N全部新闻

全部新闻

星期六7 条

  1. Arena解读
    AI 评分60

    Claude Sonnet 5.5 在 Agent Arena 排名第 3，每任务中位成本 2.74 美元

    Claude Sonnet 5.5 在 Agent Arena 排名第 3，净提升分数为 +12.5%，每任务中位成本 2.74 美元。该模型性能处于顶级水平但成本偏高，排名第 2 的 Claude Opus 5.5 每任务成本为 1.58 美元且分数更高，这一取舍使 Sonnet 5.5 未能进入 Agent Arena 的帕累托前沿。

    引用Arena.ai · @arena

    Exciting news: Claude Sonnet 5.5 (Max) by @AnthropicAI has debuted at #3 in the Agent Arena with +12.5% net improvement! This release is a 8.1 percentage-point increase over Claude Sonnet 5 (High), which ranks #13 with +4.4% net improvement. By category, Claude Sonnet 5.5 secured the #1 spot in Chat (+15.6%) above both Fable 5.1 (+11.49%) and Opus 5.5 (+10.29%). This performance comes with a higher cost: Claude Sonnet 5.5 (Max) has a median cost of $2.74 per task, about 73% higher than #2 Claude Opus 5.5 (High) at $1.58. @AnthropicAI models now hold all three top positions in Agent Arena. Congrats to the team!

    #评测/基准#Agent#Anthropic

  2. Arena解读
    AI 评分62

    Claude Sonnet 5.5 (Max) 在 Agent Arena 首登第 3，净提升 +12.5%

    Arena 公布 Claude Sonnet 5.5 (Max) 在 Agent Arena 首次上榜即位列第 3，净提升 +12.5%，比排名第 13 的 Claude Sonnet 5 (High) 高出 8.1 个百分点。分类上它在 Chat 以 +15.6% 拿下第 1，高于 Fable 5.1 的 +11.49% 和 Opus 5.5 的 +10.29%。代价是成本更高，每任务中位成本 2.74 美元，比第 2 名 Claude Opus 5.5 (High) 的 1.58 美元高约 73%。Anthropic 模型目前占据 Agent Arena 前三名。

    引用Arena.ai · @arena

    Exciting update: Claude Sonnet 5.5 with xHigh reasoning has landed in the Code Arena: WebDev. With 1786 pts, its ranked #3! At a blended $8/M tokens, Claude Sonnet 5.5 remains on the Pareto frontier with xHigh reasoning. This release is just 2 pts from GPT-6 Astra in the #2 spot with 1788 pts, for 80% of the price. By domain, Claude Sonnet 5.5 (xHigh) landed: - #2 in Gaming, Reference-Based Design, and Brand & Marketing - #3 in Simulations - #4 in Content Creation Tools and Consumer Product - #6 in Data & Analytics Congrats again to @AnthropicAI on this release!

    #评测/基准#Agent#Anthropic

星期五7 条

  1. Artificial Analysis解读
    AI 评分71

    Artificial Analysis 编程智能体指数：Claude Sonnet 5.5、GPT-6.1 Sol 与 Gemini 4 Argon 性能成本对比

    Artificial Analysis 的编程智能体指数本周迎来 Claude Sonnet 5.5、GPT-6.1 Sol 和 Gemini 4 Argon 三款新模型，它们均接近榜单前列，但性能与成本取舍不同。该指数以模型加运行框架的组合为单位，跨三项智能体编程评测打分：Claude Sonnet 5.5（max）在 Claude Code 中以 68 分居首，单任务成本最高为 14.19 美元；Gemini 4 Argon（high）在 Antigravity CLI 中得 64 分，单任务 5.84 美元，不到 Sonnet 5.5 的一半，但采用 Google 促销定价且 Argon 尚未公开可用；GPT-6.1 Sol（xhigh）在 Codex 中得 63 分，单任务 1.04 美元，约为 Argon 的六分之一。

    #评测/基准#Agent#编码

  2. Every：最新文章
    AI 评分67

    如何用 AI 提示词提升 AI 使用水平：五个 Codex 实践提示词

    Every 运营负责人 Arielle Shipper 分享了自己用五个提示词把 Codex 从单轮对话升级为多智能体协作的方法，包括让 Codex 评估自己在八级 AI 采用框架中的位置、给出升级建议、解释执行方式、设置每周评分报告，以及用 /self improve 把纠正沉淀为持久规则。她借助 orchestrator 线程、context packet、subagent、MCP 和 computer use 等技术，把复杂任务拆分给不同角色的智能体，四个月内自评从 5.5 提升到 7.9。文中给出了每个步骤可直接复用的提示词模板。

    #教程/实践#Agent#MCP/工具调用

  3. OpenRouter：Announcements一手解读
    AI 评分58

    OpenRouter 教程：如何用 cheap-first 路由降低支持成本

    OpenRouter 发布教程，介绍 cheap-first 路由：把常规支持问题交给小模型，把困难或不确定的请求升级到更强的模型。教程对比了三种应用侧路由模式，区分了应用自身负责的部分与 OpenRouter Auto Router 和模型回退所处理的部分，并给出一个可复制的支持流程请求，以及如何衡量升级率和每张已解决工单的成本。

    #教程/实践#部署/工程#Agent

  4. Artificial Analysis解读
    AI 评分53

    Artificial Analysis 评测 Qwen-Image-2.1 图像编辑能力

    Artificial Analysis 的 Image Arena 分类体系按 7 种编辑动作和 10 类使用场景分别设立榜单，用于衡量图像编辑模型的表现。Qwen-Image-2.1 在 Scene & Style Edit 上最接近该类别前沿，其次是 Text or Symbol Edits 和 Enhancement & Restoration。相比 Qwen Image 2.0，它在全部 7 种编辑动作上都缩小了与前沿的差距，其中 Text or Symbol Edits、Object-Level Edit 和 Identity Preserving Edit 提升最大。

    #评测/基准#图像生成#多模态

  5. Artificial Analysis解读
    AI 评分60

    Artificial Analysis 评测：Qwen-Image-2.1 在 36 个开源权重模型类别中 16 项领先

    Artificial Analysis 的评测显示，Qwen-Image-2.1 在 36 个开源权重模型类别中 16 项领先，并在生产力与知识工作、社交媒体与创作者内容两个用例中成为最佳开源权重模型。在文生图能力上，它在复杂构图、文字渲染、知识、版式和光照 5 项中领先；在图像编辑动作上，它在文字或符号编辑、基于推理的编辑、构图与取景 3 项中领先。各榜单中紧随其后的开源权重模型分别是文生图的 Ideogram 4.0 (Quality) 和图像编辑的 HunyuanImage 3.0 Instruct。

    #评测/基准#图像生成#开源生态

  6. AWS Machine Learning一手解读
    AI 评分52

    用 Amazon Bedrock AgentCore 构建 ambient agent：从事件驱动信号到 human-in-the-loop 工作流

    AWS 发布基于 Amazon Bedrock AgentCore 的 ambient agent 参考实现，让智能体由 Amazon S3 上传或定时任务等事件触发，而非等待用户发起对话。该实现通过单个 ask_human 工具和统一响应信封支持 Notify、Question、Review 等人工介入模式，信号上的 autoExecute 开关决定任务自动执行还是先由人工审核。平台由 Lambda、SQS、DynamoDB 和 React 前端组成，全部通过一个 AWS CDK 栈部署，示例默认使用 Anthropic Claude Sonnet 4.5。

    #教程/实践#Agent#部署/工程

  7. Arena解读
    AI 评分64

    Claude Sonnet 5.5 以 xHigh 推理进入 Code Arena WebDev 榜单第 3 名

    Arena.ai 宣布 Claude Sonnet 5.5 以 xHigh 推理进入 Code Arena: WebDev 榜单，得分 1786 分，排名第 3。其混合价格为 $8/M tokens，与第 2 名 GPT-6 Astra 的 1788 分仅差 2 分，价格约为其 80%。分领域看，Claude Sonnet 5.5（xHigh）在 Gaming、Reference-Based Design、Brand & Marketing 排第 2，Simulations 第 3，Content Creation Tools 和 Consumer Product 第 4，Data & Analytics 第 6。

    引用Arena.ai · @arena

    Real-world results are in for Claude Sonnet 5.5 (High) by @AnthropicAI. It just landed #4 in Code Arena: WebDev with 1699 pts, and has reshaped the Pareto frontier with its cost efficiency! Claude Sonnet 5.5 (High) delivers nearly top performance at a blended $8 per Mtoken, reshaping the Pareto frontier! This model is 80% cheaper than both Claude Fable 5.1 (Max) in the #3 spot overall, and GPT-6 Astra (Max) at #2. See Pareto placement below. Overall, Claude Sonnet 5.5 (High) is a +159 pt improvement from Sonnet 5 (High) at #37 with 1540 pts. This gain compared to its previous variant also shows up across these key domains so far: - Reference-Based Design: #38 → #4 - Simulations: #37 → #4 - Gaming: #36 → #4 Congrats to @AnthropicAI on this release!

    #评测/基准#Agent#编码

星期四12 条

  1. Cerebras：Blog一手解读
    AI 评分57

    Cerebras 总结多智能体工作流的五种编排模式

    Cerebras 发布博客，总结构建多智能体工作流的五种模式：并行生成后人工筛选、swarm 并行、分阶段并行、顺序交接以及构建与验证分离。文中以 Codex 配合 Figma MCP 复制网站为例，单智能体平均每次运行 36.5 分钟、12 次人工干预且失败率 100%，多智能体为 5.2 分钟、2 次干预并首次成功；顺序循环在内部测试中把人工干预减少 84.3%。作者认为多智能体把有效上下文窗口从约 200K 扩展到 25M 以上，并提到 Codex Spark 约 1,200 tokens/秒的速度使并行与验证步骤变得可行。

    #教程/实践#Agent#编码

  2. Cerebras：Blog一手解读
    AI 评分63

    Cerebras 如何防止 autoresearch 循环跑偏：71 次实验的经验

    Cerebras 让 AI 智能体在训练优化和模型压缩两类任务上跑了 71 次实验，发现循环范围收紧时能稳定产出真实结论，护栏一放松智能体数小时内就会偏离目标。实验一用 codex-autoresearch-harness 把 Codex 包进 bash 循环，GPT-5.4 与 Codex-Spark 各自 6 小时都独立收敛到学习率 warmdown 调度，但 GPT-5.4 提案接受率 67%，Spark 仅 17%，提案质量比单次推理速度更决定总成本。实验二用 REAP 加 INT4 量化把 717 GB 模型压到 92 GB，动态专家换入换出耗时 0.151 秒，但无人值守 12 小时后智能体自行改问另一个问题，作者通过清理上下文、隔离目录和更频繁的验证检查点来纠正。

    #教程/实践#Agent#数据/训练

  3. Cerebras：Blog一手解读
    AI 评分69

    Cerebras 发布 GLM 4.7 迁移指南：10 条提示词与参数调优规则

    Cerebras 发布 GLM 4.7 迁移指南，称其为 Z.AI 最新开源模型，在 LiveCodeBench 上超过 Anthropic 和 OpenAI 模型、仅次于 Gemini 3，并在 GPQA 和 AIME 上超过 Claude Sonnet 4.5。指南给出 10 条使用规则，包括把强制指令放在系统提示词最前、使用 MUST 等明确措辞、显式指定回复语言、为智能体设定角色，以及把任务拆成小步骤以弥补其不支持交错思考。在 Cerebras 上 GLM 4.7 支持约 131K 上下文和最多约 40k 输出 token，可通过 disable_reasoning 和 clear_thinking 控制推理，推荐 temperature=1、top_p=0.95，并兼容 OpenAI Python SDK。

    #教程/实践#推理#编码

  4. Cerebras：Blog一手解读
    AI 评分72

    Cerebras 解读 GPT-5.6 Sol、Terra、Luna 的模型与推理档位选择

    Cerebras 发文介绍 Codex 订阅中的 GPT-5.6 三款模型 Sol、Terra、Luna，三者独立训练与部署并带推理档位，用于在速度、成本和智能之间取舍。价格上 Terra 为 Sol 的一半，Luna 为 Sol 的五分之一，短上下文和长上下文均如此。文中建议多数任务先用 Luna，进展受阻时再升级到 Terra 或 Sol，Sol 在 Cerebras 上可达 750 tokens/s，并给出 Codex 中 Light 到 Ultra 五档推理级别的用法。

    #教程/实践#推理#部署/工程

  5. Cerebras：Blog一手解读
    AI 评分72

    Cerebras 分享 GPT-5.3-Codex-Spark 最佳实践

    Cerebras 发布一份使用 GPT-5.3-Codex-Spark 的实践指南，该 Codex 变体运行在 Cerebras WSE 硬件上，生成速度超过 1,200 tokens/秒。指南建议把它当作结对编程伙伴而非委派对象，一次只推进一个任务，最多开 2 到 3 个会话且只用于真正独立的模块，并频繁开启新会话、把持久状态放在文件里。文中还给出用 GPT-5.3-Codex 做规划、用 Spark 快速执行的组合流程，以及把测试、评估和文档更新嵌入每一步的做法。

    #教程/实践#编码#部署/工程

  7. OpenRouter：Announcements一手解读
    AI 评分50

    OpenRouter 发布智能体模型成本与质量权衡框架

    OpenRouter 发布一套三步框架，用于为智能体挑选成本与质量平衡的模型：先按任务设定质量门槛，再用自己的 20 到 50 条样本跑便宜、中端、前沿三档模型并统一打分，用成本除以得分得到每质量点成本，最后选以观察到的分数波动为余量、最便宜且过线的模型。文中以 GPT-5.6 Luna、Gemini 3.7 Flash、Claude Opus 5 为例，门槛 85% 时 Gemini 3.7 Flash 以每 1000 次请求 1.09 美元胜出，门槛提到 95% 则只剩 Claude Opus 5 的 7.25 美元方案。成本应直接读取每次响应的 usage.cost 字段，模型或价格变化时需重跑对比。

    Cost vs. Quality Tradeoff Framework for Agent Models

    #教程/实践#Agent#部署/工程

  8. Anthropic：Claude.dev 开发者博客一手解读
    AI 评分61

    Claude Code mods 入门：从空文件夹构建第一个 mod

    Anthropic 发布 Claude Code mods 入门教程，mod 是运行在 Claude Code 会话内的 JavaScript 或 TypeScript 文件，可监听事件、改写行为或绘制自定义 UI，本质是插件内的 hooks。教程从空文件夹构建约 80 行的 Token Weather，在提示词上方实时显示上下文窗口占用，并演示 Blast Radius 和 Replay Theater 两个更复杂的 mod。需要 Claude Code 2.1.287 或更高版本，mods 默认开启，完整代码在 anthropics/claude-code-playground。

    #教程/实践#Agent#MCP/工具调用

  10. Arena解读
    AI 评分59

    Gemini 4 Argon (High) 在 Agent Arena 排名第 8，每任务成本 0.62 美元

    Arena.ai 公布 Gemini 4 Argon (High) 在 Agent Arena 排名第 8，净提升分 +7.92%，每任务成本 0.62 美元，并重塑了帕累托前沿。该模型比排名第 19 的 Gemini 3.8 Flash (High)（+2.96%）高出 4.96 个百分点，在可控性（+15.88%，第 1）、确认成功（+14.15%，第 2）和好评与投诉比（+27.74%，第 4）等信号上表现突出，Chat 类别以 +11.58% 位列第 3。Arena 表示目前基于 3k 真实智能体会话，该分数仍属初步结果。

    引用Arena.ai · @arena

    Big news: Gemini 4 Argon (High) by @GoogleDeepMind just landed #1 in Text Arena with 1525 pts, and #8 in Code Arena: WebDev with 1679 pts! This release has reshaped the Text Arena Pareto frontier with a blended $8/MToken! Gemini 4 Argon (High) is now the most cost efficient model, see its placement on Pareto frontier below. In the Text Arena, Gemini 4 Argon (High) ranks #1 in Coding, Hard Prompts, Instruction Following, Longer Query, and Creative Writing. It also leads every occupational domain evaluated, with additional #1 spots in English, Non-English, Chinese, and Russian. This model is +20 points above the #2 ranked Claude Opus 4.6 (High), and a huge leap from Google’s previous release, Gemini 3.8 Flash (High) at #11! In Code Arena: WebDev, Gemini 4 Argon (High) gained +96 points from Gemini 3.8 Flash (High), and went from #29 to #8. Congrats to the @GoogleDeepMind team on this impressive frontier release!

    同一事件 · 2 条报道

    #评测/基准#Agent#Google

  11. Wired AI解读
    AI 评分60

    WIRED 记者实测 OpenAI Dots 与 Meta Muse 个人智能体

    WIRED 记者在 9 月实测了 OpenAI 的 Dots 和 Meta 的 Muse 两款个人智能体，把前者命名为 Toolie 并调成粉色青蛙造型，通过 ChatGPT 调用它处理任务。作者称这类常驻智能体已比一年前更可靠，能完成交给它的任务，但连接 Gmail 和 Google Drive 等权限仍需要用户自行权衡。Altman 表示自己的 Dot 会处理日常事务并只提醒真正紧急的事项，但拒绝回答 Dots 是否为 OpenAI 传闻中硬件的铺垫。

    #现象/趋势#Agent#OpenAI