全部新闻

CClément Delangue00:27

AI 评分75

Hugging Face 把 Claude Code、Codex 等编码工具变成 RL 训练环境

Hugging Face 的 Clément Delangue 宣布把 Claude Code、Codex、Hermes、Pi、opencode 等编码工具变成 RL 环境，不改动工具本身也不改动训练代码，全部开源。做法是用一个 capture proxy 伪装成模型 API，兼容 OpenAI Chat Completions、OpenAI Responses、Anthropic Messages、Gemini 四种格式，转发到 vLLM 并记录 token ID 与 logprobs，再交给 TRL 训练，目前已有 10 个工具接入且均未修改。在 LFM2.5-2.6B 上，单工具训练后 OpenCode 从 34% 提升到 58%，四工具同时训练后四者均提升（42% 到 54%），而用 Qwen3.8-27B 的 3,189 条 rollout 做 SFT 只停在 47.5%。

#开源/仓库#Agent#部署/工程

卡卡尔的 AI 沃茨23:12

AI 评分55

卡尔的 AI 沃茨公开影视飓风内部分享的 AI 工作流

卡尔的 AI 沃茨公开了几个月前在影视飓风内部分享的 AI 工作流，按时间轴分为找到适合你的 Skill、把经验打包成 Skill、把多个 Skills 组合成工作流、批量化定时化四个部分。作者称看完后可以手搓一个本地批量视频剪辑 Skill，并搭建文案、海报、视频、网页全链路的内容生产工作流。

#教程/实践#Agent#MCP/工具调用

新新京报12:40解读

AI 评分65

豆包工作、千问办公、WorkBuddy 三款 AI 办公应用实测对比

新京报贝壳财经记者对豆包工作、千问办公、WorkBuddy 三款 AI 办公应用进行系列任务实测，分别使用豆包2.1 Lite0921、Qwen3.87-Max、Hy4 preview 模型。在《2026年AI办公赛道调研报告》长程任务中，豆包工作用20分46秒产出1万字，WorkBuddy用21分18秒产出2.5万字，千问办公耗时超1小时产出5万字，但消耗约1800 token，约为另两款的60倍，记者需充值78元购买会员。多模态测试中，豆包工作的海报与视频完成度最高，WorkBuddy 生成的3D模型最接近原手办，但生成漫画时把自己的图标认成青绿色小猪脸。

#评测/基准#Agent#多模态

OOpenRouter：Announcements08:00一手解读

AI 评分61

OpenRouter 对比 OpenAI、Anthropic、Google 的服务端代码执行工具

OpenRouter 发文对比 OpenAI、Anthropic、Google 及自家提供的服务端代码执行工具，说明模型在 API 请求内调用工具、由服务商在隔离容器中执行命令并回传输出。OpenRouter 的 openrouter:shell 支持 Responses 与 Messages API 上的任意模型，openrouter:bash 仅支持 Messages API，两者均为 beta，沙箱默认关闭出站网络，按每秒 0.0001 美元计费、新容器最低 30 秒。文章指出需要自定义基础镜像、GPU 或数小时长会话时，仍应自建 E2B、Modal、Daytona 等沙箱平台。

#教程/实践#Agent#部署/工程

MMarkTechPost06:58解读

AI 评分67

GPT-6 Astra、GPT-6.1 Sol、Gemini 4 Argon 与 Claude Fable 5.1 对比：哪款前沿模型适合哪类任务

MarkTechPost 将 30 天内发布的 GPT-6 Astra、GPT-6.1 Sol、Gemini 4 Argon 和 Claude Fable 5.1 四款前沿模型并排比较，指出基准分数重叠度高于各家发布稿的暗示，但价格、访问规则和单任务成本差异明显。Astra 与 Fable 5.1 同为每百万 token 输入 10 美元、输出 50 美元，Sol 与 Argon 标价为其五分之一，Argon 为限时价格；Artificial Analysis 数据显示 Fable 5.1 单任务成本 9.18 美元，Astra 为 4.72 美元，差距来自 token 用量而非单价。作者建议按工作负载而非榜单排名选型，多数团队默认选 GPT-6.1 Sol，Argon 目前仅面向 Fairwind 网络安全防御者开放。

#行业动态#评测/基准#OpenAI

BBaseten 工程博客21:49一手解读

AI 评分59

Baseten 用 MetaInfer 技能框架让 Claude Code 自主优化推理引擎，单流解码提速最高 90%

Baseten 工程博客作者基于 MetaInfer 技能框架，让 Claude Code 在单张 B200 上为 Qwen-3.6-35B-A3B（NVFP4）自主构建推理引擎 VibeQwen，单流解码速度最高比 vLLM 0.25.1 快 90%，TTFT 快 2.33 倍，并发 32 时单副本吞吐高出 71%。整个项目约一周、消耗约 17 亿 token 和 200 B200 小时，成本在数千美元量级。作者随后用同一知识库为图像分割模型 SAM 3.1 构建推理服务 Sammie，在单张 H100 上达到 91 张图/秒，比 Facebook 参考服务吞吐提升 50%，耗时数天、约 2 亿 token。

同一事件 · 2 条报道

#教程/实践#推理#部署/工程

MMarkTechPost21:48解读

AI 评分66

决策 AI 模型解析：TypeSafe Jev 与 Fastino GLiDE、GLiNER2.5-Decide 及开源竞品对比

决策 AI 模型是一类返回选择、分数或概率而非生成文本的模型，TypeSafe 在隐身两年后推出 Jev，Fastino Labs 三周内跟进两款竞品。Jev 支持 Choice、Score、Noul 三种原语，定价为每百万输入 token 0.042 美元、输出免费，TypeSafe 称端到端响应为 70 至 500 毫秒。在 TypeSafe 的 4 项工作流评测中，Jev 以 67.8% 平均准确率、每例 0.4 秒追平 Claude Sonnet 5，但落后最强前沿配置 6.3 个百分点。

#现象/趋势#推理#部署/工程

TThe Verge AI21:48解读

AI 评分60

OpenAI Dots 上手实测：更像企业软件，也能帮你订晚餐

The Verge 记者实测 OpenAI 本周发布的智能体平台 Dots，它拥有可自定义名字的拟人化形象，可在虚拟机中操作 Blender、GIMP 等应用，也能通过桌面版 ChatGPT 访问用户自己的电脑，并优先向每月 100 美元的 Pro 等高阶账户开放。实测中 Dots 在订网、宜家账户登录等任务上多次卡在安全验证，需要人工接管，但在作者授权访问个人电脑后，顺利完成了视频剪辑合并和个人网站改版部署。作者认为它更像面向普通人的 Codex，适合处理工作事务，但每月 100 美元的价格对个人用户未必划算。

同一事件 · 4 条报道

#产品更新#Agent#OpenAI

BBaseten 工程博客05:09一手解读

AI 评分59

Baseten 用 Claude Code 生成推理引擎，解码速度比 vLLM 快 90%

Baseten 工程师让 Claude Code 配合 Fable 5 基于 MetaInfer 技能框架，在单张 B200 上为 Qwen-3.6-35B-A3B 生成推理引擎 VibeQwen，单流解码速度最高比 vLLM 0.25.1 快 90%，TTFT 快 2.33 倍。该实验耗时约一周、消耗约 17 亿 token 和约 200 B200 小时，引擎在全部测试流量模式下均超过 vLLM。作者随后用同一知识库为图像分割模型 SAM 3.1 生成服务端 Sammie，在单张 H100 上达到 91 张图像/秒，吞吐比 Facebook 参考实现提升 50%。

同一事件 · 2 条报道

#教程/实践#推理#部署/工程

AArena03:48解读

AI 评分61

GPT-6.1 Sol 进入 Arena Agent 榜单第 5，每任务中位成本 0.56 美元

Arena 的 Agent Arena 榜单显示，OpenAI 的 GPT-6.1 Sol (Max) 以第 5 名进入榜单，得分提升 11.23%，并改变了帕累托前沿。其每任务中位成本为 0.56 美元，比 GPT-6 Sol 低 39% 且得分高 1.52 分，比 GPT-6 Astra 低 81% 且差距在 1.04 分以内。相比 Claude Fable 5.1 (Max)、Claude Opus 5.5 (High) 和 Claude Sonnet 5.5 (Max)，其成本分别低 88%、65% 和 80%，得分差距分别为 3.08、2.59 和 1.29 分。

引用Arena.ai · @arena

Exciting news: GPT-6.1 Sol (Max) by @OpenAI just landed the Code Arena: WebDev at #3 with 1759 pts, and at a blended $8/MToken it reshapes the Pareto frontier! GPT-6.1 Sol (Max) marks a clear improvement in cost efficiency: it gained 70 points over GPT-6 Sol (Max) for the same price. It landed within 30 points of GPT-6 Astra (Max) at 80% lower blended token cost, and 59 points from Claude Opus 5.5 (Max) at 50% of the price. See position on the Pareto frontier for the Code Arena: WebDev in the post below. Overall, GPT-6.1 Sol improved from GPT-6 Sol by 4 rankings! It also improved in every category: - Consumer Product: #5 → #1 - Simulations: #6 → #3 - Data & Analytics: #4 → #3 - Content Creation Tools: #4 → #3 - Gaming: #6 → #4 - Reference-Based Design: #6 → #4 - Brand & Marketing: #10 → #6 Congrats to the @OpenAI team on the release!

#评测/基准#Agent#OpenAI

AArena03:33解读

AI 评分60

Claude Sonnet 5.5 在 Agent Arena 排名第 3，每任务中位成本 2.74 美元

Claude Sonnet 5.5 在 Agent Arena 排名第 3，净提升分数为 +12.5%，每任务中位成本 2.74 美元。该模型性能处于顶级水平但成本偏高，排名第 2 的 Claude Opus 5.5 每任务成本为 1.58 美元且分数更高，这一取舍使 Sonnet 5.5 未能进入 Agent Arena 的帕累托前沿。

引用Arena.ai · @arena

Exciting news: Claude Sonnet 5.5 (Max) by @AnthropicAI has debuted at #3 in the Agent Arena with +12.5% net improvement! This release is a 8.1 percentage-point increase over Claude Sonnet 5 (High), which ranks #13 with +4.4% net improvement. By category, Claude Sonnet 5.5 secured the #1 spot in Chat (+15.6%) above both Fable 5.1 (+11.49%) and Opus 5.5 (+10.29%). This performance comes with a higher cost: Claude Sonnet 5.5 (Max) has a median cost of $2.74 per task, about 73% higher than #2 Claude Opus 5.5 (High) at $1.58. @AnthropicAI models now hold all three top positions in Agent Arena. Congrats to the team!

#评测/基准#Agent#Anthropic

AArena03:31解读

AI 评分62

Claude Sonnet 5.5 (Max) 在 Agent Arena 首登第 3，净提升 +12.5%

Arena 公布 Claude Sonnet 5.5 (Max) 在 Agent Arena 首次上榜即位列第 3，净提升 +12.5%，比排名第 13 的 Claude Sonnet 5 (High) 高出 8.1 个百分点。分类上它在 Chat 以 +15.6% 拿下第 1，高于 Fable 5.1 的 +11.49% 和 Opus 5.5 的 +10.29%。代价是成本更高，每任务中位成本 2.74 美元，比第 2 名 Claude Opus 5.5 (High) 的 1.58 美元高约 73%。Anthropic 模型目前占据 Agent Arena 前三名。

引用Arena.ai · @arena

Exciting update: Claude Sonnet 5.5 with xHigh reasoning has landed in the Code Arena: WebDev. With 1786 pts, its ranked #3! At a blended $8/M tokens, Claude Sonnet 5.5 remains on the Pareto frontier with xHigh reasoning. This release is just 2 pts from GPT-6 Astra in the #2 spot with 1788 pts, for 80% of the price. By domain, Claude Sonnet 5.5 (xHigh) landed: - #2 in Gaming, Reference-Based Design, and Brand & Marketing - #3 in Simulations - #4 in Content Creation Tools and Consumer Product - #6 in Data & Analytics Congrats again to @AnthropicAI on this release!

#评测/基准#Agent#Anthropic

AArtificial Analysis08:17解读

AI 评分71

Artificial Analysis 编程智能体指数：Claude Sonnet 5.5、GPT-6.1 Sol 与 Gemini 4 Argon 性能成本对比

Artificial Analysis 的编程智能体指数本周迎来 Claude Sonnet 5.5、GPT-6.1 Sol 和 Gemini 4 Argon 三款新模型，它们均接近榜单前列，但性能与成本取舍不同。该指数以模型加运行框架的组合为单位，跨三项智能体编程评测打分：Claude Sonnet 5.5（max）在 Claude Code 中以 68 分居首，单任务成本最高为 14.19 美元；Gemini 4 Argon（high）在 Antigravity CLI 中得 64 分，单任务 5.84 美元，不到 Sonnet 5.5 的一半，但采用 Google 促销定价且 Argon 尚未公开可用；GPT-6.1 Sol（xhigh）在 Codex 中得 63 分，单任务 1.04 美元，约为 Argon 的六分之一。

#评测/基准#Agent#编码

EEvery：最新文章08:00

AI 评分67

如何用 AI 提示词提升 AI 使用水平：五个 Codex 实践提示词

Every 运营负责人 Arielle Shipper 分享了自己用五个提示词把 Codex 从单轮对话升级为多智能体协作的方法，包括让 Codex 评估自己在八级 AI 采用框架中的位置、给出升级建议、解释执行方式、设置每周评分报告，以及用 /self improve 把纠正沉淀为持久规则。她借助 orchestrator 线程、context packet、subagent、MCP 和 computer use 等技术，把复杂任务拆分给不同角色的智能体，四个月内自评从 5.5 提升到 7.9。文中给出了每个步骤可直接复用的提示词模板。

#教程/实践#Agent#MCP/工具调用

OOpenRouter：Announcements08:00一手解读

AI 评分58

OpenRouter 教程：如何用 cheap-first 路由降低支持成本

OpenRouter 发布教程，介绍 cheap-first 路由：把常规支持问题交给小模型，把困难或不确定的请求升级到更强的模型。教程对比了三种应用侧路由模式，区分了应用自身负责的部分与 OpenRouter Auto Router 和模型回退所处理的部分，并给出一个可复制的支持流程请求，以及如何衡量升级率和每张已解决工单的成本。

#教程/实践#部署/工程#Agent

AArtificial Analysis06:43解读

AI 评分53

Artificial Analysis 评测 Qwen-Image-2.1 图像编辑能力

Artificial Analysis 的 Image Arena 分类体系按 7 种编辑动作和 10 类使用场景分别设立榜单，用于衡量图像编辑模型的表现。Qwen-Image-2.1 在 Scene & Style Edit 上最接近该类别前沿，其次是 Text or Symbol Edits 和 Enhancement & Restoration。相比 Qwen Image 2.0，它在全部 7 种编辑动作上都缩小了与前沿的差距，其中 Text or Symbol Edits、Object-Level Edit 和 Identity Preserving Edit 提升最大。

#评测/基准#图像生成#多模态

AArtificial Analysis06:43解读

AI 评分60

Artificial Analysis 评测：Qwen-Image-2.1 在 36 个开源权重模型类别中 16 项领先

Artificial Analysis 的评测显示，Qwen-Image-2.1 在 36 个开源权重模型类别中 16 项领先，并在生产力与知识工作、社交媒体与创作者内容两个用例中成为最佳开源权重模型。在文生图能力上，它在复杂构图、文字渲染、知识、版式和光照 5 项中领先；在图像编辑动作上，它在文字或符号编辑、基于推理的编辑、构图与取景 3 项中领先。各榜单中紧随其后的开源权重模型分别是文生图的 Ideogram 4.0 (Quality) 和图像编辑的 HunyuanImage 3.0 Instruct。

#评测/基准#图像生成#开源生态

AAWS Machine Learning01:05一手解读

AI 评分52

用 Amazon Bedrock AgentCore 构建 ambient agent：从事件驱动信号到 human-in-the-loop 工作流

AWS 发布基于 Amazon Bedrock AgentCore 的 ambient agent 参考实现，让智能体由 Amazon S3 上传或定时任务等事件触发，而非等待用户发起对话。该实现通过单个 ask_human 工具和统一响应信封支持 Notify、Question、Review 等人工介入模式，信号上的 autoExecute 开关决定任务自动执行还是先由人工审核。平台由 Lambda、SQS、DynamoDB 和 React 前端组成，全部通过一个 AWS CDK 栈部署，示例默认使用 Anthropic Claude Sonnet 4.5。

#教程/实践#Agent#部署/工程

AArena00:51解读

AI 评分64

Claude Sonnet 5.5 以 xHigh 推理进入 Code Arena WebDev 榜单第 3 名

Arena.ai 宣布 Claude Sonnet 5.5 以 xHigh 推理进入 Code Arena: WebDev 榜单，得分 1786 分，排名第 3。其混合价格为 $8/M tokens，与第 2 名 GPT-6 Astra 的 1788 分仅差 2 分，价格约为其 80%。分领域看，Claude Sonnet 5.5（xHigh）在 Gaming、Reference-Based Design、Brand & Marketing 排第 2，Simulations 第 3，Content Creation Tools 和 Consumer Product 第 4，Data & Analytics 第 6。

引用Arena.ai · @arena

Real-world results are in for Claude Sonnet 5.5 (High) by @AnthropicAI. It just landed #4 in Code Arena: WebDev with 1699 pts, and has reshaped the Pareto frontier with its cost efficiency! Claude Sonnet 5.5 (High) delivers nearly top performance at a blended $8 per Mtoken, reshaping the Pareto frontier! This model is 80% cheaper than both Claude Fable 5.1 (Max) in the #3 spot overall, and GPT-6 Astra (Max) at #2. See Pareto placement below. Overall, Claude Sonnet 5.5 (High) is a +159 pt improvement from Sonnet 5 (High) at #37 with 1540 pts. This gain compared to its previous variant also shows up across these key domains so far: - Reference-Based Design: #38 → #4 - Simulations: #37 → #4 - Gaming: #36 → #4 Congrats to @AnthropicAI on this release!

#评测/基准#Agent#编码

CCerebras：Blog12:21一手解读

AI 评分57

Cerebras 总结多智能体工作流的五种编排模式

Cerebras 发布博客，总结构建多智能体工作流的五种模式：并行生成后人工筛选、swarm 并行、分阶段并行、顺序交接以及构建与验证分离。文中以 Codex 配合 Figma MCP 复制网站为例，单智能体平均每次运行 36.5 分钟、12 次人工干预且失败率 100%，多智能体为 5.2 分钟、2 次干预并首次成功；顺序循环在内部测试中把人工干预减少 84.3%。作者认为多智能体把有效上下文窗口从约 200K 扩展到 25M 以上，并提到 Codex Spark 约 1,200 tokens/秒的速度使并行与验证步骤变得可行。

#教程/实践#Agent#编码