跳到正文
只看模型#评测/基准
  1. Hacker News66

    OpenAI 发布 GPT-Rosalind-6 系统卡补充，披露 GeneBench Pro v13 最高推理预算单次尝试成功率为 37.7%

    OpenAI 发布 GPT-Rosalind-6 系统卡补充，披露模型在 GeneBench Pro v13 最高推理预算下的单次尝试成功率为 37.7%，GPT-Rosalind-5.5 为 16.7%。

    推荐理由：系统卡补充同时给出量化生物学评测结果、生物与化学能力等级及防护边界，便于高风险领域部署方对照模型能力和访问控制要求。

  1. 36氪66

    美团发布 LongCat-2.5 原生多模态大模型，总参数 1.6 万亿

    美团发布新一代原生多模态大模型 LongCat-2.5，面向长程智能体任务，总参数量为 1.6 万亿。该模型全程在国产算力上训练，36氪称其是目前国产算力上完成的最大训练任务。评测结果显示，其在多项主流基准中的成绩介于 Claude-Opus-4.8 与 Claude-Opus-5 之间，部分评测超过 Claude-Opus-5。

    推荐理由：材料集中给出模型定位、参数量、训练算力来源和基准对标，读者可据此比较其技术定位与相对表现。

  1. Hacker News59

    GPT-5.6 Sol 在《异形工厂》和平模式下完成自动化通关

    作者让运行在 Codex 中的 GPT-5.6 Sol 以低思考级别完成《异形工厂》和平模式流程，用时 13.5 小时游戏时间并实现火箭发射。测试通过 Python 库让模型在玩家距离和战争迷雾等限制下操作游戏，但蓝色科技阶段出现扩展问题，后期多次依靠人工搬运物资弥补生产线连接失败；整体表现优于此前无法使用运输带的 GPT-5.5。

    推荐理由：作者公开完整运行、生产统计与失败细节，并对比 GPT-5.5 的运输带使用表现，为长时游戏智能体的能力评估提供具体案例。

  1. 量子位39

    Anthropic 的 Claude Fable 5.5 与下一代 Opus 被曝进入早期测试

    Anthropic 的 Claude Fable 5.5 与下一代 Opus 被曝已进入早期测试，线索来自 X、Discord、Azure 模型目录和基准测试平台。

    推荐理由：文章汇总了 Fable 5.5 的目录条目、社区图像实测与 Obsidian 3 跑分线索，并讨论 Anthropic IPO 前的模型节奏。

  2. 36氪46

    启元机器人推出 PrimeSim 世界模型，登顶 WorldSimProbe LIBERO 榜单

    启元机器人推出 PrimeSim 世界模型，并登顶 WorldSimProbe LIBERO 榜单，刷新机器人仿真表现。PrimeSim 面向机器人训练构建可交互、可试错、可持续学习的虚拟世界，用于策略验证和强化学习。测试中，使用 PrimeSim 进行强化学习后，策略成功率从61.7%提升至73.2%。

    推荐理由：PrimeSim以可交互、可试错的虚拟环境支持机器人强化学习，并给出策略成功率从61.7%升至73.2%的测试结果，为评估仿真训练效果提供参照。

  1. 36氪65

    智元在创新日发布 GO-3 Preview、WITA-OMNI 与 AGILE，布局物理 AI 全链路

    智元集中发布 GO-3 Preview、WITA-OMNI、AGILE、灵渠OS 1.0与AHA3第三代硬件架构，推进物理 AI 全链路部署。

    推荐理由：智元将模型、算法、操作系统与硬件架构纳入同一部署链路，并提出以有效智能工时衡量劳动产出，呈现从能力演示转向实际生产力的完整思路。

  2. Hacker News74

    Gemini 4 Carbon 在 Artificial Analysis Intelligence Index v5 排名第一

    Artificial Analysis 评测显示，Google 的 Gemini 4 Carbon 以 59 分位居 Intelligence Index v5 第一，在 9 项评测中的 4 项领先。

    推荐理由：该评测在同一 Intelligence Index v5 下呈现推理、知识与编码智能体表现，并补充单任务成本和幻觉率，便于横向比较模型取舍。

  3. 量子位69

    扩散智能发布 350亿参数 Clover-35B-A3B-Preview 扩散语言模型

    扩散智能发布扩散语言模型 Clover-35B-A3B-Preview，总参数350亿，每个 token 激活约30亿参数，可用于代码生成、网页操作和工具调用。

    推荐理由：文章结合页面生成实操与连续工具调用演示，列出与 Jev 的速度、成功率对比、Gemini 速度表现和代码评测数据，可用于比较扩散语言模型的 Agent 效率。

  4. Latent Space77

    AINews：Google DeepMind 发布 Gemini 4 Carbon，登顶多项榜单并先向网络安全防御者开放

    Google DeepMind 发布 Gemini 4 Carbon，将其定位为网络安全与长程任务前沿模型，先通过 Fairwind Program 向可信网络安全防御者开放，并称将尽快扩大开发者访问。

    推荐理由：将 Carbon 的独立榜单成绩、网络安全基准、定价和开放条件并列，呈现能力表现与当前可获得性之间的差异。

  5. Hacker News75

    Qwenputer 将确定性 RISC-V CPU 编译进 Qwen3.5 4B 权重

    Qwenputer 为 Qwen 3.5 4B 加入 32-bit RISC-V CPU，以 Gated DeltaNet 层作 RAM，并在模型前向过程中运行，无需外部工具或运行时。

    推荐理由：文章拆解了以 Gated DeltaNet 状态作 RAM、在模型权重中编译 RISC-V CPU 的方法，并提供算术准确率、指令一致性和运行开销等实测数据。

  6. 量子位80

    Google发布Gemini 4 Carbon，Artificial Analysis智能指数5.0以59分登顶

    Google发布Gemini 4 Carbon，在Artificial Analysis智能指数5.0中以59分登顶。其Terminal-Bench 4.0和GraphWalks成绩分别为65.2%和96.2%，均高于Claude Opus 5.5；安全评测中SEC-bench Pro得分88.2%，Gray Swan IPI攻击成功率为0.0%。

    推荐理由：原文给出Gemini 4 Carbon的编程、漏洞修复基准成绩及首发定价，便于对照Claude Opus 5.5的能力和成本。

  1. Hugging Face Blog80

    NVIDIA 发布 Nemotron 3.5 Transcribe 开放权重模型与 Granary v2 多语种数据管线

    NVIDIA 发布开放权重模型 Nemotron 3.5 Transcribe，并开放 Granary v2 多语种数据管线；前者集成 40 种语言转录、31 种语言与英语互译、说话人区分和英文音频问答。

    推荐理由：原文给出从提示词优化到数据构造、LoRA 微调、检查点选择和评测的完整医疗语音适配流程，可直接用于复现同类场景。

  2. TechCrunch75

    Nvidia 发布 Nemotron 3.5 Transcribe 开放权重语音转录模型

    Nvidia 发布开放权重转录模型 Nemotron 3.5 Transcribe，支持最多 40 种语言，并推出开源语音数据集 Granary v2。公司称，该模型可在英语与 31 种语言之间双向翻译，处理最长 1 小时录音、区分最多 8 位说话者，并在 Hugging Face Open ASR Leaderboard 等基准上超过竞争对手。

    推荐理由：开放权重与单芯片运行范围，结合语言支持、录音时长和基准信息，为会议及医疗转录场景的模型选型提供具体参考。

  3. 36氪38

    智元 GO-3 Nano Preview 登顶 RoboTwin，平均成功率 85.01%

    RoboTwin最新榜单显示，智元 GO-3 Nano Preview以85.01%的平均成功率位列第一。该基准主要考察复杂场景下的双臂协同操作与环境泛化能力，覆盖目标识别、动作协调及环境变化适应等维度。

    推荐理由：RoboTwin榜单呈现复杂场景下双臂协同与环境泛化的测试口径，可用于对照模型在复杂操作任务中的相对表现。

  4. 36氪71

    8点1氪：iPhone Duo内屏开裂可免费换机，A股仅剩贵州茅台一只千元股，外交部回应姆巴佩遭多品牌解约

    36氪“8点1氪”在10月28日汇总iPhone Duo内屏开裂免费换机、A股千元股变化、姆巴佩代言解约回应及多项AI进展。OpenAI发布GPT-6.1 Terra，提升视觉推理与计算机操作，标准API价格较GPT-5.6 Terra和GPT-6.1 Sol低50%；Google DeepMind以研究预览形式发布Genie 4，支持提示改变场景并生成匹配模拟世界的实时音频。

    推荐理由：将iPhone Duo换机、A股千元股变化、姆巴佩代言解约及多家公司的AI模型进展并排整理，便于对照消费、资本市场和模型发布三类信号。

  2. 量子位74

    百度文心 Unlimited OCR 2 发布并开源，峰值 KV Cache 占用从 47GB 降至 1.77GB

    百度文心 Unlimited OCR 2 正式发布并开源，百页级单序列测试中的峰值 KV Cache 占用从 47GB 降至 1.77GB，减少约96%。SR-SWA按需筛选相关页面和视觉信息，无限解码机制通过分块处理、复用边界页缓存并及时释放其余缓存；16路并发端到端吞吐量从360提升至1315 Token/秒，约为标准解码的3.65倍。

    推荐理由：文章通过整本书实测与技术报告，拆解SR-SWA和分块解码的降缓存机制，并对比吞吐量、速度与文档解析质量。

  3. 36氪40

    GO-3 Nano Preview登顶RoboDojo具身智能基准榜单

    智元GO-3 Nano Preview以61.90分平均成绩和56.42%平均成功率登顶RoboDojo最新榜单，超过GPT-6 Astra。其在精细操作、长程执行和开放语义理解三个维度分别得分78.65分、68.21分和61.71分，均位列第一。

    推荐理由：榜单提供平均分、成功率和三个细分维度成绩，可用于比较GO-3 Nano Preview与GPT-6 Astra的具身任务表现。

  1. 量子位56

    炎曦动力成立 3 个月亮相 Paimon-0 具身基座模型，在 RoboColiseum 超过 GPT-6 Astra

    炎曦动力公开具身基座模型 Paimon-0，在 RoboColiseum 以 0.7754 排名第一，并超过 GPT-6 Astra。它在 RoboCasa365 和 VLA-Arena 分别以 58.1、0.73 排名第一，并以 46.599 总分夺得启元机器人 IROS Workshop 双臂机器人挑战赛冠军。

    推荐理由：文章以榜单成绩和端云协作为线索，解释 Paimon-0 的 query token 蒸馏、自我改进设计及其与机器人芯片方案的衔接。

  1. Hacker News80

    Dream Labs 发布 Dream-1，通过公共 API 实现未见机器人的零样本控制

    Dream Labs 发布 Dream-1，首个通过公共 API 提供的 World Action Model，可零样本控制未见过的双臂平行夹爪机器人。模型无需针对目标机器人微调或提供演示，官方在 27 个未见机器人模拟环境和 4 个真实机器人上进行了测试。

    推荐理由：Dream-1公开了未见机器人零样本控制、API接入方式与运行成本，开发者可据此判断其跨形态迁移能力和落地门槛。