Together AI 在 DeepSWE 全部 113 个任务上各跑 4 次对比 DeepSeek V4 Pro 0813 与 GPT-5.6 Sol：Sol 单次通过率 72.7% 领先 Pro 的 62.8%，但 Pro 每次 rollout 仅 0.24 美元，约为 Sol 8.37 美元的 35 分之一，pass@4 上 Pro 以 88.5% 反超 Sol 的 85.8%。先用 Pro、测试失败再升级到 Sol 的级联方案可解决 83.0% 的任务，单任务成本 3.35 美元，高于 Sol 单独使用的 72.7%，也高于理想单次路由的 80.8%。Sol 更快更简洁（中位 53 步、17 分钟、59k 输出 token），但失败时 20% 会破坏仓库原有测试套件，Pro 这一比例为 11%。
匹配字段标题、摘要、正文
DeepSeek Harness v0.1 现已开放开发者预览，并以 MIT 许可证开源，面向全球构建智能体运行框架的开发者。该项目由 Cordis 元框架驱动，将模型、工具、技能、会话、沙箱、文件系统、循环、编排和 UI 均实现为可组合、替换和扩展的插件。
匹配字段标题、摘要、正文
Together AI 在全部 113 个 DeepSWE 任务上对比 DeepSeek-V4 Flash 0731 与 GPT-5.6 Luna，每个任务四次试验。Luna 的 pass@1 为 67.2%，高于 DeepSeek 的 53.3%，但单次成本约 0.61 美元，是 DeepSeek 约 0.10 美元的六倍。先用 DeepSeek 再在测试失败时升级到 Luna 的级联方案解决 78.9% 的任务，每任务成本 0.385 美元，准确率高于 Luna 单用且成本更低。
匹配字段标题、摘要、正文
DeepSeek-V4 通过 CSA、HCA 与 SWA 混合注意力在 KV 存储前压缩上下文，支持 1M-token 上下文窗口，但实际效率取决于推理引擎的缓存管理。Together AI 在 NVIDIA HGX B200 上调整 SWA 缓存策略后，将单节点 KV 缓存容量从约 1.2M tokens 提升至 3.7M tokens。长上下文、解码密集型任务最先受益，短上下文任务仍更依赖预填充优化与内核成熟度。
匹配字段标题、摘要、正文
DeepSeek V3.2 延续 V3 系列架构，并引入 DeepSeek Sparse Attention、自验证、自改进及多项 GRPO 训练调整。文章梳理了 V3、R1、V3.1、V3.2-Exp、DeepSeekMath V2 和 V3.2-Speciale 的演进，解释 MLA、RLVR 与混合推理模式等关键机制。更新部分还介绍了用于改善训练稳定性和收敛表现的 mHC 残差路径研究。
匹配字段标题、摘要、正文
文章以 DeepSeek-R1-Zero 在 AIME 2024 上 pass@1 从 15.6% 升到 71.0% 为例，说明规则 judge 只给整段回答一个分数，而训练要调整每个 token 的概率。作者用 Is OpenAI open? 的采样例子依次解释 policy、state、action、reward、return、value、Q、advantage、baseline、TD error、GAE、clipping 和 KL，并指出 PPO 用 critic 学习 V、GRPO 用组内平均分代替 V。
匹配字段摘要、正文
Artificial Analysis Intelligence Index v5 上线，包含 2 个新基准和 3 项升级，其中 60% 基于私有测试集或留出答案。Claude Opus 5.5（max）以 58 分居首，GPT-6 Astra（max）57 分、GPT-6.1 Sol（max）55 分紧随其后，Gemini 4 Argon（high）以 50 分排在后面。开源权重模型与榜首差距从 3 分扩大到 12 分，已发布权重中 DeepSeek V4.1 Flash 1017（max）和 GLM-5.3（max）以 32 分领先。
匹配字段摘要
Blake Anderson 开源「ai-app-playbook」，一份给 coding agent 执行的操作规程，覆盖选品、搭建、上架到首月盈利。它分两层：面向人的 playbook/00–13 章节和面向 Agent 的 AGENTS.md（Phase 0–14，每步标注 [AGENT] 或 [HUMAN]），动手前需通过 Gate A 评分。技术栈固定在 Cloudflare Workers、D1、Better Auth、OpenRouter 转 DeepSeek、Superwall 加 Stripe 等，并明确列出 Vercel、Supabase、Next.js 等一长串不用项。
匹配字段摘要、正文
Artificial Analysis 发布 Intelligence Index v5，新增 FrontierCode 2.0 和 Terminal-Bench-Science 两项基准，升级 HLE-Diamond、AA-Omniscience v1.1 和 CritPt v2，60% 的评测基于私有测试集或留出答案。Claude Opus 5.5（max）以 58 分居首，GPT-6 Astra（max）57 分、GPT-6.1 Sol（max）55 分紧随其后，Gemini 4 Argon（high）50 分。开源权重模型与领先者的差距从 3 分扩大到 12 分，已发布权重的 DeepSeek V4.1 Flash 1017（max）和 GLM-5.3（max）均为 32 分；领先模型单任务成本相差超过 13 倍，GPT-6.1 Terra（max）为 $0.96，Claude Fable 5.1（max）为 $13.04。同时发布 Progress Index v1，将 2022 年 11 月以来发布的模型放在同一能力尺度上比较。
匹配字段摘要、正文
Kimi K3.1 Pro (Max) 在 Arena 的 Agent Arena 中排名第 11，基于 4K 多真实智能体会话取得 +7.6% 净提升，较 Kimi K3 (Max) 的第 25 名上升 6 个百分点。其每任务中位成本为 $1.03，比上一版本低 13%，在 Work、Code、Chat 三个类别中分别排第 8、第 9 和第 10。Arena 表示该模型开放权重即将发布，届时将成为 Agent Arena 中排名第一的开源模型，超过 DeepSeek-v4.1-Flash。
匹配字段摘要、正文
Sebastian Raschka 发布 8 个推理模型从零构建的编程视频，共 11 小时，用 Python 和 PyTorch 从预训练的 Qwen3 0.6B 模型出发实现评测、推理时扩展、强化学习和蒸馏。课程先构建数学答案验证器并在 MATH-500 上评测，再实现温度采样、top-p 过滤与自一致性，随后用简化版 GRPO 做 RLVR 训练，最后用 DeepSeek R1 生成的答案蒸馏小模型。内容配套其《Build a Reasoning Model (From Scratch)》一书，早期文本生成与评测示例可在 CPU 上运行，后续训练实验建议使用 GPU。
匹配字段摘要、正文
Kimi K3.1 Pro 在 Code Arena: WebDev 以 1692 分升至第 8，与 Claude Opus-5（Max）持平，成本低 70%；相比 Kimi K3（Max）的第 17 名、1655 分，提升 9 位、37 分。Kimi 因此回到 Code Arena: WebDev 实验室排名前 4。该模型定价为每百万输入/输出 token 2 美元/10 美元，单任务成本中位数 1.23 美元，比 Kimi K3 低 29%；官方称开放权重即将发布，届时它将成为该榜单排名第一的开源模型，超过 DeepSeek-v4.1-Flash。
匹配字段摘要
Kimi K3.1 Pro 在 Artificial Analysis Cyber Index 上得分 64%，比此前的开放可用模型领先者 DeepSeek V4.1 Flash 1017（57%）高 7 分，比仅通过 OpenAI 可信访问计划提供的 GPT-6 Sol（Daybreak Blue，max，69%）低 5 分。该指数由 CWE-Bench-AA、DeepsecBench-AA 和 CyberGym-E2E-AA 三项基准组成，K3.1 Pro 在 CyberGym-E2E-AA 上拿到 95%，高于 GPT-6 Sol（Daybreak Blue）的 93%。其单任务成本为 2.81 美元，高于 GPT-6 Sol（Daybreak Blue，max）的 1.77 美元和 DeepSeek V4.1 Flash 1017 的 0.42 美元，原因是每 token 价格虽比 Kimi K3 低 33%，但输入 token 用量约为 2 倍。
匹配字段摘要、正文
MiniMax-M3.1-Flash 在 Artificial Analysis 智能指数上得分 42，比 MiniMax-M3 高 13 分，单任务成本不到后者一半。它在 Humanity's Last Exam 上得 48%、CritPt 得 22%，均高于 GLM-5.3-Flash 和 Gemini 3.8 Flash，略低于 DeepSeek V4.1 Flash 1017。该模型上下文窗口 1M tokens，支持文本与图像输入，定价 $0.15/$0.60 每 1M 输入/输出 tokens，目前权重闭源，MiniMax 宣布将于 10 月 23 日开放权重。
匹配字段摘要、正文
Artificial Analysis 为 OpenAI 的 HealthBench 和 HealthBench Professional 两个健康对话基准上线排行榜，前者含 5000 段与普通用户及卫生工作者的对话，后者为 525 段全部面向临床医生的对话。HealthBench Professional 上 GPT-6 Astra（max）以 66.0% 的长度调整分居首，GPT-6.1 Sol（max）为 65.1%，Claude Sonnet 5.5（max with fallback）为 63.0%。HealthBench 上 Claude Sonnet 5.5（max with fallback）以 62.1% 领先，DeepSeek V4.1 Flash（max）为 60.9%；Claude Opus 5.5 与 Claude Fable 5.1 平均回答约 5900 字符，长度调整后失分超过 11 分。
匹配字段摘要、正文
TechCrunch 报道，一些开发者和 vibe coder 正用 AI 智能体改造智能电视，去掉开机广告、关闭观看追踪、替换卡顿的桌面。GitHub 项目 dumbtv 已在 Fire TV Edition 以及 Sony、TCL、Philips、Hisense、Xiaomi、Shield 的 Android/Google TV 上做过端到端测试，作者 Sabuwala 称用 Deepseek V4.1 Flash、Claude Opus 5.5 和 Claude Sonnet 5.5 编写。cleanyourtv 作者 Gathin T. 称用 Claude Code 通过 Wi-Fi 移除 25 个小米软件包并重写桌面，几天内有数千人对自己的电视做了同样操作。这些方案仍在完善中，有人反馈 Claude 不响应简单指令，也有人称把 Android TV 刷成了砖。
匹配字段摘要、正文
一位高中英语教师与3人备课组把集体备课改造成9个AI智能体加3个真人角色的四阶段流水线，原本跨两周的备课闭环在9月上旬实测单日上午跑通。四套提示词分别负责学情三维归因、每条不超过100字的四段式研讨意见、80分钟对辩主持稿和三维评分归档，共识执行率从经常烂尾变为100%。作者还记录了二次质检分数降6分实为评分量表变化、教师对格式约束的抵触、成员出差由副备兼顶三个坑，并称该SOP跨学科通用，提示词可在豆包、Kimi、ChatGPT、DeepSeek上运行。
匹配字段摘要、正文
Aleph Alpha 发布开放权重模型 Kolibri-1，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 256K Token 并可外推至约 100 万 Token。该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。作者实测其回答正确、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。
匹配字段摘要、正文
Artificial Analysis 在 AA-AgentPerf 上发布 NVIDIA Vera Rubin NVL72 的初步结果，在 DeepSeek V4 Pro 上每兆瓦总吞吐最高约为前代 GB300 NVL72 的 5.7 倍，DeepSeek V4.1 Flash 约 5.4 倍，GLM-5.2 约 3.0 倍，Kimi K3 约 2.8 倍。Vera Rubin 是 NVIDIA Blackwell 的继任者，NVL72 为机架级系统，含 72 颗 Rubin GPU 和 36 颗 Vera CPU，每颗 GPU 内存与 Blackwell Ultra 同为 288 GB，但内存带宽为 2.4 倍、NVLink 带宽 1.7 倍、密集 NVFP4 算力 2.3 倍。AA-AgentPerf 通过回放真实智能体编码会话衡量推理性能，Vera Rubin 在 DeepSeek V4.1 Flash 上创下 906 tok/s 的单用户速度纪录。
匹配字段摘要、正文
Artificial Analysis 上线 FrontierCode 1.1 排行榜，该评测由 Cognition 构建，用真实开源仓库的合并标准检验编码智能体，共 150 个任务，本次运行其中 100 个主任务集，全部任务私有以避免污染。Claude Opus 5.5（max with fallback）以 52% 居首，但其尝试中仅 58% 通过阻断性检查，100 个任务中有 9 个没有任何模型通过；前九名模型分数集中在 43% 至 52%，开源权重模型 MiMo-V2.6-Pro 以 45% 领先，DeepSeek V4.1 Flash（max）和 Kimi K3（max）为 44%。GPT-6.1 Sol（max）以每任务 0.81 美元取得 49%，与 Claude Fable 5.1（max with fallback）持平，成本不到后者的十分之一。
匹配字段摘要、正文