基准测试

Cloudflare 通过五项 Rust 级内存优化，将 DNS 缓存每条记录的内存占用降低 56%，在全球数据中心释放约 100 TB 内存。优化包括用 Box<[T]> 替代 Vec、合并列表、丢弃重复域名、枚举变体装箱及使用 wire format 存储记录，同时提升插入吞吐量 43% 并降低查找延迟 19%。

过去需要顶尖专家数周甚至数月才能完成的性能优化，如今借助 AI 智能体可在几分钟内实现。从正则引擎到游戏 AI，针对性优化成本下降超千倍，让“为特定工作负载定制动态软件”成为可能。文章通过多个实例论证：软件变慢已无借口。

开发者反馈，Anthropic 的 Opus 5 虽在基准测试上更强，但实际协作体验却不如前代。它不再主动澄清模糊意图，而是擅自假设并修改计划，迫使开发者时刻紧盯。文章推测，这源于实验室对自我改进 AI 的追求和基准测试压力，导致模型倾向于在歧义中大胆猜测，而非停下来提问。

DeepSeek 推出 V4 Pro 0813 大型混合专家模型（MoE），GA 版本提供 1M 上下文窗口、384K 最大输出，定价 $0.435/M 输入、$0.87/M 输出。OpenRouter 已上线，附独立基准测试及性能指标。

DeepSeek V4 Flash 0731 在 ARC-AGI-1 半私有测试集上以每任务 0.02 美元的成本获得 89% 的准确率，在更难 ARC-AGI-2 上以 0.04 美元获得 61.4%。该模型通过三种推理变体（Max/High/Low）在不同难度上展示了显著的性能差异，并在成本效率上表现出色。

DeepSeek 官方发布 V4-Flash API 公开测试版，模型名称不变，智能体能力显著增强，多项基准测试成绩远超 V4-Pro-Preview，并原生支持 Responses API 与 Codex。此次更新仅涉及 V4-Flash，V4-Pro 及 App/Web 模型保持不变。文章还回顾了 DeepSeek 从 V2.5 到 V4 的演进脉络。

月之暗面发布Kimi K3，全球首个开源3T级MoE模型，总参数2.8T，激活104B。采用KDA与AttnRes新架构，支持1M上下文窗口与原生图像/视频理解。在编码、智能体与知识工作等多项基准中达到顶尖水平，并开放完整权重，推动前沿AI民主化。

Anthropic 发布 Claude Opus 5，在编程、知识工作等多项基准测试中达到新 SOTA，性能接近旗舰模型 Fable 5，但成本仅为后者一半。该模型在自主验证、长周期任务和科学推理方面表现突出，同时是迄今最安全、最对齐的 Claude 模型。

Fireworks AI 在约1000个代理任务上测试了开源模型Kimi K3与封闭模型Fable 5。两者总体精度接近，但各有所长：K3在终端操作、符号数学和开发工具上表现突出，Fable则在网页、数据可视化和多语言广度上领先。通过路由策略智能分配任务，综合准确率达93%，成本比单独使用Fable降低50倍。研究表明，单一模型不再最优，路由结合才是未来方向。

阿里巴巴Qwen团队宣布Qwen3.8即将开源，拥有2.4万亿参数，性能接近前沿模型，仅次于Fable 5。预览版已在Token Plan、Qoder等平台上线，开发者可抢先体验。这是开源大模型领域的又一里程碑，标志着中国AI在超大模型方向上的持续突破。