搜索“DeepSeek”

gence Index v5：重建后的指数有 60% 基于私有测试（@TheRundownAI）。 Carbon 之前的排名：Opus 5.5 得分为 58，其次是 GPT-6 Astra（57）、GPT-6.1 Sol（55）、Sonnet 5.5（54）和 GPT-6.1 Terra（51）。 开放模型：Kimi K3.1 Pro 从 55 降至 46。DeepSeek V4.1 Flash 和 GLM-5.3 均为 32 分，低于 Claude Haiku 5.5 的 36 分。 中美差距：scaling01 认为在 AA Progress Index 上的差距约为 3.3 个月（@scaling01）。 FrontierCode 2.0 神秘模型：Cognition 数据中包含一个隐藏的“Obsidian 3”，得分为 46.8%，而 Opus 5.5 为 45.5%。由于它在 claude-code 框架中运行，一些人推测它是 Fable 5.5；这尚未证实（@kimmonismus）。 DeepSeek 更正：scaling01 更正了先前的识别，并表示 Artificia

匹配字段正文

型上的俄罗斯和伊朗影响力行动后，搜寻 ChatGPT 的滥用情况。 Artificial Analysis 发布了其“智能指数”AI 排行榜的 v5 版本，如今更多依赖私有测试，中国开源模型在排名中进一步落后，而 OpenAI 的新 Terra 模型尽管处于中端水平，表现却更胜一筹。 新 AI 初创公司 Particle 发布了 Particle-1，这是 DeepSeek V4.1 Flash 的一个变体，经过训练在编码任务上减少推理，使用的 token 减少约 45%，准确率几乎相同。 Anthropic 扩大了其政府采购协议，提供 40% 的 Claude 折扣，称民事机构的使用量一年内增长了约 20 倍，此前一名法官阻止了特朗普要求放弃该协议的命令。 Google 开放了一个需排队等候的预览版，允许美国开发者构建面向 Gemini 和 Search 的应用，多个合作应用也将在数周内登陆 Search。 🎓 亮点：新闻、指南与活动 Google 的 AI 世界现在可以回话了 AI 泡沫遇上 Anthropic 的真实数据 Zach Mink • 8 分钟AI Rowan Cheu

匹配字段正文

stral Large 4 现支持三种推理模式： 模式 推荐用途 低 简单任务；替代“无”推理模式 中 日常任务 高（默认） 需要高精度和深入推理的最难用例 除基准测试外，Mistral Large 4 的编码能力还得到了人类偏好的验证。在 Surge Code 的盲测成对评估中，Mistral Large 4 相比包括 GLM-5.3、Kimi K3 和 DeepSeek V4.1 Flash 在内的领先开放权重模型更受青睐，在受评估模型中仅次于 Claude Opus 5.5。 Surge Code - 代码上的人类偏好 与其他模型盲测对比的胜率 Mistral Large 4 胜 其他模型 评分者更偏好 Mistral Large 4 回答而非对手回答的提示占比。 为防御者而生。 自预览以来，我们一直与领先的网络安全厂商合作，在真实环境中评估 Mistral Large 4，以检验其在漏洞复现和修补方面的优势。 Mistral Large 4 在 Artificial Analysis Cyber Index 上得分为 51%，该指数衡量模型发现代码库中的漏洞、复现并验证漏洞，以

匹配字段正文

GmbH 的外部内容，但我们无法获取你的同意设置。 请重新加载页面或手动调整你的同意设置。 与此同时，在智能体编程能力方面（Coding Agent Index），Gemini 4 Carbon 不得不让位于 Anthropic 的 Claude Opus 5.5。在 Terminal-Bench 和 Frontiercode 基准测试中，Anthropic 也处于领先地位。 初期仅面向选定用户开放 此外，据 Trendingtopics 报道，Carbon 目前仅向网络安全防御专家等选定用户开放。只有在完成美国政府的自愿预审流程后，新的 Gemini AI 才会向开发者、企业和消费者开放。广告广告 查看 4 张图片 Deepseek 是这样工作的——这也是它与其他 AI 模型的不同之处 来源：（图表：Dall-E / t3n） 无论如何，Google 通过发布 Gemini 4 Carbon 至少确保了一件事：在 Anthropic 计划上市前让其感到不安。观察人士认为，这家 AI 供应商有可能在 IPO 前夕再推出一款自己的更强 AI 模型，例如 Claude Opus 6。 首页

匹配字段正文

。@natolambert，@simonw Arena 的独立偏好评估提供了一个互补但范围更窄的图景： WebDev：第 8 名，1,692 分，而 K3 为第 17 名、1,655 分。 品牌与营销：第 7 名，较第 9 名上升。 模拟：第 9 名，较第 20 名上升。 Arena 表示，它在所有类别上均有提升，发布后将成为其排名最高的开源权重模型，超过 DeepSeek V4.1 Flash。 在这些设置下，它大致与 Opus 5 Max 相当，未必能与更新的 Opus 5.5 相比。@arena 另一项独立汇总基于已发布的基准测试，给出了 164.7 的初步 ECI，90% 自助法区间较宽，为 152.5–169.0。发布者随后提出 160–165 为合理区间。这是一个不确定的汇总结果，而非另一套独立执行的任务套件。@scaling01，@scaling01 预测与结果的逆转值得注意。测试前，@teortaxesTex 预测 AA 52、Vals 65、CritPt V2 76、Terminal-Bench 4.0 49、WeirdML V3 官方约 20/最佳 28，以及 EC

匹配字段正文

！ 该模型刚刚以 1692 分在 Code Arena: WebDev 中位列第 8，与 Claude Opus-5 (Max) 持平，而成本低 70%。相比以 1655 分位列第 17 的 Kimi K3 (Max)，这提升了 9 位（+37 分）。 Kimi K3.1 Pro 在所有类别上均较 Kimi K3 有所提升。亮点：- 品牌与营销排名第 7（从第 9 上升）- 模拟排名第 9（从第 20 上升） 成本效率也是一项升级。Kimi K3.1 Pro (Max) 定价为每百万输入/输出 token 2/10 美元，单任务成本中位数为 1.23 美元（比 Kimi K3 低 29%）。请在推文串中查看其相对于帕累托前沿的位置。 随着开放权重即将发布，Kimi K3.1 Pro 将成为 Code Arena: WebDev 中新的第 1 开源模型，超越 DeepSeek-v4.1-Flash。敬请期待！ 请在下方推文串中查看 @Kimi Moonshot 按实验室的排名，以及 Kimi K3.1 Pro 的 3D 生成结果。 热烈祝贺 @Kimi Moonshot 团队发布此模型！

匹配字段正文

Kimi K3.1 以 3.1 Pro 的名义发布。如果权重如他们所承诺的那样在 11 月 4 日前放出，其基准成绩看起来显然就是当前最强的开源权重模型。这些成绩非常令人印象深刻。 Kimi 团队就网络风险发表了非常明确的声明，并试图把控开源权重网络能力的前沿节奏，相对于闭源前沿加以节制。 在模型如何经受住氛围测试方面还有很多值得了解的地方，但在过去几年里，Moonshot 团队的 kimi 模型很少失手。K3.1 每 token 的价格也低于 K3，但博客中的一些基准显示它每次回答消耗的 token 明显更多，所以实际价格可能大致相同。 这一点，加上所有网络相关的新闻，以及即将推出更大规模 GLM 模型的传闻，让我们对今年余下的时间充满期待！Pro 这个名字让我觉得 Kimi 很快也会推出 flash 模型，类似于 DeepSeek 和 GLM。

匹配字段正文

Kimi Business”为您的团队订阅。 基准测试 脚注 除非另有说明，下文报告的所有 Kimi K3.1 Pro 结果均在推理强度设为“max”、temperature = 1.0、top-p = 0.95 的条件下获得。 编程基准测试 Terminal-Bench 4.0。Kimi K3.1 Pro 使用 Claude-Code 测试框架进行评估。DeepSeek-V4.1-Flash-1017 的数据取自其发布博客（https://huggingface.co/deepseek-ai/DeepSeek-V4.1-Flash-1017）。其余所有分数均取其在博客文章或官方 Terminal-Bench 4.0 排行榜（https://www.tbench.ai/). Terminal-Bench Science 0.1。Kimi K3.1 Pro 使用 Claude-Code 测试框架进行评估。我们对 DeepSeek-V4.1-Flash-1017 的内部评估得分为 9.3；不过，较早版本 DeepSeek-V4.1-Flash 在官方 Terminal-Bench Sci

匹配字段正文

下载客户端 +1MiniMax开源M3.1 Flash，“Flash”模型为何成为AI新潮流？澎湃新闻记者 范佳来2026-10-23 13:14来源：澎湃新闻 ∙ 10%公司 听全文字号 国产大模型又卷起来了——在DeepSeek官宣上新后，大模型企业MiniMax也紧随其后宣布更新。 10月23日，澎湃新闻记者获悉，MiniMax（稀宇科技）宣布开源M3.1 Flash模型，该模型上线72小时处理超过100万亿Token。 相较于上一代M3模型，M3.1 Flash模型能力实现全面提升，使用成本降低70%。通过全模型稀疏注意力、量化感知训练，和Power-aware scheduling等优化工作，模型线上推理速度提升了近3倍。 MiniMax表示，将携手华为昇腾、平头哥、昆仑芯、摩尔线程、NVIDIA、AMD等海内外芯片厂商，以及Together AI、Fireworks、Nebius等推理和云服务平台，共同推进M3.1Flash的开源首日接入。此外，vLLM、SGLang、智源FlagOS和Hugging Face、魔搭等推理框架与开源社区，也将与MiniMax共同推动模型在不

匹配字段正文

pipeline (Figure 5). Note that all public data keeps the original labels and joins into the mix at the final stage. In brief, this pipeline first generates new examples using e.g. DeepSeek V4-Pro or GLM-5.3. To account for the fact that no single check will catch all corrupted or bad examples, we stack several checks together. These include: Label. We first label the correct/intended answer independently using either a panel of five judge models or deterministically (as above, in the case of a g

匹配字段正文

于10月23日开源，官方还预告了更高智能上限的Pro版“不久后推出”。 匿名期的传播数据更能说明它在社区里的地位。官方口径是Space Bunny累计处理超过200万亿token，OpenRouter显示它连续10天第一、单平台56.7万亿token，OpenCode则是连续12天第一、106万亿token。次周它以38.7万亿token登顶周榜，比第二名的DeepSeek V4.1 Flash高出13万亿。 这次实测，我们的核心逻辑是换题重测。出圈案例在X上已经挂了一个月，模型很可能见过。原Prompt再测一遍，测到的可能只是记忆，不是能力。 所以，我们在社区流传案例的基础上，把火箭发射换成火山熔岩入海，体素花园换成江南水乡，GPU流体换成粒子星系，机械蜜蜂换成机械怀表，类型、难度、判定维度全部与原来对齐。 最后，我们只保留了赛车游戏的原测试案例，因为这是社区里的翻车案例。有博主当时迭代三遍都没能成功运行，我们想看看模型这次还会不会继续翻车。 五道题，换着考，看它会不会 第一个测试的原case是火箭发射，号称3分钟造一个电影感场景，还和Opus 5同题比过。我们换成火山熔岩入海，难度

匹配字段正文

conversations. LATEST STORIES Eka Robotics nets $150M at a $1.45B valuation for robot hands that sense force OpenAI acquires Orchestra Bio to bring AI agents into drug development DeepSeek open-sources DeepInfer, the inference framework behind its production services Otter.ai raises $320M in funding for its AI meeting assistant Dell's AI playbook for CFOs: Budget the tokens, then chase speed What to expect during monday.com’s Elevate event: Join theCUBE Oct. 29 LATEST STORIES Eka Robotics nets $

匹配字段正文

也全部杀进全球第一梯队。 在此基础上，「玉兔」时期的速度也是依然保持住的，输出最快可达200+ TPS。 然后，最重要的来了—— 不愧是Flash啊， 这价格是真便宜！！ 输入每百万Token 1元，输出4元，缓存读取只要0.1元。 太仁义了嗷，我宣布，以后闲时梁文谷，忙时闫俊峰！（bushi） △ 图源：@大厂显微镜 不过，硅谷闭源阵营恐怕又得遭殃了。 继DeepSeek之后，硅谷一众大参数旗舰，又被国产Flash架上了一条全新的性价比斩杀线o(╥﹏╥)o。 说实话，之前我对MiniMax有过不少嘀咕。 多模态和视频生成确实很顶，但纯文本大模型这边吧，不知道从什么时候开始就没动静了。。。 这次M3.1 Flash亮相，也算是打了场翻身仗吧。 咱们挨个看下战绩： 代码工程与真实修Bug 在DeepSWE v1.1评测里，M3.1 Flash拿下了73.7%。 也是倒反天罡了。 GPT-6.1 Sol、Claude Opus 5、Claude Fable 5……居然被一款Flash跑分反超。 排在它前头的，只剩下DeepSeek V4.1 Flash 1017的77分。 这也印证了玉兔匿

匹配字段正文

puter Use……也全部杀进全球第一梯队。 在此基础上，「玉兔」时期的速度也是依然保持住的，输出最快可达200+ TPS。 然后，最重要的来了—— 不愧是Flash啊，这价格是真便宜！！ 输入每百万Token 1元，输出4元，缓存读取只要0.1元。 太仁义了嗷，我宣布，以后闲时梁文谷，忙时闫俊峰！（bushi） △ 不过，硅谷闭源阵营恐怕又得遭殃了。 继DeepSeek之后，硅谷一众大参数旗舰，又被国产Flash架上了一条全新的性价比斩杀线o(╥﹏╥)o。 文本模型翻身仗 说实话，之前我对MiniMax有过不少嘀咕。 多模态和视频生成确实很顶，但纯文本大模型这边吧，不知道从什么时候开始就没动静了。。。 这次M3.1 Flash亮相，也算是打了场翻身仗吧。 咱们挨个看下战绩： 代码工程与真实修Bug 在DeepSWE v1.1评测里，M3.1 Flash拿下了73.7%。 也是倒反天罡了。 GPT-6.1 Sol、Claude Opus 5、Claude Fable 5……居然被一款Flash跑分反超。 排在它前头的，只剩下DeepSeek V4.1 Flash 1017的77分。

匹配字段正文

运栩 文｜财新 杨子锐 2026年10月20日 19:48 新模型公布后，MiniMax股价走高后回落，盘间股价触及168.3港元/股，创下上市以来的最低股价 10月19日晚间，MiniMax正式更新MiniMax M3.1 Flash模型。新模型的API价格较上一代模型MiniMax M3降低，MiniMax称综合使用成本降低70%。图：视觉中国 相关报道DeepSeek发布新模型 称成为新的最优性价比模型MiniMax上半年收入1.17亿美元超2025全年 8月ARR达8亿美元MiniMax今起纳入港股通 盘间涨幅最高22.77%字节跳动、MiniMax同日发布新模型 推AI一键完成视频创作 【财新网】沉寂4个多月后，MiniMax（00100.HK）再发新文本模型。10月19日晚间，MiniMax正式更新MiniMax M3.1 Flash模型。新模型的API价格较上一代模型MiniMax M3降低，MiniMax称综合使用成本降低70%。 MiniMax创始人兼CEO闫俊杰曾在二季度财报会上强调MiniMax的“极致性价比路线”。 MiniMax M3.1 Flash输入价格为

匹配字段正文

gence Index . That's 13 points higher than its predecessor M3, at less than half the cost per task. The model ties with GLM-5.3-Flash, edges past Gemini 3.8 Flash (41), and trails Deepseek V4.1 Flash 1017 (45). Complex reasoning saw the biggest improvement. On "Humanity's Last Exam," M3.1 Flash hits 48 percent, beating both Deepseek and GLM. It also scores 22 percent on the CritPt benchmark , which tests research-level physics reasoning across 71 complex problems. That puts it ahead of GLM-5.3-F

匹配字段正文

ands at 73.7 percent on DeepSWE v1.1, a hair behind the 74 percent MiniMax lists for Claude Opus 5, its chosen comparison, and a point ahead of GPT-5.6 Sol at 73. VentureBeat puts DeepSeek V4.1 Flash 1017 at 77 in the same table. Anthropic’s newer Opus 5.5 isn’t in that table, so if you’re benchmarking against the current Opus, run your own evals. On Artificial Analysis’s Intelligence Index, M3.1 Flash scores 42, tied with GLM-5.3 Flash, ahead of Gemini 3.8 Flash at 41 and behind DeepSeek V4.1 F

匹配字段正文

BankerToolBench at 76.2. It also tops LOCA-Bench 256K at 60.3. Agents’ Last Exam lands at 29.6. Coding results are mixed. DeepSWE v1.1 scores 73.7, just above GPT-5.6 Sol at 73.0. DeepSeek-V4.1-Flash-1017 scores higher at 77.0. Terminal Bench 4.0 is the weakest result at 38.1. SWE Refactor Bench sits at 23.0, versus 31.0 for Opus 5. On vision, BabyVision with tools reaches 91.0 and CharXiv RQ reaches 82.5. HLE without tools scores 43.4. Spot checks hold up. The Kimi K3 model card reports DeepSWE

匹配字段正文

ns. At ICML 2026, the Reward Hacking Benchmark tested 13 frontier models on multistep tasks with opportunities to cheat. Claude Sonnet 4.5 didn’t exploit any of the shortcuts, but DeepSeek-R1-Zero exploited 13.9%, with higher rates associated with reinforcement learning post-training. Blocking access to answer metadata and preventing changes to verification functions reduced exploit rates by nearly 88% without affecting task success. A separate team went looking for weaknesses in the benchmarks

匹配字段正文

nstance, Google offers its TPUs, Amazon offers Trainium AI accelerator chips, and OpenAI is developing its own AI chip, Jalapeño. Related:Musing about Muse’s new AI models, unruly DeepSeek “You could see this as an [industry-wide] trend toward integration,” Harrowell said, referring to the idea that as Google, Amazon and OpenAI develop their own chips, they can integrate those chips and optimize them with their AI models. “Close integration of models, model software and custom chips." He noted t

匹配字段正文