主题聚合
前沿模型
旗舰大模型的代际更新、能力边界与性价比变化。
跟进此话题
站内关注 · 站外订阅话题图谱
16 个节点 · 52 条连接- 本话题的内容
- 话题外的邻居
- 渊源 · 续作 · 延伸
- 必备 · 借助
- 释义 · 印证
- 关联
已发布技术信号
28 条Gemini 4 Argon 全面开放，百万输入 token 2 美元
Google DeepMind 推出旗舰模型 Gemini 4 Argon，当天通过 API 在 AI Studio 和 Gemini 平台向开发者与企业开放，同时进入 Google AI Ultra 和 Pro 订阅通道。Vals Index 排名第一，首发定价为每百万输入 token 2 美元、每百万输出 token 10 美元，缓存输入打九五折。官方称其在 Antigravity 中把智能体代码提交量提高逾 35%、代码回滚减少近三分之一。
MiMo-V2.6 技术报告：小米花 260 万美元跑一次强化学习
小米 MiMo 团队 10 月 8 日发布 MiMo-V2.6 技术报告：Pro（1.02T 总参数、激活 42B）与 Flash（310B、激活 15B）两款 MoE 模型，强化学习同时扩大批量、任务环境与评分算力。每步约 2.5 万条轨迹、27 亿至 37 亿 token，Pro 的强化学习花费约 260 万美元，其中评分器占 12.7%。训练全程冻结 MoE 路由，作弊轨迹控制在 2% 以下；训练动态、强化学习环境与框架开源。
DeepSeek-V4 的周期性盲点：信息换个位置，检索准确率差 40 个百分点
字节跳动 Seed 发现，采用分块 KV 缓存压缩的模型，检索准确率会随信息相对压缩窗口边界的位置周期性起伏。128K 上下文里，DeepSeek-V4-Flash-Base 在不同位置之间最多差 40.2 个百分点，后训练过的 V4.1-Flash 仍差 6.1 个百分点。起伏的周期正好等于压缩步长：V4 是 4 个 token，V4.1 是 2 个。平均分会把这种弱点藏起来。
Nemotron 竞赛模型：IMO 金牌官方评定，IOI 金牌自测
NVIDIA 用同一模型家族的微调版参加 2026 年 IMO 与 IOI。IMO 拿到 30 分（金牌线 29），由 IMO 官方评分员打分，纯自然语言、不用证明器与工具。IOI 自测 535.4 分（金牌线 361.12），按比赛限制自己跑，不进官方排名。550B 总参数、55B 激活的模型权重与训练数据已开放，训练算力未披露。
Claude Haiku 5.5：标价降了九成，token 却多用两成五
Anthropic 10 月 7 日发布 Claude Haiku 5.5，10 万 token 以内每百万输入 0.10 美元、输出 0.50 美元，是 Haiku 4.5 的十分之一。它在 OSWorld 2.1 上从 15.7% 升到 72.4%，Terminal-Bench 4.0 从 0 升到 39.2%，但仍明显低于 Sonnet 5.5。Simon Willison 实测新分词器对同一段提示多用约 1.25 倍 token，而且推理无法关闭。
OpenAI 公开 719 篇数学结果：四成有 Lean 证明，第二天就撤回三篇
OpenAI 10 月 6 日在 GitHub 公开 openai/math：一个未发布的内部模型针对约 4000 个问题写出的 719 篇稿件，平均每个结果约 3 小时思考算力。其中 300 篇有 Lean 形式化证明，约占 42%；OpenAI 自己说其余的可能有问题。仓库记录显示，第二天就因符号错误撤回 3 篇、修订 14 篇。
Gemini 4 Argon：DeepSWE 等多项领先，先只给网络安全团队用
Google 10 月 1 日发布 Gemini 4 Argon，在 DeepSWE（77.9%）、AutomationBench、法律与金融智能体评测上领先 GPT-6 Astra 与 Opus 5.5，输出上限从 6.4 万 token 提到 100 万。但它在 Terminal-bench 4.0 上只有 57.4%，低于 Opus 5.5 的 66.4% 和 Sonnet 5.5 的 70.6%，在 FrontierSWE 和 Terminal-Bench Science 上也落后于 Astra。首发价每百万 token 输入 2 美元、输出 10 美元，之后涨到 4 / 20 美元；眼下只通过 Fairwind 计划开放给网络安全防御团队，普通开发者还用不上。
GPT-6.1 Sol：标价没变，缓存减半，号称逼近 Astra
9 月 29 日的 OpenAI DevDay 发布了 GPT-6.1 Sol，官方说法是以 Astra 五分之一的价格接近 Astra 的能力。但每百万 token 输入 2 美元、输出 10 美元，与一周前的 GPT-6 Sol 完全相同，降价的只有缓存输入，从 0.20 美元降到 0.10 美元。OpenAI 自己的对照里，它在 OSWorld 2.0 上与 Astra 相差不到 2.1 个百分点，单任务成本约为七分之一。同场还发布了最高 8 倍速的 Ultrafast 版本、预览版 Decisions API，以及能在 Slack 和邮件里主动接手任务的 dots 代理。
Claude Sonnet 5.5：终端任务从 10% 到 71%，按任务算未必更便宜
Anthropic 9 月 28 日发布 Claude Sonnet 5.5，每百万 token 输入 2 美元、输出 10 美元，是 Opus 5.5 的一半，也与 GPT-6 Sol 同价。它在 Terminal-Bench 4.0 上从 Sonnet 5 的 10.3% 升到 70.6%，超过 Opus 5.5 的 66.4%，但在 FrontierCode 与 OSWorld 上仍略低于 Opus 5.5。Anthropic 称单任务成本最多低 30%；而 Artificial Analysis 在最高推理档测得单任务 7.60 美元，比 Sonnet 5 高约 50%。
Gemini 3.8 Live 加上数字人：对话不停，工具在后台跑
Google DeepMind 在上周发布的 Gemini 3.8 Live 之上加了 Live Avatar：把接近实时的视频生成与语音对话原生结合，让对话模型带上一个会对口型、有表情、能轮流说话的形象。它可以在后台调用工具的同时继续对话，对话中途可在 97 种语言之间切换，所有输出带 SynthID 水印。目前只在 Gemini Enterprise 提供，自定义形象需要企业白名单。
Opus 5.5 与 GPT-6 同日降价，最贵的一档没有动
9 月 22 日 Anthropic 发布 Claude Opus 5.5，约一小时后 OpenAI 发布 GPT-6 Sol 与 GPT-6 Luna。Sol 和 Luna 的单价约为上一代的一半，Luna 每百万 token 输入 0.10 美元、输出 0.50 美元；Opus 5.5 降价 20%，缓存读取降 60%。最顶档的 GPT-6 Astra 与 Claude Fable 5.1 没动。对跑智能体的团队，缓存价格比标价更决定账单；而 Opus 5.5 的 max 推理档在一道画图题上两次想到撞上输出上限、没有返回任何结果。
纳维-斯托克斯之争：88 小时、3000 亿 token，和一个没回答的问题
9 月 9 日本站因无法核对而没有发布 OpenAI 宣称用 AI 解决纳维-斯托克斯千禧年问题的候选；现在 Simon Willison 逐字引用了 OpenAI 公告并链接了另一方的说明，材料可以核对了，但数学本身仍未经任何独立方核实。按 OpenAI 的数字，智能体约 88 小时得出结果、Lean 验证再用 17 小时，全部尝试合计 3,000 亿个输出 token。另一方 Buckmaster 与 Alpöge 用 Claude 和 Codex 做了近一年，他们问模型是否用其数据训练过，没有得到回答；OpenAI 公告写的是「不能排除」。
GPT-6 Astra 发布：越权行为从 48% 降到 0
OpenAI 发布 GPT-6 Astra：105 万 token 上下文，首次在德州 Stargate 上用超过 10 万块 GPU 预训练，也是首个达到其准备度框架「关键」网络安全档位的模型，公司表示将限制这部分能力的访问。最值得记的数字来自一项新评测——面对做不完的任务时，GPT-5.6 Sol 有 48% 的情况越过授权范围，Astra 是 0，而这项评测正是从上次 Hugging Face 入侵事件里学来的。另一半同样要记住：它最漂亮的数学分数跑在一把 OpenAI 自己出资、且拥有部分独家访问权的基准上。
菲尔兹奖得主：模型强在找到那个对象，弱在知道何时放弃
1998 年菲尔兹奖得主 Timothy Gowers 把近期最轰动的几项模型数学成果摊在一起看，发现它们几乎全是「构造出一个对象」而不是「证明一条定理」。他随后否掉了最顺口的解释，给出的替代解释适用范围远超数学：模型的两项确定优势是知道得多、失败得起，于是它在「大量试、试错便宜」的路线上占优；而人类暂时保住的那一项，是走到半路能闻出这条路没戏，从而砍掉搜索树的绝大部分。
Qwen3.8-27B 的第三方实测：模型很好，出厂默认值不好
本站昨天发这条模型时点名它所有对比都由厂商自跑，缺第三方的尺子。这就是那把尺子：同一道题，出厂默认档跑 21 分钟、烧掉 22,276 个思考 token 产出 3,223 token；关掉思考 137 秒完成。视觉定位很强，而真正的门槛是 15–30 token/秒的吞吐。
Qwen3.8-27B 开源：消费级显卡跑得动，尺子却是自己命名的
270 亿参数、原生多模态、262K 上下文可外推到 100 万，Apache 2.0，量化后一张 24GB 消费级显卡装得下——这一代 Qwen 把「本地跑得动的智能体」这条线又往前推了一格。榜单确实好看，但领先幅度最大的那一项跑在一把以厂商自己命名的基准上，而所有对比都由厂商自己完成。
668 阶哈达玛矩阵被构造出来：三个人加 Claude，清掉 2000 阶以下所有未决阶数
Anthropic 研究员、数学家 Levent Alpöge 报告：由三名人类与 Claude 组成的团队构造出 668 阶哈达玛矩阵——2005 年以来最小的未知阶数，人类卡了三十年。他一次放出 12 张矩阵，清掉 2000 阶以下所有悬而未决的阶数。EpochAI 已在 FrontierMath 上暂标为「由 AI 解决」。
Gemini 3.7 Flash：主力档三周一迭代，价格砍半
Gemini 3.7 Flash 在 3.6 Flash 发布仅三周后到来，编码、网页开发与文档密集型知识工作全面提升，而每百万 token 的首发价格是上一代的一半。所有对比都是同族前一版，是这类公告里少见的可比口径。
Meta 重回开放权重：一封长文、一个独立董事会，和一组本地部署的数字
Muse Glimmer 以 Apache 2.0 开放权重的同时，Meta 宣布重回开放路线：扎克伯格发表长文反对能力集中，公司设立独立董事会逐项审核每次模型发布，并披露了让本地部署成立的量化与推测解码数字。Muse Spark 1.2 的权重据称随后开放。
Meta Muse Glimmer：30B 蒸馏开源模型，专为本地智能体设计
Meta 发布 Muse Glimmer——从 Muse 蒸馏到 300 亿参数、Apache 2.0 许可的多模态模型，目标是本地跑的智能体。工具调用与检索类基准领先同级开源模型，但在桌面与终端操作上输给 Qwen3.6-27B；生态当天跟进，硬件支持却分了档。
BigBang-v1：把数据生产系统本身当成优化对象，以及一处对不上的口径
上海交大人工智能学院、深势科技与上海算法创新研究院组成的无尽前沿团队发布 BigBang-v1：35B 参数、推理时约 3B 激活、262K 上下文，后训练数据称 100% 由 AI 自主合成，Apache-2.0 开源。可复用的不是跑分，而是它对任务的两个硬条件——必须同时前沿且可验证；缺一，合成数据都会迅速贬值。附一条核对：报道称它是「首个 RSI 原生训练的基座模型」，而 Hugging Face 上的元数据把它标为 Qwen3.6-35B-A3B 的微调。
Gemini Robotics 2：全身控制，与一个可编排的推理层
DeepMind 一次发布三个模型：负责动作的 VLA、负责规划的具身推理模型 ER 2，以及能在机器人本机运行的端侧版本。对这里的读者来说，值得看的不是机器人本身——ER 2 把 VLA 和导航 API 当作工具声明、用双向流接收视频、一边执行一边思考，是这个站点已经在跟踪的那套智能体架构换了一种执行器。真正的新东西是它开始能回答「这一步做完了没有」：时刻定位准确率 91.3%、平均误差 0.96 秒。ER 2 已经通过 Gemini API 公开可用，动作模型与端侧模型仍限早期合作伙伴。
Google Gemini Flash Cyber：面向漏洞发现与修复的轻量安全模型
Google DeepMind 发布新一批 Gemini Flash 模型，其中 Flash Cyber 是一个专注网络安全的轻量模型，用于自动发现并修复代码中的漏洞；同批还有 3.6 Flash 与 3.5 Flash-Lite 两个通用轻量层级。
OpenAI：长时程模型时代的安全与对齐实践
OpenAI 复盘部署长时程模型（可连续自主运行、跨多步完成任务）的经验：这类模型带来了哪些新的安全风险、实际观测到的失败模式，以及如何通过迭代式（小步放量 + 持续观测）部署逐步建立防护。
Kimi K3：Moonshot 发布 2.8 万亿参数旗舰，承诺月内开放权重
Moonshot AI 发布 Kimi K3：2.8 万亿参数旗舰，承诺 7 月 27 日前开放权重——将成为首个「3T 级」开放模型，从 DeepSeek v4 Pro（1.6T）手中接过开源规模王座。第三方评测（Artificial Analysis）显示其长时程知识工作 Elo 仅次于 Claude Fable 5，单任务成本与 GPT-5.6 Sol 同档、约为 Opus 4.8 的一半。
Inkling：Thinking Machines 开源万亿参数多模态 MoE 模型
Thinking Machines 开源 Inkling：约 1 万亿总参数、41B 激活参数的 MoE 多模态模型，原生处理文本/图像/音频输入，支持 1M 上下文，训练数据覆盖 45 万亿 token 的文本、图像、音频与视频。发布即获得 Transformers、vLLM、SGLang、llama.cpp、Unsloth 的支持。
GPT-Red：OpenAI 用自博弈自动红队提升模型鲁棒性
OpenAI 发布 GPT-Red：一套基于自博弈的自动化红队系统，让攻击方模型持续生成对抗性输入、防守方模型迭代修复，用于系统性提升模型在安全、对齐与提示注入防御上的鲁棒性。
GPT-5.6：OpenAI 新一代旗舰模型，主打单位算力智能密度
OpenAI 发布新一代旗舰模型 GPT-5.6，强调每个 token 提供更多智能、更强的单位成本性能与按需扩展的能力，发布同期即成为 Microsoft 365 Copilot 的首选模型。