搜索“OpenAI”

296），2026 年迄今上升 56 分（至 Gemini 4 Carbon 的 352）。 ➤ 开放权重模型通常比专有模型落后约 4 个月：自 2025 年 1 月以来，每一个新的开放权重最高分都在某个专有模型首次达到该分数后的 2 至 8 个月（中位数约 4 个月）出现。DeepSeek V4.1 Flash 1017 是已发布权重模型中得分最高的，为 324 分，这一水平 Claude Fable 5 在 2026 年 6 月就已达到。Kimi K3.1 Pro（权重尚未发布）得分为 341，约在闭源前沿之后两个月。 ➤ 新的前沿分数被刷新的频率更高：已发布模型中的最高分在 2023 年于 2 个发布日被刷新，2024 年为 4 个，2025 年为 9 个，2026 年迄今为 11 个。今年大约每四周一次。 ➤ 自 2022 年 11 月以来，OpenAI 在大部分时间里保持着最高分，但前沿已成为一场势均力敌的竞争：OpenAI 在测量的前 27 个月中一直位居第一，但尤其在 2026 年，OpenAI、Anthropic 以及如今的 Google 之间的领先地位发生了快速变化。

匹配字段正文

8K至128K长上下文场景下，天垓300的Agent首字延迟较H200降低约10%—30%；多模态生成推理吞吐，天垓300相较H200提升约2%—5%；在搜广推等在线业务中，推荐推理吞吐提升21%、轻量计算时延降低26%。 训练方面，在基于Qwen3-32B模型的8卡整机FP8精度训练演示中，天垓300每卡有效吞吐达到H100的1.33倍。 强化学习已成为OpenAI、Google、Meta、xAI以及DeepSeek、Qwen、MiniMax、Kimi等国内外主力模型公开采用的核心后训练路线。据条件性工程估算，天垓300以1024张卡对已有预训练基座开展一次强化学习，在40B激活参数的中心情景下，约26天可完成约1T总参数MoE模型的500亿生成Token强化学习任务。 单天逸现场实测了天垓300与H200在文生图、文生视频方面的性能。 其生成了“一个亚麻发色、穿白色连衣裙的女生在冰面行走，赛博朋克风格”的图片，天垓300 4秒就生成了第一张图片。 此外，其现场生成了“豆包穿着骑士装迎娶奶龙”的视频。天垓300的吞吐量为0.628，相比H200更高，且任务的完成速度、服务端的推理速

匹配字段正文

ish进行文档评审以及收到指摘后修正、再评审的流程。在反映修正或进入下一次评审时，会插入用户确认环节。 egm-resolve：由Elephant研究Goldfish的指摘，给出修正方案或反驳依据。将用户批准的修正反映到文档中。 egm-bootstrap：调查现有代码，创建或更新各目录的README。将各部分的作用、接口、应遵守的条件等整理成文档。 egm-drift-report：将设计文档和README与实际代码进行比对，报告未实现的功能、与设计不同的处理等不一致之处。 面向Claude和面向OpenAI的分发ZIP中包含构成插件的7个技能、给评审负责人的指示、文档编写标准等。截至10月28日的README中，介绍了在Antigravity、Claude Code、Codex中的安装方法。各环境的详细步骤和验证情况汇总在安装指南中。 不过，发布说明称，使用此次分发ZIP在各运行环境中的运行验证尚未完成，尚不能称为稳定版。此外，在无法以独立上下文启动Goldfish的环境中，将停止评审。 README中还明确写明，评审不能替代测试和人的判断，且该插件并非Google官方支持的产品。

匹配字段正文

Google正在让Anthropic的Claude Code和OpenAI的Codex等编码智能体更深入地访问其Android开发工具，包括设备、性能分析器和生产环境崩溃报告；现在，智能体可以调查缺陷、测试更改并验证自己的修复。 这一举措覆盖Android Studio和基于终端的Android CLI，Google将两者都向第三方智能体开放，而不是引导开发者使用Gemini。Android产品副总裁Matthew McCullough强调，要让开发者自由选择自己的模型和编码智能体。 在周三的一篇博文中，Android开发者工具高级产品经理Adarsh Fernando将目标描述为为开发者和他们的智能体提供“更快构建高质量Android应用的工具和知识”。这些更新于周三在Android Dev Summit上宣布。 自带智能体 该公司的Bring Your Own Agent功能现在支持40多个使用开放Agent Client Protocol的编码智能体，其中包括Anthropic的Claude Agent、OpenAI的Codex以及Google自家的Antigravity，Goo

匹配字段正文

其权重是开放还是闭源。 本文余下部分将介绍正面对比结果、框架背后的设计原则、我们如何构建内部 Agent Factory，以及带来最大影响的核心改动。 市场上最高效的框架 在相同任务、相同模型下，Droid 的得分更高、成本更低，优于我们测试过的所有其他框架。 图 1 Terminal-Bench 4GPT-6.1 Sol 未展示 Cursor：它无法访问 OpenAI 模型。Opus 5.5 Terminal-Bench 4。使用 GPT-6.1 Sol 时，Droid 的得分比 Codex 高 3.5 分，成本低 12%；比 OpenCode 和 Devin 高 6.6 至 12.6 分。使用 Claude Opus 5.5 时，Droid 的得分比 Cursor、OpenCode、Devin 和 Claude Code 高 3.0 至 7.6 分，成本最多低 24%。 方法论 随着智能体运行时间变长，这一差距愈发重要。在数百个步骤中，更好的智能体会犯更少的错误，供后续步骤在此基础上继续推进；而成本更低的智能体则让你能在相同预算下运行更多智能体。Droid 针对其支持的每一种模型调

匹配字段正文

要点 Google 在 Android Dev Summit 上将开发环境围绕 AI 智能体展开。此次更新包括对 Anthropic 和 OpenAI 模型的集成、用于本地智能手机智能体的新 API，以及一副智能眼镜。 Google 在今年的 Android Dev Summit 上发布了其开发者工具和系统 API 的更新。开放 Android Studio 开发环境是主要焦点。 借助 Android Studio Rabbit 2，Google 推出了“Bring Your Own Agent”（BYOA）功能。开发者不再局限于 Google 自家的 AI 工具。相反，他们可以使用开放的 Agent Client Protocol（ACP）直接在 IDE 中运行 40 多种不同的编码智能体。 开发者可以通过内置市场安装并同时运行 Anthropic 的 Claude Agent、OpenAI 的 Codex 和 Google Antigravity。这些智能体可以直接访问 IDE 工具，例如项目结构、符号解析、模拟器和 Logcat 系统。 Google 还发布了 Android B

匹配字段正文

Elo 在预约和订外卖等对话任务上的盲测人类偏好。越高越好。2026年10月1Managed AgentsCartesia11152 Gemini 3.1 Flash Live MinimalGoogle10993 Gemini 3.8 LiveGoogle10795 Grok Voice 3.0xAI10646 GPT-Live-1 (Sol, low)OpenAI10417 GPT-Live-1 (Astra, medium)OpenAI10378 Eleven Realtime v1 MaxElevenLabs100311 ElevenLabs Agents (Default Cascaded)ElevenLabs989 基准测试以 GPT-5.5 作为推理模型运行。 在 EVA-Bench上——ServiceNow 面向 CSM、ITSM 和 HR 领域企业语音智能体的开放基准测试——Managed Agents 在准确率（87%）和体验（91%）两项上均取得最高分，树立了新的帕累托前沿。 EVA-Bench：准确率与体验 在 200 多个企业场景中的首次尝试得分。阴影框内的

匹配字段正文

下文 playbook提示词和模型权重 是否改变模型权重否否未披露是，通过 RL 或 SFT 方法内置 5 种，可自定义 Evolver反思式演化、Pareto 选择Generator、Reflector、CuratorRL、提示词优化、SFT 部署目标Codex、Claude Code、Pi；插件导出DSPy（dspy.GEPA）未披露LangChain、OpenAI Agents SDK、AutoGen、CrewAI 等 许可证Apache-2.0MITApache-2.0MIT 关键结果CL-Bench 数据库 0.795（自报）AIME 2025：46.6% 至 56.6%（GPT-4.1 Mini）AppWorld 上 +10.6%未披露 如何安装和部署？ 通过 PyPI 安装：pip install hermit-harness，或克隆仓库查看示例。CLI 涵盖 check、train、eval、deploy 和 convert。模型以 / 形式引用。支持的后端包括 Fireworks、OpenAI、Anthropic、DeepSeek、vLLM、SGLang 和 Olla

匹配字段正文

回模型会读取的原因。 按命令允许列表：仅为一次调用开放某个注册表。 实时更新：--control-fd 可在命令运行期间切换网络列表。 解析地址检查：阻止解析到回环或云元数据 IP 的已允许名称。 拒绝域名原因：告知智能体获准的替代方案，例如 HTTPS git 远程地址。 它与其他智能体沙箱相比如何？ 特性Anthropic sandbox-runtimeOpenAI Codex CLI 沙箱Docker SandboxesE2B 隔离方式操作系统原语：Seatbelt、bubblewrap、Windows 账户 + WFP操作系统原语：Seatbelt、bubblewrap、原生 Windows 沙箱每个沙箱一个 microVM每个会话一个 Firecracker microVM 运行位置本地机器本地机器本地机器云或 BYOC（AWS、GCP） 是否需要容器或虚拟机否否是（microVM）是（托管 microVM） 能否在其自身智能体之外使用可以，CLI + 库适用于任意进程内置于 Codex可以，面向编码智能体的 sbx CLI可以，JS 和 Python SDK 网络默认拒绝全

匹配字段正文

继Meta、OpenAI和Google之后，Anthropic现在也推出了Claude Duet，这是一款主动型AI智能体，可自主监控电子邮件、日历和业务软件等已连接的应用程序，并在后台完成任务。根据Anthropic的公告，Duet是专门“为那些事务繁多、难以一一照看的专业人士和小企业主”开发的。该服务先以预览形式面向美国的Pro和Max订阅用户开放，用户可加入等待名单。应用提供iOS和Android版本，也可通过claude.ai访问。 广告后继续阅读 正如Anthropic在产品公告中所说明的，Duet基于Claude Opus 5.5语言模型，在带有独立浏览器的虚拟机中运行——无论用户当时是否正在使用自己的设备。每天早上，Duet会发送一份重要事项的简要概览；在一天当中，它会检查已连接的账户，并在判断某事相关或紧急时通知用户。用户可通过聊天或语音输入与智能体进行持续对话。 通过超过6000个连接器和插件，Duet可接入Gmail、Slack、QuickBooks、Stripe、Gusto、LinkedIn、DocuSign、HubSpot、Canva和Shopify等服务。An

匹配字段正文

吗？// 来源：Numerama 为了跨越这一障碍，密码管理器 1Password 推出了一套解决方案，并于 10 月 22 日在一篇博客文章中首次公布。该公司还在 X 上发布了这一消息，并附上一长串合作伙伴名单：Muse（Meta）、Grok Bot（SpaceXSI）、Claude Duet（Anthropic）、ChatGPT Work 和 dots（OpenAI），以及 Perplexity。初期只有 Muse 和 Grok Bot 可以使用，预计将在未来几天内逐步部署。其他集成则宣布将在稍后推出，但未给出具体日期。 1Password 解释道：“许多客户告诉我们，他们希望使用这些新的个人 AI 助手来提高工作效率，同时也希望对助手能够访问的数据拥有更好的控制，并享有同等水平的信任和同样便捷的使用体验。” 让你的数字生活更安心 Bitdefender Premium Security 是一款欧洲网络安全解决方案，可自动保护你免受黑客和各类网络威胁的侵害。让你安心享受在线活动 赞助内容 网络安全产品正在促销 延伸阅读 1Password：最受欢迎的密码管理器究竟值不值得用？ 密码

匹配字段正文

高达 83%。相比之下，可独立查阅参考资料的基层全科医生及普通内科医生的准确率仅为 36%。 值得注意的是，此类复杂病例在现实临床中通常交由专科专家或多学科医疗团队协作诊治，而这部分专科医生并未纳入本次对照实验。 官方表示，该系统所需的成本仅为医生的一半甚至三分之一，能以更少的化验与诊疗操作精准锁定正确诊断。该项研究成果已正式发表在《科学》期刊。 微软针对 OpenAI、谷歌、Anthropic、Meta 以及 DeepSeek 等多家机构的模型对 MAI-DxO 进行了测试，其中表现最亮眼的当属 OpenAI 旗下的 GPT-5 及 GPT-5.5。 “特别声明：以上作品内容(包括在内的视频、图片或音频)为凤凰网旗下自媒体平台“大风号”用户上传并发布，本平台仅提供信息存储空间服务。 Notice: The content above (including the videos, pictures and audios if any) is uploaded and posted by the user of Dafeng Hao, which is a social media pl

匹配字段正文

strator，简称 DxO，通过统一编排多个 AI 智能体来模拟医生专家联合会诊的过程 —— 各智能体协同向患者问诊、开具化验检查，并对潜在诊断展开深入研判与辩论。 而在基于《新英格兰医学杂志》（NEJM）复杂病例展开的模拟评估中，MAI-DxO 的诊断准确率高达 83%。相比之下，可独立查阅参考资料的基层全科医生及普通内科医生的准确率仅为 36%。 值得注意的是，此类复杂病例在现实临床中通常交由专科专家或多学科医疗团队协作诊治，而这部分专科医生并未纳入本次对照实验。 官方表示，该系统所需的成本仅为医生的一半甚至三分之一，能以更少的化验与诊疗操作精准锁定正确诊断。该项研究成果已正式发表在《科学》期刊。 微软针对 OpenAI、谷歌、Anthropic、Meta 以及 DeepSeek 等多家机构的模型对 MAI-DxO 进行了测试，其中表现最亮眼的当属 OpenAI 旗下的 GPT-5 及 GPT-5.5。 IT之家附论文链接： 广告声明：文内含有的对外跳转链接（包括不限于超链接、二维码、口令等形式），用于传递更多信息，节省甄选时间，结果仅供参考，IT之家包含外链的文章均包含本声明。

匹配字段正文

Client (sample and compute logprobs, for generation and scoring during rollouts and evaluation). Each API call maps to one operation in your loop. An active session also serves an OpenAI-compatible chat completions endpoint, so existing OpenAI client code can sample from it. Figure 1: The SageMaker Python SDK client hierarchy for training session APIs For reinforcement learning, the loop has a characteristic shape. The following figure shows one training step and where each part runs: the steps

匹配字段正文

内容并等待批准，例如发送消息、付款、签署文件或删除资料。它可通过Stripe的Link数字钱包或Shop Pay购买商品，但不能交易证券或在账户之间转移资金。Anthropic表示，Duet不会直接接触用户的密码或登录令牌；新加入的安全分类器会拦截信用卡号码、政府身份证件等敏感信息的外传，健康和个人财务信息则只有在用户明确要求时才可发送。 Claude Duet目前以研究预览形式推出，提供iOS、Android独立应用及Claude.ai网页版本，首阶段仅向美国地区的Claude Pro和Max订阅用户开放，须加入候补名单；Team和Enterprise用户暂不在开放范围内。预览期间，Duet与用户的Claude订阅共用使用额度，后台检查和较大型任务也会消耗额度。 Anthropic强调，Duet主要为工作场景设计，处理订票等个人事务的能力还不够成熟，也暂时无法让用户实时查看它如何操作浏览器。公司承认，早期版本可能误判邮件的重要程度或紧急性。随着Meta Muse、OpenAI Dots等代理工具陆续推出，Anthropic正把Claude从对话助手进一步扩展为能跨应用持续工作的代理。

匹配字段正文

AI 世界充斥着各类个人助理和生产力助理，每周都有新产品问世。如今，Anthropic 也加入了这场竞争，希望凭借一款名为 Claude Duet 的新应用吸引用户关注，与 Meta Muse、OpenAI Dots、Hark、Instinct、Grok Bot 和 Fo 展开角逐。 Anthropic 表示，这款新智能体旨在服务专业人士和小型企业，帮助他们实现任务自动化和管理。该公司将其与 Instinct 等个人智能体区分开来，指出 Duet 并不擅长处理跑腿或订票等事务，也无法实时展示其浏览器操作过程。 相反，Duet 可以为用户生成每日简报、创建仪表盘，或根据用户数据建议操作。与其他智能体一样，Duet 可以通过自有虚拟机在后台完成任务，让你腾出手来处理其他事情，需要时再回来请求你的批准。 此次发布正值市场从 AI 助理转向能够代表用户工作的智能体之际。Anthropic 的许多竞争对手都在聚焦商业用例。Meta 的 Muse 是一款个人 AI 助理，但该公司也推出了一个可连接其他应用、面向小型企业的版本。OpenAI 的 Dots 同样带有商业倾向，可与专业工具集成。 Ant

匹配字段正文

别再错过任何新闻！ Anthropic 推出 Claude Duet：这款 AI 助手将如何与 Muse 和 Dots 竞争 Anthropic 想用 Muse 与 Meta 竞争，用 Dots 与 OpenAI 竞争。为此，这家 AI 公司现在发布了自己的智能体助手。Claude Duet 能做什么，又是为谁准备的。 Claude Duet 旨在日常生活中主动为用户提供支持。（图片：Shutterstock/miss.cabul） 目前，许多大型 AI 公司都在追随面向日常用途的智能体助手趋势。先是 Meta 推出了其 Muse AI 版本，随后不久 OpenAI 又以 Dots 跟进。现在，AI 行业的第三大玩家也加入了这股热潮。Anthropic 在一份大型公告中揭晓了其“主动型智能体”Claude Duet。广告广告 Claude Duet：这款 AI 应该为你完成什么 推荐编辑内容 这里你可以找到来自 YouTube Video 的外部内容，它们补充我们在 t3n.de 上的编辑内容。点击“显示内容”即表示你同意我们当前及未来在我们的页面上展示来自 YouTube Video

匹配字段正文

Anthropic 推出 Claude Duet，这是一款主动型智能体应用，对标 Meta 的 Muse 和 OpenAI 的 Dots Claude Duet 每隔几小时检查一次已连接账户，而不是持续检查，因为持续检查会更快耗尽 Pro 和 Max 的额度，而且这些后台检查与常规 Claude 聊天共用同一份额度。 Duet 在带有独立浏览器的云虚拟机上运行 Claude Opus 5.5，但用户目前无法观看该浏览器的操作过程，因此他们看到的是结果和批准提示，而不是每一步操作。 按 Opus 5.5 的 API 标价计算，一次假设读取 40K token、写入 1.5K token 的检查约花费 0.19 美元。按 API 费率，每天 6 次这样的检查每月约合 34 美元，高于 Pro 每月 20 美元的价格。 购买需要两次独立批准：Duet 确认商品，Stripe 的 Link 钱包批准支出，之后 Duet 才会用虚拟卡付款，从而保证你的真实卡号不被泄露。 在 Duet 发送消息、付款、签署文件或删除任何内容之前，它会准确展示将要执行的操作并等待批准，但证券交易和账户间转账即使获得

匹配字段正文

Anthropic 也加入了个人 AI 智能体的热潮。 该公司周三宣布推出新应用 Claude Duet，将其定位为一款“主动型智能体”，可在后台运行、向用户推送任务，并处理各种工作。该工具目前处于研究预览阶段，并设有等待名单，这意味着它不会立即与 Meta 的 Muse 和 OpenAI 的 Dots 等其他新智能体争夺更大的市场。 尽管如此，这一发布仍加大了对这些公司的压力——Anthropic 表示，Duet 是围绕其旗舰模型 Opus 5.5 构建的，该模型于 9 月底发布，并已成为业内最受欢迎的模型之一。近期的模型突破使 AI 更擅长自主处理工作，从而掀起了一股构建这类“始终在线”个人智能体的热潮。 “它能够具备辨别力和判断力，知道何时该主动、何时该代表你行动，”Anthropic Labs 团队联合负责人 Mike Krieger 在 Duet 发布视频中表示。 Anthropic 表示，该工具每天早上会向用户发送一份简报，说明其已连接应用中正在发生的事情，并在有事项需要关注时给用户发消息。与其他公司的产品一样，它在用户的电脑之外运行，发送通知，并对某些任务请求批准。 An

匹配字段正文

t is off your machine Install the harness with the E2B and Temporal extras, the provider extras the snippets below use (the quick start calls Anthropic, the cookbook examples call OpenAI), and the Logfire extra so the runs are traced. Then set E2B API KEY and the provider key: uv add "pydantic-ai-harness[e2b,anthropic,temporal]" "pydantic-ai-slim[openai,logfire]" Then give the agent the sandbox alongside the tools that will use it: import logfire from pydantic ai import Agent from pydantic ai ha

匹配字段正文