ARC Prize 公布了 Reflection AI 的 Beam 1.0 在 ARC-AGI 上的验证成绩。按 2026 年 10 月 20 日发布的信息,Beam 1.0 在 ARC-AGI-2 上取得 23.5%,每任务成本 0.61 美元;在 ARC-AGI-1 上取得 74.0%,每任务成本 0.31 美元。同一来源称,Beam 的最佳成绩出现在 xhigh 推理档,而 high 档在 ARC-AGI-2 上接近最佳成绩,为 20.0% 对 23.5%,成本约低 43%。目前尚无后续发展事实。
匹配字段摘要
TinyFish 宣布在限额内免收 Search 和 Fetch 的检索费用。据 MarkTechPost 报道,Search 的免费限额为每分钟 30 次、每小时 500 次,Fetch 为每分钟 150 个 URL、每天 1,000 个。报道同时指出,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。目前尚无后续发展事实。
匹配字段摘要
2026年10月18日,作者宣布将实践经验整理为《Agent 工程实战八讲》。同日,腾讯云开发者社区发布该系列导读,介绍其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。导读称,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。目前该系列已发布导读,后续各讲内容尚未见事实证据。
匹配字段摘要
Aleph Alpha于2026年10月16日发布开放权重模型Kolibri-1。据heise online报道,该模型总参数78B,采用384个专家、6个路由专家的MoE结构,推理时仅激活3.46B参数,上下文为256K Token并可外推至约100万Token。模型专注德语和英语,tokenizer对德语词切分更省Token,例如德国联邦议院术语表仅需1137 Token,而对比的DeepSeek-V4.1-Flash需要1910 Token。预训练使用20万亿Token,数据截至2026年6月18日。报道作者实测称其回答正确、德语推理过程明显,并称Merlin-Arthur协议让模型在基准中幻觉更少,但实际效果仍需在真实使用中检验。目前尚无后续发展事实。
匹配字段摘要
2026年10月13日,Google 宣布开发者即日起可用 Gemini 4 Argon 构建应用,该前沿模型面向真实软件工程、企业知识工作和网络安全防御等复杂工作流,针对需要深度推理与结构精度的长周期任务设计,官方同时给出 Gemini API 开发者指南、Google Antigravity 与 Android Studio 的使用入口。同日,Google 披露一次无人值守实验:让 Argon 在 11 小时内优化约 20.5 万行代码的开源框架 google/adk-python,模型提出 6 项优化,经人工评审后 2 项合入主干,长会话的内存会话准备时间减少约 40%,冷启动导入提速 21%。10月14日,Sundar Pichai 称这是对 Argon 4 安全与对齐工作的良好总结;Ethan Mollick 评价 Gemini 4 相比此前 Gemini 模型是大幅跃升,但在复杂多智能体任务上仍落后。10月15日,Google 开始向 AI 编程工具 Antigravity 推送 Gemini 4 Argon 支持。
匹配字段摘要
Meta 于 2026 年 10 月 13 日发布 Muse Wonder 系列,包含 Muse Wonder 和 Muse Wonder Full 两款模型,称其为目前能力最强的模型,在个人与专业智能体任务上达到 SOTA,覆盖法律、金融、健康等专业领域及前沿编码能力。两款模型具备 Active Memory 与 Active Focus,按 Meta Superintelligence Scaling Framework 训练、评估和发布。Artificial Analysis 数据显示,两款模型在 Intelligence Index v4.3 最高推理强度下分别得 52 和 56,高于 Muse Spark 1.3(max)的 48;Muse Wonder 已在 Meta 一方 API 和 Muse Code 上线,Muse Wonder Full 仅面向 Muse Code 用户。同日,Arena 将两款模型纳入 Agent Arena 测试,Simon Willison 发布 llm-meta-ai 0.2 插件支持新模型。10 月 14 日,Arena 公布 Muse W
匹配字段摘要
2026年10月14日,Artificial Analysis将DeepSeek V4.1 Flash加入其智能体推理性能基准AA-AgentPerf,并给出NVIDIA与AMD硬件的实测结果。在每用户100 tokens/s下,NVIDIA GB300以约261M tokens/s每兆瓦居首,其后为B300(约220M)、B200(约193M)、GB200(约178M)和MI355X(约128M)。V4.1 Flash在Artificial Analysis Intelligence Index上得分39,高于此前的V4 Pro 0813(36),参数量约为其三分之一(552B backbone、16B激活,对比1.6T与49B),最少可在2张GPU上运行,相比V4 Pro 0813在每用户100 tokens/s下每兆瓦吞吐提升约1.3倍(GB300)至6.2倍(B200)。2026年10月15日,Artificial Analysis又将AMD MI355X加入AA-AgentPerf,在单台8-GPU节点上测试Kimi K3、GLM-5.2/5.3和DeepSeek V4 Pr
匹配字段摘要
2026年10月14日,indigo 发布实测文章,提出判断:Gemini 4 Argon 让 Google 的模型重新追上了第一梯队,但没有超越对手。文章称,应用 Antigravity(Harness)落后对手半年到一年,拖累了模型表现。编程方面,从零搭应用又快又好,低推理档即可达到 Opus 5.5 水平,但审查自己代码敷衍、改造复杂老代码库很弱,Vibe Check 得分 21%,Claude 和 GPT-6 在 81%–85%。写作一次成篇可读性约 10.6 年级,其他前沿模型在七到八年级,但作为编辑伙伴梳理结构、打磨比喻很出色;设计排名第二仅次于 Opus 5.5;知识工作分析和提炼洞察强,处理多文件会丢细节、查事实会自信答错。文章还提到官方已预告自动安全分类器、云端执行和 max 推理档位。
匹配字段摘要
2026年10月,千问发布AI眼镜N1、N1 Pro及AI耳夹式耳机。据智东西报道,三款产品同步发售,N1售价2218元起,N1 Pro售价2600元起,耳机售价1099元起;N1系列均搭载5000万像素传感器,支持4K超清录像、实况照片和全天候环境感知,N1 Pro额外整合高精度眼动追踪、虹膜核身、健康监测与热插拔换电,官方公布综合续航8小时。另有报道称,该系列起售价为2999元,Pro版3499元,耳机1299元,并称眼镜通过骨传导麦克风与Qwen助手交互,单次充电待机最长25小时或播放音乐9小时。10月14日,Himax宣布其WiseEye HX6538超低功耗AI处理器已集成进千问AI眼镜N1系列,以5毫瓦功耗实现始终在线的设备端视觉AI推理,检测到人或事件时才唤醒主系统。
匹配字段摘要
LMSYS 于 2026 年 10 月 9 日宣布,在提前获得的 NVIDIA Vera Rubin 节点上跑通 SGLang 推理与 Miles 强化学习训练。据 LMSYS Blog 介绍,团队拿到两个 Vera Rubin 节点共 8 块 GPU,把两套系统搬上该平台。推理侧针对 Kimi K3 NVFP4 调整 attention、MoE/通信与 KDA 内核,其中更深的 MLA 流水线在 batch 16、128k 上下文下快 16%,融合 MoE 尾部每步减少 276 次内核启动、端到端提升 5.9%。训练侧 Miles 以 SGLang 做 rollout、Megatron 做训练,在单托盘 4 块 GPU 上开箱跑通 Qwen3-30B-A3B 的 GSM8K 训练,奖励从约 45% 升到 95%,并在 Vera CPU 上以 64 个沙箱运行 SWE-bench Verified 的智能体 RL。目前尚无后续发展事实。
匹配字段摘要
François Chollet 评价称,Gemini 4 Argon 在 ARC-AGI-3 上的表现与 Astra 相近,Google 重回前沿。同日,ARC Prize 公布 Gemini 4 Argon 在 ARC-AGI 系列上的验证成绩:ARC-AGI-3 在 provider adapter harness 下得 97.5%,成本 4.8K 美元;标准 harness 下为 49.8%,成本 5.8K 美元。ARC-AGI-2 为 91.3%,每任务 0.32 美元;ARC-AGI-1 为 98.5%,每任务 0.16 美元。ARC Prize 称 Google DeepMind 是第二家在 ARC-AGI-3 上超过 95% 的前沿 AI 实验室,Argon 的 97.5% 仅次于 GPT-6 Astra 的 99.9%。标准 harness 测试因 API 问题未能完成全部 55 个游戏,高推理档仅完成 19 个游戏,故未公布分数。
匹配字段摘要
2026年10月10日,Arena.ai 公布了 Image-to-WebDev Arena 榜单更新。据 Arena 于10月11日发布的榜单信息,Anthropic 的 Claude Opus 5.5(Max)以 1749 分登顶,Claude Sonnet 5.5(xHigh)以 1740 分、9 分之差位列第二,两款模型均进入帕累托前沿。价格方面,Opus 5.5 的混合输入输出 token 价格为 $16/M,比第三名 GPT-6 Astra 的 $40/M 低 60%;Sonnet 5.5 为 $8/M,比 Opus 便宜 50%,且排名高于 GPT-6 Astra 而成本低 80%。该榜单评估模型从图像和截图生成网站的能力,以及涉及多步推理和工具调用的智能体编码工作流。目前尚无后续发展事实。
匹配字段摘要
TensorZero 提出一种基于 Git 提交自动评估 AI 编程助手的方法:用 tree-sitter 将代码解析为语法树,再用树编辑距离(TED)衡量 LLM 生成代码与提交代码的差异,从而为 Cursor 等编码智能体的推理结果生成反馈。该方案开源,可在已部署 Cursor 集成的机器上运行。随后,TensorZero 团队把自研开源框架作为自托管代理接入 Cursor,成功观测并改写 Cursor 发往 LLM 的 API 调用。他们发现 Cursor 会先请求自家服务器再发起 LLM 调用,因此本地网关无法直连,最终用 Ngrok 加 Nginx 反向代理并处理 CORS 才打通链路。作者看到 Cursor 用于问答的系统提示词仅 642 token,并已用 Claude 4.0 Sonnet、GPT-4.1、o4 Mini 和 Gemini 2.5 Pro 做等比例随机分流测试。
匹配字段摘要
2026年10月6日,ARC Prize公布Grok 4.7在ARC-AGI系列基准测试上的结果。据ARC Prize评测,Grok 4.7在ARC-AGI-2最佳得分为61.4%、每任务2.01美元,低于Grok 4.6的67.1%和每任务0.76美元;在输入输出token定价相同的情况下,单任务成本上升166%。ARC-AGI-1为90.2%、每任务0.64美元,高于Grok 4.6。ARC-AGI-3在标准harness下为1.8%,在新的provider adapter harness下为10.0%。ARC Prize指出,Grok 4.7在ARC-AGI-2 semi-private任务上消耗的推理token更多,medium、high、xhigh档分别比Grok 4.6多136%、125%和173%,low档少27%,这是单任务成本上升的原因之一。另一条ARC Prize信息称,Grok 4.7推理token用量与ARC-AGI-2公开得分相关:low档平均每次测试对尝试用10k tokens、得分25%,medium到xhigh档为86k至120k tokens、得分57
匹配字段摘要
Vercel COO Jeanne DeWitt Grosser 在 Office Hours 中介绍了公司入站销售智能体的搭建过程。据 Tomasz Tunguz 博客报道,该智能体由一名 GTM 工程师投入约 20% 时间搭建,提示词由团队最好的 SDR 撰写,最初约 125 行,经过六周人在回路 QA 后把人工撤出。随着业务向上market 演进,提示词膨胀到 1000 行,团队随后把它拆成规则与判断两部分,入站流程最终由 14 条确定性规则驱动,模型只负责原本需要人来判断的环节。当线索进入时,系统会查询 Salesforce 判断该账户是否存在未关闭商机,若有则直接路由给客户经理。整套入站职能的推理与基础设施成本约为每年 1000 美元。
匹配字段摘要
2026年10月6日,Artificial Analysis获得Reflection授权,正在对Reflection的开放模型Beam进行独立评测。早期指标显示,Beam在同等智能水平下可能是Artificial Analysis见过的token效率最高的开源模型之一。Reflection此前宣布Beam为高效智能体开源模型,总参数501B、激活23B,主打前沿推理效率与编码及智能体任务,完整权重将于本月发布。目前该评测仍在进行中,尚无进一步有合格事实证据的发展。
匹配字段摘要
2026年10月2日,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。其混合价格为每百万tokens 8美元,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。目前该事实无后续发展。
匹配字段摘要
2026年9月29日,Inception Labs公布Mercury 2在PinchBench上的评测结果。该评测显示,Mercury 2任务成功率为78%,高于GPT-5 Mini的75%、Gemini 2.5 Flash的71%、DeepSeek Chat的72%和GPT-4o的71%,并在同准确率档位中执行时间最快。PinchBench基于OpenClaw构建,考察工具调用、多步推理和真实任务完成情况;Mercury 2的速度来自并行细化而非逐token生成。定价方面,每100万token输入0.25美元、输出0.75美元,约为Claude 4.5 Haiku输入输出的四分之一。目前尚无后续发展事实。
匹配字段摘要
2026年9月22日,Anthropic发布Claude Opus 5.5。官方材料称,该模型在Artificial Analysis的Intelligence Index v4.3上以58分排名第一,比Claude Opus 5高7分,在Vals AI的Vals Index上以69.69%居首;支持最高100万token输入、12.8万token输出,推理默认开启并分五档,API价格为每百万输入/缓存/输出token 4/0.25/20美元。早先报道称其输出价格为每百万token 20美元,低于上一代的25美元。9月23日,Yuchen Jin称其单任务速度比Opus 5快约30%、成本低约40%。9月25日,Thomas Wolf称用Opus 5.5把一份Google Doc生成为视频。10月4日,Ado Kukic表示在medium和high effort下使用Opus 5.5未触及5小时限额,单次会话最高约用到74%。10月9日,Ado又称Opus 5.5发布后的周末是今年迄今最高效的编程日。同期Anthropic还发布了Sonnet 5.5和Haiku 5.5,并下调Sonn
匹配字段摘要
2026年1月8日,Cerebras 发布 GLM 4.7 迁移指南。据其介绍,GLM 4.7 是 Z.AI 最新开源模型,在 LiveCodeBench 上超过 Anthropic 和 OpenAI 模型、仅次于 Gemini 3,并在 GPQA 和 AIME 上超过 Claude Sonnet 4.5。指南给出 10 条使用规则,包括把强制指令放在系统提示词最前、使用 MUST 等明确措辞、显式指定回复语言、为智能体设定角色,以及把任务拆成小步骤以弥补其不支持交错思考。在 Cerebras 上,GLM 4.7 支持约 131K 上下文和最多约 40k 输出 token,可通过 disable_reasoning 和 clear_thinking 控制推理,推荐 temperature=1、top_p=0.95,并兼容 OpenAI Python SDK。目前尚无后续有证据的发展。
2026年1月8日,Cerebras 发布 GLM 4.7 迁移指南。据其介绍,GLM 4.7 是 Z.AI 最新开源模型,在 LiveCodeBench 上超过 Anthropic 和 OpenAI 模型、仅次于 Gemini 3,并在 GPQA 和 AIME 上超过 Claude Sonnet 4.5。指南给出 10 条使用规则,包括把强制指令放在系统提示词最前、使用 MUST 等明确措辞、显式指定回复语言、为智能体设定角色,以及把任务拆成小步骤以弥补其不支持交错思考。在 Cerebras 上,GLM 4.7 支持约 131K 上下文和最多约 40k 输出 token,可通过 disable reasoning 和 clear thinking 控制推理,推荐 temperature=1、top p=0.95,并兼容 OpenAI Python SDK。目前尚无后续有证据的发展。
匹配字段摘要