Published on2026年11月10日Anthropic 发布 Claude Fable 5.2 与 Mythos 5.2:面向最艰巨技术挑战的新一代模型人工智能大语言模型基准测试AI智能体Anthropic 推出 Claude Fable 5.2 和 Mythos 5.2,专为应对最复杂的技术难题而设计。新模型在编程、推理、视觉等方面显著提升,输出速度提高 30%,价格更低。Fable 5.2 在多项基准测试中超越前代和竞品,并已协助工程师完成从操作系统设计到黑洞物理难题解决等一系列突破性任务。
Published on2026年11月4日“Astra 读写权重改进 Qwen”为何有误导性人工智能大语言模型机器学习基准测试文章指出,所谓 Astra 仅凭原始权重读写就能改进 Qwen 的说法混淆了不同实验:直接读取权重只发生在 1.7 万至 17.2 万参数的小网络;Qwen 数学提升依赖 Python 程序、运行模型和最多 50 批练习数据,并非“只看权重”。
Published on2026年10月25日Kimi K3.1 Pro 模型发布:能力全面提升,即将开放权重AI智能体大语言模型基准测试开源Kimi 发布 K3.1 Pro 与 K3.1 Pro Highspeed 两款 3T 级大模型,支持百万 token 上下文。在编程、3D 建模、金融分析等智能体任务上显著进步,部分基准超越 GPT-6 Astra、接近 Claude Opus 5.5。模型权重将于 11 月 4 日开放,并在训练中通过数据清洗降低网络安全风险,践行渐进式开放理念。
Published on2026年10月1日Livenerf:为AI模型发布后的能力衰减建立基准基准测试大语言模型AI伦理人工智能Livenerf是一个开源基准测试项目,旨在检测Claude Opus 5.5等前沿模型发布后是否被悄然削弱。通过预注册协议、每日运行、配对统计和对照组设计,它用30天时间追踪模型准确率与输出token的变化,为“模型是否被暗中调整”这一争议提供数据而非直觉。
Published on2026年9月23日Anthropic 发布 Claude Opus 5.5:性能领先、成本降低40%人工智能大语言模型基准测试性能优化Anthropic 推出 Claude Opus 5.5,这是 Claude 5.5 系列的首个模型。它在智能体编码和知识工作方面领先,运行成本比 Opus 5 降低 40%。模型在自动化行为审计中表现最佳,安全性提升,输出速度提高 30% 以上,并支持更自然的沟通。
Published on2026年8月29日优化1.1.1.1 DNS缓存:节省100TB内存的五项Rust级改进性能优化网络软件工程基准测试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%。
Published on2026年8月24日AI 让软件性能优化不再昂贵性能优化人工智能大语言模型基准测试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。
Published on2026年8月16日Opus 5 为何让人用着更糟心?AI智能体基准测试大语言模型可用性开发者反馈,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。
Published on2026年8月13日DeepSeek V4 Pro 0813 正式发布:高性能混合专家模型,定价与基准详解大语言模型人工智能基准测试推理加速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。
Published on2026年8月9日DeepSeek V4 Flash 0731 在 ARC-AGI 基准测试中取得 89% 高分人工智能基准测试大语言模型推理加速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。