 0.1%、$3.9K。ARC Prize 称其 v1/2 得分与 Haiku 5.5 和 GPT-6 Luna 相近，但成本约为后者的 9 倍；该模型在 OpenRouter 上定价为每百万输入 $1.25、每百万输出 $4.25。随推理档位提升，ARC-AGI-2 从 medium 的 29.4%（平均 55k tokens/任务）升至 xhigh 的 57.2%（180k tokens/任务）。

    推荐理由ARC Prize 给出 Meta 新模型在 ARC-AGI 三个版本上的成绩与单任务成本，可与同分竞品直接对比。

  5. PromptArmor一手解读
    AI 评分60

    PromptArmor 测试发现 DeepSeek、Kimi、GLM、Qwen 遭网络攻击的易感度比…

    PromptArmor 将自家传播最广的攻击样本在多个模型上测试，发现 DeepSeek、Kimi、GLM 和 Qwen 模型对网络攻击的易感度比 GPT、Claude 和 Gemini 模型高 88%。测试覆盖钓鱼、数据外泄和运行恶意软件的倾向等多个网络风险维度，作者称差异显著。

    推荐理由PromptArmor 用自家高传播攻击样本横评多款模型，给出中外模型在钓鱼、数据外泄和运行恶意软件上的差异。

  6. Google Developers Blog一手解读
    AI 评分70

    Google A2UI 团队与 CopilotKit 介绍如何构建生成式 UI 应用

    Google A2UI 团队与 CopilotKit CEO Atai Barkai 介绍如何用 A2UI 开放标准和 CopilotKit 构建生成式 UI 应用。A2UI 以声明式 JSON 描述界面，客户端只渲染可信组件目录中的组件，同一份响应可渲染到 React、Angular、SwiftUI、Jetpack Compose 和 Flutter。文中给出用 Google ADK 接入 CopilotKit 的代码示例，并说明通过 AG-UI 协议实现用户操作回传、智能体重新生成界面的双向流程。

    推荐理由原文给出 A2UI 与 CopilotKit 的完整接入步骤和双向交互示例，可据此评估生成式 UI 的落地方式。

  7. Pydantic AI 官方文章一手解读
    AI 评分68

    Pydantic 用 5,276 次运行对比 code mode 与工具调用

    Pydantic 的 Michael Pfaffenberger 用 5 个小型 Pydantic AI 应用、8 个模型做了 5,276 次评分运行，对比 code mode 与直接工具调用。长任务上 code mode 平均成本降 58%、耗时降 51%、成功率提高 16 个百分点；但 5 条目的短任务在 5 个任务中有 3 个反而贵了 21% 到 38%。作者认为模型写循环比充当循环更擅长，差距随任务变长而扩大。

    Michael Pfaffenberger avatar

    推荐理由作者用 5,276 次运行对比 code mode 与工具调用，给出长任务成本、耗时和正确率随规模变化的曲线。

  1. Artificial Analysis解读
    AI 评分65

    Artificial Analysis 发布 Intelligence Index v5，60% 评测基于私有数据集

    Artificial Analysis 发布 Intelligence Index v5，新增 FrontierCode 2.0 和 Terminal-Bench-Science 两个基准，升级 HLE-Diamond、AA-Omniscience v1.1 和 CritPt v2，移除 GDPval-AA v2.1、SciCode 和 AA-LCR v1.1，60% 的指数改为基于私有测试集或留出答案的评测。同时推出 Progress Index v1，用统一尺度追踪模型能力随时间的变化。结果显示 Claude Opus 5.5（max）以 58 分居首，GPT-6 Astra（max，57）和 GPT-6.1 Sol（max，55）紧随，Gemini 4 Argon（high）为 50 分；开源权重模型与领先者的差距从 3 分扩大到 12 分，已发布权重中 DeepSeek V4.1 Flash 1017（max）和 GLM-5.3（max）以 32 分领先。前十名模型单任务成本相差超过 13 倍，GPT-6.1 Terra（max）最低为 $0.96，Claude Fable 5.1（max）最高为 $13.04。

    推荐理由原文列出 v5 指数新增与升级的基准及移除项，并给出头部模型分数与单任务成本差距，可据此比较各模型能力与开销。

  2. LangChain Blog一手解读
    AI 评分67

    LangChain 如何搭建设计智能体 Content Studio

    LangChain 的 GTM 工程团队与设计团队合作，在 Managed Deep Agents 上搭建了 Slack 内的设计智能体 Content Studio，可生成视频、社交图、UI 图与幻灯片，已产出 3000 多个素材、80 多份幻灯片。文章拆解了它的四层知识结构（技能、wiki、代码校验、记忆）、每个 Slack 线程独立的 LangSmith Sandbox、HyperFrames 与自研 motion-studio 两套渲染引擎，以及主智能体调度异步子智能体的协作方式。团队称迁移到 Managed Deep Agents 后自有代码减少约 80%，单次请求的模型成本中位数从 9 月中旬的约 8 美元降到约 50 美分，并已开源整套 harness。

    Shreya Talegaonkar

    推荐理由LangChain 公开了设计智能体 Content Studio 的完整搭建过程，包括技能、沙箱环境与异步子智能体的工程取舍。

  3. Artificial Analysis 完整文章一手解读
    AI 评分82

    Gemini 4 Carbon 登顶 Artificial Analysis Intelligence Index v5

    Google 的 Gemini 4 Carbon 在 Artificial Analysis Intelligence Index v5 上以 59 分排名第一，在 9 项评测中的 HLE-Diamond、Terminal-Bench-Science、AA-Omniscience、AutomationBench-AA 四项领先。在 Coding Agent Index 上，搭配 Antigravity CLI 的 Gemini 4 Carbon（high）得 59 分，落后 Claude Code 搭配 Claude Opus 5.5（max，62 分）3 分。该模型上下文窗口为 1M tokens，支持文本、图像、视频和语音输入，标准定价为每百万输入/输出 tokens 4/20 美元，目前向部分用户开放并提供 50% 折扣。

    推荐理由Artificial Analysis 的独立评测给出 Gemini 4 Carbon 在 Intelligence Index v5 登顶及与 Claude Opus 5.5 的分项对比。

  1. 卡兹克解读
    AI 评分67

    用 Codex 和 Claude 逆向改造电视、补光灯与相机

    作者分享了用 Codex 和 Claude 逆向改造现实设备的操作过程：先给电视开启 ADB 调试，再让 Agent 停用系统软件包、清理开机广告并重做简洁桌面，另外三台电视也按同样方法复刻。团队还用 Claude 逆向 4 盏补光灯并做出统一网页控制台，用 Codex 为索尼和大疆 Pocket 3 搭建多机位控制台并部署到飞书。作者提醒不同品牌设备开放的接口和权限不同，修改系统软件前应先做好备份。

    推荐理由作者记录了用 Codex 和 Claude 通过 ADB 与协议逆向改造电视、补光灯、相机的完整过程，可迁移到其他联网设备。

  2. Browser Use一手解读
    AI 评分65

    如何让编码智能体使用你已登录的 Chrome

    Browser Use 发布指南，介绍让编码智能体在已登录的真实 Chrome 中工作的多种方式，包括 Claude in Chrome、Playwright MCP 扩展模式、Chrome DevTools MCP 自动连接模式、Gemini CLI 内置浏览器智能体、ChatGPT 桌面版浏览器扩展和 Browser Harness。文中按 Claude Code、Codex、Gemini CLI、Cursor 等智能体分别给出配置命令与限制，并说明从 Chrome 136 起默认数据目录上的 --remote-debugging-port 和 --remote-debugging-pipe 会被忽略，因此复制 cookie 到新浏览器的旧做法在设备绑定会话等场景下会失效。

    推荐理由原文按编码智能体逐一分档，给出接入已登录 Chrome 的配置命令与各自限制，便于对照选型。

  3. LangChain Blog一手解读
    AI 评分62

    LangChain 总结构建公司级智能体的五个组件

    LangChain 的 Harrison Chase 和 Caspar Broekhuizen 发文，总结其营销、销售、工程三个内部智能体共用的五个核心组件：智能体放在 Slack 等现有工作场所、区分代用户行事与固定身份、全局与用户两级记忆、沙箱内执行代码、大量运行为定时或事件触发。文中以 GTM Agent、OpenSWE、Content Studio 为例，说明各自在身份、记忆和代码执行上的具体处理方式，三者均构建在 Managed Deep Agents 之上。

    推荐理由LangChain 把内部三个智能体的搭建经验归纳成五个通用组件，可迁移到其他团队自建公司级智能体。

  1. Arena解读
    AI 评分67

    Kimi K3.1 Pro (Max) 在 Agent Arena 排名第 11，较 Kimi K3 提升 6 个百分点

    Kimi K3.1 Pro (Max) 在 Arena 的 Agent Arena 中排名第 11，基于 4K 多真实智能体会话取得 +7.6% 净提升，较 Kimi K3 (Max) 的第 25 名上升 6 个百分点。其每任务中位成本为 $1.03，比上一版本低 13%，在 Work、Code、Chat 三个类别中分别排第 8、第 9 和第 10。Arena 表示该模型开放权重即将发布，届时将成为 Agent Arena 中排名第一的开源模型，超过 DeepSeek-v4.1-Flash。

    推荐理由Arena 给出 Kimi K3.1 Pro 在 Agent Arena 的排名、成本与分项信号，可据此判断其智能体能力位置。

  2. 邵猛解读
    AI 评分80

    Shopify 如何用 Remote Dev 让 AI Agent 并行开发移动端

    Shopify 为 Slack 中的 AI Agent「River」搭建 Remote Dev，用远程 Mac 机群加挂载在 Linux 上的 Android 模拟器，让 Agent 并行编译、测试 iOS/Android 并做 Live Preview，River 产出的合并移动端 PR 占比从约 6% 提升到约 61%。工程上采用预热池把冷启动超 30 分钟压缩到几分钟，并通过 skill 和封装 SSH 的 CLI 让 Agent 操作远程环境。River 默认多人可见，团队用分类模型 Jev 观察对话、归类失败案例再交给 LLM 找改进。

    推荐理由Shopify 公开了远程 Mac 机群加热池、Android 嵌套虚拟化等工程细节，以及采纳率从 6% 到 61% 的变化。

  3. Artificial Analysis解读
    AI 评分71

    Kimi K3.1 Pro 在 Artificial Analysis 网络安全指数得 64%，居开放可用模型首位

    Kimi K3.1 Pro 在 Artificial Analysis Cyber Index 上得分 64%，比此前的开放可用模型领先者 DeepSeek V4.1 Flash 1017（57%）高 7 分，比仅通过 OpenAI 可信访问计划提供的 GPT-6 Sol（Daybreak Blue，max，69%）低 5 分。该指数由 CWE-Bench-AA、DeepsecBench-AA 和 CyberGym-E2E-AA 三项基准组成，K3.1 Pro 在 CyberGym-E2E-AA 上拿到 95%，高于 GPT-6 Sol（Daybreak Blue）的 93%。其单任务成本为 2.81 美元，高于 GPT-6 Sol（Daybreak Blue，max）的 1.77 美元和 DeepSeek V4.1 Flash 1017 的 0.42 美元，原因是每 token 价格虽比 Kimi K3 低 33%，但输入 token 用量约为 2 倍。

    推荐理由榜单给出了分项得分与单任务成本，可对比开放权重模型与受限访问模型在网络安全任务上的差距。

  1. ARC Prize一手解读
    AI 评分73

    DeepSeek V4.1 Flash 1017 在 ARC-AGI-2 得分 78.1%

    ARC Prize 公布 DeepSeek V4.1 Flash 1017 在 ARC-AGI 验证集上的成绩：ARC-AGI-2 得分 78.1%，每任务成本 $0.16；ARC-AGI-1 得分 94.5%，每任务成本 $0.06。DeepSeek Flash 系列在 ARC-AGI-2 上的最好成绩从 V4 Flash 0731 的 61.4% 升至 V4.1 Flash 的 72.9%，再到 V4.1 Flash 1017 的 78.1%。

    推荐理由ARC Prize 给出 DeepSeek Flash 系列在 ARC-AGI 上的逐版本分数与单任务成本，可横向比较模型迭代幅度。

  1. ARC Prize一手解读
    AI 评分68

    Claude Sonnet 5.5 在 ARC-AGI 基准上的成绩公布

    ARC Prize 公布 Anthropic 的 Claude Sonnet 5.5 在 ARC-AGI 各代基准上的成绩：ARC-AGI-3 在 provider adapter harness 下为 72.4%、成本 8.2K 美元，在标准 harness 下为 24.3%、成本 7.4K 美元；ARC-AGI-2 为 83.9%、每任务 0.55 美元；ARC-AGI-1 为 96.5%、每任务 0.14 美元。ARC Prize 称 Sonnet 5.5 在 ARC-AGI-3 上的 72.4% 值得关注。

    推荐理由ARC Prize 公布 Claude Sonnet 5.5 在三代 ARC-AGI 基准上的分数与单任务成本，可对比不同 harness 下的表现差异。

  2. OpenAI一手
    AI 评分74

    OpenAI 打包 Codex 技能用于检查网站是否受 PHP 漏洞影响

    OpenAI 发布一个 Codex 技能，用于检查网站是否受其披露的 PHP 安全漏洞影响，用户可将 Codex 指向指定仓库按引导完成排查。该漏洞由 OpenAI 模型在 Patch the Planet 计划中发现，涉及运行约 70% 网站的开源语言 PHP，修复需对 PHP 引擎做较大改动，目前使用 PHP 的站点可升级版本并配合安全厂商的缓解措施。

    推荐理由OpenAI 把 PHP 漏洞排查流程封装成 Codex 技能，读者可据此了解如何用仓库引导模型自查网站是否受影响。

  1. Artificial Analysis解读
    AI 评分71

    MiniMax-M3.1-Flash 在 Artificial Analysis 智能指数得分 42

    MiniMax-M3.1-Flash 在 Artificial Analysis 智能指数上得分 42，比 MiniMax-M3 高 13 分，单任务成本不到后者一半。它在 Humanity's Last Exam 上得 48%、CritPt 得 22%，均高于 GLM-5.3-Flash 和 Gemini 3.8 Flash，略低于 DeepSeek V4.1 Flash 1017。该模型上下文窗口 1M tokens，支持文本与图像输入，定价 $0.15/$0.60 每 1M 输入/输出 tokens，目前权重闭源，MiniMax 宣布将于 10 月 23 日开放权重。

    推荐理由第三方基准给出该模型与同级 Flash 模型的分数、token 消耗和单任务成本对比，可据此判断性价比位置。