全部新闻

AArtificial Analysis 完整文章18:09一手解读

AI 评分60

Artificial Analysis 上线 HealthBench 与 HealthBench…

Artificial Analysis 为 OpenAI 的 HealthBench 和 HealthBench Professional 两个健康对话基准上线排行榜，前者含 5000 段与普通用户及卫生工作者的对话，后者为 525 段全部面向临床医生的对话。HealthBench Professional 上 GPT-6 Astra（max）以 66.0% 的长度调整分居首，GPT-6.1 Sol（max）为 65.1%，Claude Sonnet 5.5（max with fallback）为 63.0%。HealthBench 上 Claude Sonnet 5.5（max with fallback）以 62.1% 领先，DeepSeek V4.1 Flash（max）为 60.9%；Claude Opus 5.5 与 Claude Fable 5.1 平均回答约 5900 字符，长度调整后失分超过 11 分。

同一事件 · 2 条报道

#评测/基准#OpenAI

Nn8n Blog16:17一手解读

AI 评分52

如何在 NVIDIA DGX Spark 上不调用云 API 运行 n8n AI 工作流

n8n 博客发布教程，介绍如何在一台 NVIDIA DGX Spark 上本地部署完整模型栈，让 n8n 工作流在不调用云 API 的情况下完成转录、OCR、文档问答和图像生成。整套栈通过 LiteLLM 暴露一个 OpenAI 兼容端点，主模型为 Qwen3.6-35B-A3B 的 NVFP4 版本，单用户生成速度 120 tokens/s，八用户合计 359 tokens/s。作者实测发现图像生成会让对话速度降到约三分之一，建议小团队把图像任务排队或放到非工作时间。

#教程/实践#部署/工程#开源生态

钛钛媒体 · AGI16:17解读

AI 评分53

实测Muse与ChatGPT的Dot：两款个人Agent处理中国互联网任务

作者把添加日程、整理126邮箱、大众点评找餐厅、京东挑鞋和制作旅行AA账本等任务分别交给Muse与ChatGPT中的Dot实测。Muse仅靠手机即可完成日历操作，并能从淘宝截图提取双十一定金和尾款节点；Dot在共享账本任务中交付更完整，但手机端操作苹果日历需借助Mac。两者处理网易邮箱等无现成连接的服务时都依赖云端浏览器，登录、验证码和小屏接管仍是主要障碍。

#评测/基准#Agent#OpenAI

钛钛媒体 · AGI16:17解读

AI 评分60

Cue一周实测：给AI配了身份证，却还做不到随时可用

作者开通Cue Pro会员实测一周，邮件处理最顺畅，能及时提醒收信、总结要点并按意图组织回复；电话与支付两项因需绑定国际账号未能跑通。多Agent协作需配置海外应用接口且群聊回复混乱，日程管理也接不进微信、QQ等国内信息流。Cue于9月28日与Manus 2.0一同发布，为每个Agent配备独立邮箱、电话号码、数字钱包和专属电脑，面向海外用户，国内版本仍在筹备。

#现象/趋势#Agent#评测/基准

钛钛媒体 · AGI16:17解读

AI 评分57

实测 WorkBuddy 接入企业微信：AI 同事几分靠谱

作者从零实测 10 月 14 日宣布与企业微信深度融合的 WorkBuddy，通过企业微信机器人入口完成授权绑定后，可对话和设定时任务。实测中定时任务首次运行因提示模型队列已满而反复失败，整理 AI 资讯时推送内容把日期标成 2025 年 10 月，追问后 WorkBuddy 承认是模型幻觉加系统 Bug 导致未推送。作者认为它更像需要人盯交付的实习同事，时效性敏感的自动化任务仍需人工核查。

#产品更新#Agent#MCP/工具调用

阿阿易 AI Notes12:18解读

AI 评分56

Anthropic 工程师分享 Claude Code 多智能体编排打法

一位 Anthropic 工程师在 30 分钟工作坊中展示了 Claude Code 的高阶用法：在一个集成循环里同时运行 100 多个智能体，由 1 个主代理坐镇，子代理充当项目经理拆分任务、分发和交叉验收。作者据此建议开发者先用主窗口写好任务拆解与验收规则，再派生子代理并发执行子模块，同时提醒百个代理同跑时若终止条件和权限边界没写死，容易在死循环中烧掉大量 Token，新手宜从一主三副的小规模开始。

引用AYi · @AYi_AInotes

这大概是整个人工智能与科技界历史上，最凶狠、但也最漂亮的一场降维打击。 前一天 Anthropic 还在高调宣传要拿出 5% 股权设立公益基金来应对技术冲击，马斯克在评论区冷冷留了一句：我建议你们直接把股份给公众。 结果不到十二个小时，他直接发了这条推文把全网看傻了：
明年把我持有的 SpaceX 股票，给全美每一个孩子送一股，这只是很多次里的第一次。 按现在的市值粗算，这是一笔砸向七千多万个家庭、总额超过一百亿美元的真金白银。 最耐人寻味的差距，就藏在这两种完全不同的分配范式里。
硅谷传统的精英大厂最喜欢玩弄一套精致的道德话术，把股份放进自己掌控的慈善基金，表面上是在回馈社会，背地里资金怎么花、投给谁、由谁领高薪，所有权力依然死死握在自己手里；而马斯克选择了一条最不留退路、但也最纯粹的路径：从自己的个人资产里真刀真枪地割肉，不设复杂的中间环节，直接把股东席位分给最底层的每一个普通孩子。 这就是为什么批评永远只能带来争吵，但行动示范能在瞬间终结比赛。
当你指责对手的假把式时，最暴力的回应不是写小作文去辩论，而是在半天之内掏出一套对手根本不敢跟、也跟不起的真实动作，当场把对方的道德遮羞布扯得精光。 更可怕的是这一步棋背后极度深远的商业引力场。
七千多万个孩子从小在账户里持有一股飞向太空的火箭股票，这意味着几乎全美所有的家庭在未来的几十年里，都会天然成为这家公司最坚固的情感共同体；比起花几十亿美元去买媒体公关和虚浮广告，这种把利益直接和下一代命运绑死的手笔，才是真正不可逾越的护城河。 以前大家以为科技向善是写在社会责任报告里的空话，从今天起有人把答案打在公屏上：
真正的向善不是高高在上地设立救济金，而是把属于未来的资产，在第一天就公平地分给创造未来的人。 大家觉得这种直接给每个孩子发一股硬核资产的做法，和传统大厂搞的那些由少数精英掌管的慈善基金相比，哪一种才是未来科技公司该有的样子？我先说，与其看机构在暗箱里每年扣掉大笔管理费，我宁愿自己孩子名下躺着一张真实的火箭所有权。

#教程/实践#Agent#编码

MMarkTechPost04:02解读

AI 评分56

TinyFish 把搜索做成免费：AI 智能体读网页的真实成本拆解

TinyFish 宣布在限额内免收 Search 和 Fetch 的检索费用，Search 为每分钟 30 次、每小时 500 次，Fetch 为每分钟 150 个 URL、每天 1,000 个。文章指出检索免费并不消除下游模型的推理成本，同一篇约 4,300 字符的文章在不同服务商处返回约 1,184 到 42,774 个估算 token，三页未过滤内容就可能占满 128K 上下文窗口。在 2026 年 9 月 28 日的 Artificial Analysis 快照中，TinyFish Search 得分 71、每 1,000 个任务 9.30 美元，为展示配置中总成本最低但得分也最低，单任务耗时约 59 秒。

#产品更新#搜索#部署/工程

AArena03:18解读

AI 评分70

DeepSeek-V4.1-Flash-20261017 登顶 Code Arena WebDev 开源模型榜

Arena 称 DeepSeek-V4.1-Flash-20261017（Max）成为 Code Arena WebDev 排名第一的开源模型，超过 Kimi K3（Max），成本低 10 倍。该模型以 1670 分位列总榜第 12，高于 Claude Opus 5（High），与 GPT-6 Sol（Max）相差约 10 分；定价为每百万输入/输出 token 0.3/1.2 美元，比上一版 DeepSeek-V4.1-Flash-20260910 提升 52 分。

引用DeepSeek · @deepseek_ai

🚀 DeepSeek-V4.1-Flash-1017 is here! Stronger benchmark performance, faster task completion, and shorter outputs than the previous version—a Pareto improvement in performance and cost. Now live on our website, app, and API. 🛠️ Optimized for @DeepSeekHarness, Tencent CodeBuddy, WorkBuddy, and more. Upgrade to DeepSeek Harness v0.2.1-rc.1 or later for the best experience with the new model. 1/4

同一事件 · 2 条报道

#评测/基准#开源生态#DeepSeek

TThe New Stack01:00解读

AI 评分72

Gemini 4 Argon 与 Claude Opus 5.5 实测对比：价格减半，准确率也接近减半

The New Stack 用代码审查、账单规格和长上下文三项自建任务对比 Gemini 4 Argon 与 Claude Opus 5.5，Argon 总成本 4.98 美元、Opus 为 8.75 美元。两者在 14 个植入 bug 的审查与修复上打平，但账单规格测试中 Opus 通过 80/80、Argon 仅 11/80，作者手动修正一行代码后 Argon 才达到 80/80。长上下文依赖题中 Opus 在 500K 规模答对全部 33 个服务，Argon 只答对 20 个并答错 8 个，且输出 token 仅 243 至 425，未展示推理过程。Argon 目前每百万输入/输出 token 收费 2/10 美元，12 月 1 日起涨至 4/20 美元与 Opus 持平。

#评测/基准#推理#Agent

BBrowser Use23:59一手解读

AI 评分57

Browser Use 解读浏览器智能体：工作原理、适用场景与局限

Browser Use 发布指南，解释浏览器智能体由模型、harness 和浏览器三部分组成，通过观察页面、选择动作、执行并检查结果的循环推进任务。文章建议有可用 API 时优先用 API、流程可预测时用脚本，只有步骤需要判断时才用智能体，并列出结果不稳定、网站拦截、提示词注入和成本不可预测等局限。文中引用其云服务 2026 年 10 月 18 日的数据快照，登录处理占 18% 的运行、结构化数据提取占 14%。

#教程/实践#Agent#MCP/工具调用

腾腾讯云开发者社区23:24解读

AI 评分60

《Agent 工程实战八讲》导读：从能跑到敢上线的工程方法

腾讯云开发者社区发布《Agent 工程实战八讲》导读，围绕如何把能调用模型与工具的原型升级为可完成业务任务、解释失败、控制成本并持续迭代的系统。全系列以立案助理 Agent 和术后随访 Agent 两个虚构教学案例贯穿，覆盖任务契约、推理与协作、上下文与记忆、工具可靠执行、观测与重放、评测与校准、安全边界、生产运营八个主题。文中强调模型能给出下一步不等于系统能兑现业务结果，示例字段、预算与数字均为教学演算，不构成法律意见。

#教程/实践#Agent#部署/工程

阿阿里云开发者社区 AI22:00解读

AI 评分50

DeepSeek-V4.1-Flash-1017 更新：代码一行没改，AI Agent 为什么还要回归测试？

DeepSeek 于 10 月 17 日将 V4.1 Flash 升级为 DeepSeek-V4.1-Flash-1017，继续使用 deepseek-flash 入口即可访问新模型，官方称 API 定价未变。官方公布 Terminal-Bench 4.0 从 31.2 提升至 42.3、ProgramBench 从 20.3 提升至 29.1，并缩短了任务运行时间和输出长度。文章建议上线前用真实任务集检查任务成功率、输出契约、耗时与单任务成本、失败处置四项，并给出基于官方 API 的固定问题采样回归脚本。

同一事件 · 24 条报道

#产品更新#Agent#编码

TThe Guardian Technology21:59解读

AI 评分66

什么是能自我复制的 AI 蠕虫，Anthropic 为何担忧

《卫报》解读 Anthropic 攻击性研究团队本周发布的报告：该团队称已造出一个恶意 AI 程序，可在联网智能电视之间自主传播，并把自身拆分到 15 台电视上、借用每台的一点算力维持运行。研究人员认为，成功的 AI 蠕虫需要在更低算力设备上具备更强能力，但按当前趋势到年底就可能可行；多伦多大学此前论文中的蠕虫则感染了一台全尺寸电脑并能更快扩散。多位安全专家意见不一，有人强调智能电视等物联网设备补丁更新慢、风险难修，也有人认为该实验移动缓慢、动作可预测可拦截，属于 stunt hacking。

#安全/对齐#Agent#现象/趋势

MMarkTechPost21:56解读

AI 评分57

如何用 NVIDIA Structured Data Models 做零训练表格预测

MarkTechPost 发布教程，演示用 NVIDIA 的 Structured Data Models 库在 PyTorch 统一接口下调用 TabICLv2、KumoTabular 和 KumoRelational，通过上下文学习直接做表格预测而不训练。在乳腺癌数据集上，300 行标注数据下 TabICLv2 与 KumoTabular 达到 0.970 准确率，与同数据训练的 scikit-learn 基线相当；三表商店数据库上 KumoRelational 从原始表得到 0.823 AUC，接近手工特征工程的 0.828。文章还指出默认配置会丢弃时间戳和文本列、解释器只保留最后一个 estimator 结果，以及未声明时间列时 AUC 升至 0.940 的数据泄漏问题。

#教程/实践#数据/训练#开源生态

阿阿易 AI Notes20:19解读

AI 评分55

AI 建个人网站实战教程：飞书底稿加 8 类近 70 个设计参照清单

这篇教程介绍用 AI 从 0 到 1 搭建个人网站或产品落地页的两步工作流：先建一份飞书文档作为单一事实源，存入个人介绍、项目案例和服务清单，让 AI 通过飞书命令行工具读取，改文字后网页可自动同步；再拆零件式给参照，从现成设计站扒代码、截图或提炼风格关键词喂给 AI 组装。作者按 8 个工序整理了近 70 个网站，涵盖 shadcn/ui、Aceternity UI 等组件库，Motion、GSAP、Three.js 等动效资源，Godly、Land-book、Awwwards 等整站审美站，以及 v0、Lovable、Google Stitch 等 AI 建站工具和 Anthropic 的 frontend-design 等 4 个设计 Skill。文中提醒参考交互风格和调用开源组件没问题，但不要原样搬运他人整站视觉原图、品牌配图和文案，商用前需确认授权协议，Tailwind Plus 和 Mobbin 完整版为付费订阅。

引用AYi · @AYi_AInotes

这篇优质的AI 建个人网站的实战教程分享给大家，想从0-1搭一个拿得出手的个人网站或产品落地页的铁汁，把这份刚出炉的 8 大类近 70 个 UI 设计与 AI 建站清单存好就够了， 核心是两步建站的工作流，作者不仅把组件库、3D 动效、整站灵感和设计 Skill 按工序排得明明白白，还给了一套极聪明的飞书文档同步打法。 而且她点破了一个特别实在的盲区，直接让 AI 凭空做设计，效果往往最差，真正好用的野路子是先喂底稿、再抄局部。 第一步根本不是打开编程工具写提示词，而是先建一份飞书文档当单一事实源，把你的个人介绍、项目案例和服务清单全装进去，让 AI 通过飞书命令行工具直接去读这份底稿，以后改文字只改文档，网页就能跟着自动同步。 第二步是拆零件式给参照，别让 AI 自己猜什么叫好看，去现成的顶级设计站里扒代码、截图或者提炼风格关键词，再喂给 AI 组装。 她把平时压箱底的近 70 个找参照网站按 8 个工序全列齐了，今天就能直接照着抓： → 找现成骨架与组件库（15 个）：shadcn/ui、Aceternity UI、Magic UI、React Bits、https://t.co/j0NLCpfGvS，直接扒组件代码 → 抄丝滑动效与 3D（9 个）：Motion、GSAP、Three.js 示例、Spline、Rive，专治页面死板 → 看整站审美与排版（12 个）：Godly、Land-book、Awwwards、One Page Love，找顶级的 Landing Page 构图 → 抄成熟产品流程（5 个）：Mobbin、Page Flows、Refero，看真实商业产品的界面流转 → 抠局部微交互与配色素材（18 个）：CodePen、Codrops 看微交互，Coolors、Realtime Colors、Lucide 搞定配色与图标 → 选 AI 建站与设计 Skill（11 个）：v0、Lovable、https://t.co/UR6Fty0P8s、由 Galileo AI 迁入的 Google Stitch，配上 Anthropic 的 frontend-design 等 4 个设计 Skill， 这就像你装修房子，AI 是手脚极快的施工队，但你不能让包工头替你决定家里摆什么家具、刷什么墙漆，内容底稿和审美参照得由你这个业主亲自定。 说白了，这不只是搭个人网站的抄作业清单，更是所有普通人拿 AI 做项目的通用起手式，别把精力花在和对话框赌运气上，先维护好一份干净的业务底稿，再建一个自己的高审美参照库。 不过照着这份清单扒设计时也得留个清醒，参考交互风格和调用开源组件完全没问题，但千万别把别人整站的视觉原图、品牌配图和文案原封不动搬过来，商用前一定看清各个库的授权协议； 而且清单里的 Tailwind Plus（原 Tailwind UI）和 Mobbin 完整版都是付费订阅的，按需取用就行。 AI 从来不缺写代码的手艺，缺的是你喂给它的那份干净底稿和审美标尺。 8 大类近 70 个网站的完整分类用法和改名避坑说明都在引用的原帖长文里，一楼我也整理了速查索引。

同一事件 · 2 条报道

#教程/实践#Agent#MCP/工具调用

阿阿易 AI Notes18:49解读

AI 评分83

DeepSwarm V4.1 Flash 与 Claude Opus 5.5 的 3D 建模对比测试

作者用同一提示对比 DeepSwarm V4.1 Flash 与 Claude Opus 5.5 的 3D 建模输出，并质疑两者在光照和浮岛细节上是否处于同一水平。推文附有对比视频，未给出更多测试条件或量化结果。

引用AYi · @AYi_AInotes

WTF！！！DeepSeek这是超神了啊，新版本超越了Fable、Opus、Astra？🤯。。下周一的美股 AI 板块估计要被干崩了吧… 更离谱的是DeepSeek 刚开源的 V4.1-Flash 1017，输入每百万 tokens 只要 0.15 美元、输出 0.30 美元，在 DeepSWE 基准上用三分之一的单次成本跑出了比 GPT-6.1 Sol 还高的 77% 成功率🤯！ 如果单看跑分可能觉得只是又一次常规更新，但把账单和权重体积放在一起算，它直接把前沿编程模型的调用成本砸穿了地板，牛逼牛逼， 在衡量真实软件工程能力的 DeepSWE 基准测试上，它跑出了 77% 的成功率，单次任务成本只要约 0.20 美元，而作为对比的 GPT-6.1 Sol 最高分配置成功率约 75%，单次任务却要花掉 0.65 美元。  用三分之一的价格，在核心开发任务上跑赢了顶尖闭源底座，这种反差放在以前很难想象， 以前想让 Agent 在代码库里反复试错、批量改 bug，调用頂級模型就像在烧计价器，现在输入每百万 tokens 只要 0.15 美元，输出只要 0.30 美元。  换算成一个平时最常见的开发场景，单次喂进去 10 万输入加上 1 万输出，账单比 Sol 便宜了约 86% 到 93%，比 Opus 5.5 便宜了约 93% 到 97%， 要是再配合 DeepSeek Harness 把上下文缓存跑起来，高频命中下的实际开销还会再降一个量级，基本实现了像自来水一样随便调前沿模型。 除了账单砍到脚脖子，它的体积也给硅谷那套靠堆算力硬砸的路线泼了一盆冷水， 相比于传闻动辄 10T 的美国闭源巨无霸，或者 2.8T 的 Kimi K3，这版 Flash 总参数控制在 763B，净权重约 510.3GB，而且直接免费公开了权重，按这个体积推算，不需要专门去租大型数据中心，4 台 DGX Spark 或者顶配 512GB 的 Mac Studio 做一层量化，就有机会在本地桌面跑起来。  最狠的是它这次提分的方式，并不是重新烧几万张卡训了一个新底座， V4.1-Flash 原本只是一个因为便宜好用而小有名气的旧模型，官方这次只是在原底座上引入了带自我反馈的强化学习做后训练，硬生生把一个平价模型拧成了 SOTA 级别。  这里藏着一个极其反直觉的现象，以前模型想要提高准确率，往往得靠疯狂拉长思考链、吐出更多废话来换取分数， 而这次通过后训练调出来的 1017 版本，在拉高开发任务成功率的同时，反而把处理时间和输出 token 量一起压了下来，等于模型变聪明了，话变少了，还顺手帮用户省了钱。  说白了，这给我们所有每天用 AI 写代码、做业务的人提了个醒， 当后训练能够同时把准确率和精简度拉满，接下来拼的就不再是谁调得起最贵的闭源接口，而是谁敢把过去因为嫌贵而不敢跑的全天候自动化测试、整库重构任务，现在成百倍地铺进日常工作流里。  但站在更现实的视角来看，原帖作者在所有维度上还没有全面压过 Opus 5.5 这一点上说得很诚实，单点基准测试的逆袭不等于全场景通吃，而且所谓下周一美股 AI 板块要暴跌的说法更多是情绪宣泄， 另外 510.3GB 的原始权重想塞进 512GB 内存的机器里，算上系统开销和上下文缓存，不经过量化压缩依然会爆内存，本地部署的实际损耗还得等第一批实测。  靠堆算力把模型喂大只是上半场的蛮力活，靠后训练让模型少说废话多干对活，才是下半场真正拉开成本代差的手艺。

#评测/基准#图像生成#DeepSeek

阿阿易 AI Notes18:21

AI 评分53

AI 建个人网站教程：飞书文档底稿加近 70 个 UI 设计站点清单

一份 AI 建个人网站的实战教程给出两步工作流：先建飞书文档作为内容底稿，让 AI 通过飞书命令行工具读取，改文档即可同步页面；再从现成设计站扒组件、动效和排版喂给 AI 组装。作者按 8 个工序整理了近 70 个站点，包括 shadcn/ui、Aceternity UI、Magic UI 等组件库，Motion、GSAP、Three.js、Spline 等动效工具，Godly、Land-book、Awwwards 等整站灵感站，以及 v0、Lovable、Google Stitch 等 AI 建站工具和 Anthropic 的 frontend-design 等 4 个设计 Skill。文中提醒参考交互风格和调用开源组件可以，但不要整站搬运视觉原图和文案，商用前需看清授权协议，Tailwind Plus 和 Mobbin 完整版为付费订阅。

引用PamelaAI·H · @pamelaaaaa1218

从0开始搭个人网站，最容易卡在：不知道从哪开始。 我自己的做法是两步—— 先备一份飞书文档当内容底稿（改文档、丢给AI，页面也好同步）； 再对着好看的网页抄UI设计：组件、动效、Landing、移动端、配色、AI建站，60+个站按类放好了。 需要的直接拿走 ↓ https://t.co/XzTz07Uc2c

同一事件 · 2 条报道

#教程/实践#Agent#MCP/工具调用

阿阿易 AI Notes17:04解读

AI 评分66

开发者实测 DeepSeek V4.1 Flash 1017 与 GPT-6.1 Sol 火箭发射任务成本耗时

有开发者用同一个火箭发射任务对比刚开源的 DeepSeek V4.1 Flash 1017 和 GPT-6.1 Sol，前者花费 0.78 美元、耗时 3 分钟，后者花费 6.10 美元、耗时 5 分钟。DeepSeek V4.1-Flash-1017 以 MIT 协议开源，API 闲时价格为每百万输入 0.15 美元、输出 0.6 美元，在 DeepSWE 编程基准上得分 77.0%。原帖只晒了这一个任务的总耗时和账单，未给出完整提示词和各自的自我修正轮数。

引用AYi · @AYi_AInotes

又有一位开发老哥拿今天刚开源的 DeepSeek V4.1 Flash 1017 和 GPT-6.1 Sol 同台硬刚火箭发射场景，晒出来的账单和耗时直接把性价比拉到了台面上。 老哥跑完同一个火箭发射任务，GPT-6.1 Sol 花了 6.10 美元、耗时 5 分钟，而 DeepSeek V4.1 Flash 只花了 0.78 美元、3 分钟就交卷，成本砍了将近 8 倍，速度还快了整整两分钟。 以前我们总默认一个铁律，便宜的轻量级 Flash 模型只能用来干点文本摘要、清洗数据的杂活，一旦碰到火箭发射模拟这种吃物理逻辑和复杂空间计算的硬骨头，还得乖乖掏高价请顶配闭源模型出山。 但这组 0.78 美元对 6.10 美元的实测数据把旧账本撕开了一道口子，最狠的不是它比对手少花了五块多美金，而是它在砍掉近八成多预算的同时，连渲染带生成的交付时间还反超了 40%。 结合 DeepSeek 刚公布的官方底牌来看，这件事一点都不意外，V4.1-Flash-1017 不仅拿 MIT 协议完全开源，把 API 价格死死按在闲时每百万输入 0.15 美元、输出 0.6 美元，在 DeepSWE 编程基准上更是跑出了 77.0% 的高分，单次编程任务平均成本压到了 0.2 美元以内。 这就像你在工程队里招人，以前觉得便宜的熟手干不了精密活，结果人家带着全套开源图纸进场，花八分之一的工钱、用更短的工期把火箭发射架给焊好了。 说白了，这对每天都在跑代码、做高频测试的开发者只意味着一件事，当一次复杂任务的试错成本从 6.10 美元跌到 0.78 美元、等待时间从 5 分钟缩到 3 分钟时，你的开发动作会彻底变形，以前因为心疼账单只敢抽测一遍的流程，现在完全可以放开手脚让模型在后台并发跑上八轮，从中挑出最好的一个版本。 不过看这种单次同台PK也得留个清醒，原帖老哥只晒了这一个火箭发射题目的总耗时和账单，没放完整提示词，也没交代两边各自跑了多少轮自我修正才算出这个总价，单次任务表现拔尖不代表在所有长链路推理上都能全面替代 GPT-6.1 Sol。 模型降价八倍真正的杀伤力，从来不是替你省下那五块美金，而是让你拥有了比对手多试错八次的自由。 https://t.co/sQVk8ZH0Yx

#评测/基准#推理#编码

阿阿易 AI Notes14:31解读

AI 评分67

开发者实测 DeepSeek V4.1 Flash 与 GPT-6.1 Sol 火箭发射任务成本对比

有开发者用同一个火箭发射任务对比 DeepSeek V4.1 Flash 1017 与 GPT-6.1 Sol，前者花费 0.78 美元、耗时 3 分钟，后者花费 6.10 美元、耗时 5 分钟。DeepSeek 官方信息显示，V4.1-Flash-1017 以 MIT 协议开源，API 闲时价格为每百万输入 0.15 美元、输出 0.6 美元，在 DeepSWE 编程基准上得分 77.0%。作者提醒，这次对比只覆盖单个题目，未公布完整提示词和各自的自我修正轮数，不能据此推断长链路推理能力。

引用AYi · @AYi_AInotes

跑完同一个 3D 网页场景，一边是顶配闭源旗舰 GPT-6.1 Sol，一边是今天刚开源、博主实测 API 账单只花了 0.44 美分的 DeepSeek V4.1 Flash， 今天全网都在刷 DeepSeek 刚发的 V4.1 Flash 和 GPT-6.1 Sol 同屏生成 3D 云海城市的对比视频，视频老哥晒出的账单把很多人看傻了，他说跑完这趟测试，DeepSeek 的 API 成本只花了 0.44 美分，价格比对手便宜一大截。 视频里的画面确实很直观，上下分屏跑同一个题目，都在网页里搭出了漂浮岛屿、月亮和过山车式的环形铁轨，GPT 版的车厢和尖塔细节更密，但 DeepSeek 版暖光下的两座浮岛和竖环轨道同样完整得不像一个轻量级模型。 以前我们给业务选大模型，默认动作是先看谁在榜上排第一，哪怕账单贵出十倍也硬着头皮全量接进去，生怕模型笨一点就砸了招牌。 但这支 20 秒的对比视频把一个更现实的账本拍在了桌上，真正的胜负手根本不是谁能在单次炫技里多画两座尖塔，而是当三分钱的开源模型就能交出八十分的工程代码时，你还愿不愿意为了剩下那二十分的细节付十倍的溢价。 再往深扒一层，DeepSeek 这波更新最狠的动作不只是把 MIT 开源权重的推理价格死死按在闲时每百万输入 0.15 美元、输出 0.6 美元，更在于它顺手把原生的 Search 和 Fetch 联网搜索接口塞进了 Claude Code、Codex 和自家 Harness 工具链里，在 10 月 31 日前全部免单。 这其实就像公司招人做项目，要是连写个常规前端页面、洗一遍日常数据都非得请年薪百万的首席科学家亲自动手，这家公司离破产就不远了。 说白了，这给我们所有在写代码、搭工作流的人提了一个马上就能落地的改法，明天起别再拿一个顶配模型包打天下了，把架构拆成按岗配人：九成跑量、渲染、抓网页的常规活直接路由给 Flash 这种几分钱的苦力模型，只把最核心的一成架构设计和复杂排错留给顶配模型，最后一道关口交给人工审核。 不过看这种刷屏测试也得留个清醒，原帖老哥只跑了这一个题目，既没放出提示词也没贴出 GPT 那一侧的 Token 账单，0.44 美分到底是真只花了三分钱还是把 0.44 美元写错了单位也无从核对；况且那个让人眼馋的免费联网搜索只免单到 10 月 31 日，过了月底就要按每千次请求 0.75 美元收钱了。 上半场大厂拼的是谁能造出最贵的超级大脑，下半场普通人拼的是谁最懂拿三分钱的模型干完九成的脏活。 https://t.co/is4aflOm3k

#评测/基准#推理#编码

BBrowser Use04:11一手解读

AI 评分60

Browser Use 盘点 11 款浏览器自动化 MCP 服务器并实测四款工具

Browser Use 发布 2026 年浏览器自动化 MCP 服务器选型指南，按隔离测试、调试、登录态 Chrome、云端并行任务等场景推荐 11 款服务器。作者用 Codex CLI 搭配 GPT-6 Luna 在 BU Bench V2.1 的 100 个公开任务上对比四款工具，Browser Harness 得分 60.4、每题中位输入 token 2.1M、成本 $0.042，与 Playwright MCP 和 Chrome DevTools MCP 的分数差异区间均包含零。Playwright MCP 中位耗时最短为 29.0 分钟，agent-browser 得分 56.3。

#评测/基准#Agent#MCP/工具调用