Arena 的 Agent Arena Pareto 前沿共 11 个位置，OpenAI 的 GPT-6 Luna 与 GPT-6.1 Sol 按不同推理档位占据其中 6 个。GPT-6 Luna 在每任务低于 $0.10 的区间拿下 4 个最优位置中的 3 个，覆盖 Max、Medium 和 Low 档；GPT-6.1 Sol 则覆盖每任务 $0.22 至 $0.65 区间。加上 GPT-6 Astra（Max），OpenAI 模型共占 7 个前沿位置，Arena 据此指出切换推理档位有时比换模型更能保持在成本与性能的最优点。
匹配字段摘要
i14 与 AWS 合作，用 TorchNeuron Native 在 AWS Trainium2 上训练并部署了基于 Gated Linear Attention 的 Laplace 3B，单台 trn2.48xlarge 训练吞吐约 120,000 tokens/s。该模型每序列循环状态固定为 29.5 MB，不随上下文长度增长，推理在 1,280 并发序列下达到 11,544 output tokens/s。团队还通过 Muon 的 all_to_all 通信改造把每卡通信量降低 24 倍、训练吞吐提升 1.63 倍。
i14 与 AWS 合作，用 TorchNeuron Native 在 AWS Trainium2 上训练并部署了基于 Gated Linear Attention 的 Laplace 3B，单台 trn2.48xlarge 训练吞吐约 120,000 tokens/s。该模型每序列循环状态固定为 29.5 MB，不随上下文长度增长，推理在 1,280 并发序列下达到 11,544 output tokens/s。团队还通过 Muon 的 all to all 通信改造把每卡通信量降低 24 倍、训练吞吐提升 1.63 倍。
匹配字段摘要、正文
斯坦福课程 CME 295 Transformers & Large Language Models 更新到第四讲 Reinforcement learning with LLMs，视频和讲义均已公开。这一讲从 RL 和 Reward Design 讲到 PPO、GRPO、RLVR 和 DAPO，逐个解释其中的符号。课程由 Afshine 与 Shervine Amidi 主讲，共 9 讲，覆盖 Transformer 架构、注意力变体、RoPE、LoRA 微调、RLHF/GRPO 训练、Flash Attention 推理优化、MCP 与 AI Agent、扩散语言模型。
匹配字段摘要
Meta 工程团队发布 Agent 架构实践，用确定性的瘦编排器把 20+ 工作流路由到 14 个上下文隔离的专业 Agent，解决单 Agent 装载全部领域知识后在生产环境出现知识交叉污染和幻觉的问题。瘦编排器约 1300 行代码，只做意图分类、收集字段和可靠性检查，每个请求走固定 7 步协议，仅委派子 Agent 一步涉及 LLM 推理。文中引用 Mount Sinai 研究称多 Agent 编排在 80 任务批次下准确率 65.3%，单 Agent 为 16.6%，token 消耗最多降低 65 倍；新增管道迁移能力只需新增 workflow 模板，零新增 Agent 代码。
匹配字段摘要、正文
ARC Prize 公布 Reflection AI 的 Beam 1.0 在 ARC-AGI 上的验证成绩：ARC-AGI-2 为 23.5%，每任务 $0.61；ARC-AGI-1 为 74.0%，每任务 $0.31。Beam 的最佳成绩出现在 xhigh 推理档，但 high 档在 ARC-AGI-2 上接近，为 20.0% 对 23.5%，成本约低 43%。
匹配字段摘要
Meta 工程博客介绍其数据管道智能体采用的薄编排器架构：1300 行编排器把 20 多个工作流路由到 14 个专业子智能体，自身不做任何领域推理，只负责意图分类、字段收集和可靠性检查。此前单智能体方案在演示中可用，上线后出现概念串扰和幻觉，逐任务手工写提示词时成功率 70-80%，不手工调优则降到 10-20%。新架构下新数据列的配置准备从手工三到四天缩短到一小时以内，约三分之二的变更无需大量人工修改。
匹配字段摘要
TinyFish 宣布在限额内免收 Search 和 Fetch 的检索费用，Search 为每分钟 30 次、每小时 500 次，Fetch 为每分钟 150 个 URL、每天 1,000 个。文章指出检索免费并不消除下游模型的推理成本，同一篇约 4,300 字符的文章在不同服务商处返回约 1,184 到 42,774 个估算 token，三页未过滤内容就可能占满 128K 上下文窗口。在 2026 年 9 月 28 日的 Artificial Analysis 快照中，TinyFish Search 得分 71、每 1,000 个任务 9.30 美元，为展示配置中总成本最低但得分也最低，单任务耗时约 59 秒。
匹配字段摘要、正文
The New Stack 用代码审查、账单规格和长上下文三项自建任务对比 Gemini 4 Argon 与 Claude Opus 5.5，Argon 总成本 4.98 美元、Opus 为 8.75 美元。两者在 14 个植入 bug 的审查与修复上打平，但账单规格测试中 Opus 通过 80/80、Argon 仅 11/80，作者手动修正一行代码后 Argon 才达到 80/80。长上下文依赖题中 Opus 在 500K 规模答对全部 33 个服务，Argon 只答对 20 个并答错 8 个，且输出 token 仅 243 至 425，未展示推理过程。Argon 目前每百万输入/输出 token 收费 2/10 美元，12 月 1 日起涨至 4/20 美元与 Opus 持平。
匹配字段摘要
腾讯云开发者社区发布《Agent 工程实战八讲》导读，围绕如何把能调用模型与工具的原型升级为可完成业务任务、解释失败、控制成本并持续迭代的系统。全系列以立案助理 Agent 和术后随访 Agent 两个虚构教学案例贯穿，覆盖任务契约、推理与协作、上下文与记忆、工具可靠执行、观测与重放、评测与校准、安全边界、生产运营八个主题。文中强调模型能给出下一步不等于系统能兑现业务结果，示例字段、预算与数字均为教学演算，不构成法律意见。
匹配字段摘要、正文
有开发者用同一个火箭发射任务对比 DeepSeek V4.1 Flash 1017 与 GPT-6.1 Sol，前者花费 0.78 美元、耗时 3 分钟，后者花费 6.10 美元、耗时 5 分钟。DeepSeek 官方信息显示，V4.1-Flash-1017 以 MIT 协议开源，API 闲时价格为每百万输入 0.15 美元、输出 0.6 美元，在 DeepSWE 编程基准上得分 77.0%。作者提醒，这次对比只覆盖单个题目，未公布完整提示词和各自的自我修正轮数，不能据此推断长链路推理能力。
匹配字段摘要、正文
Google DeepMind 的新前沿模型 Gemini 4 Argon 在 ARC-AGI-3 上以 Provider Adapter Harness 测试环境取得 97.5%，成本 4800 美元，成为继 OpenAI 之后第二个跨过 95% 的实验室，仅次于 GPT-6 Astra 的 99.9%。在只允许简单笔记的 Standard Harness 下，低推理档得分降至 49.8%，且因 API 问题未能跑完全部 55 个游戏。Epoch AI 的 ECI 指数上 Argon 得 165 分，与 Fable 5.1 持平，但在数学 ECI 排第八、软件工程指数排第六。
匹配字段摘要、正文
ARC Prize 公布 Google Gemini 4 Argon 在 ARC-AGI 上的测试结果：ARC-AGI-3 在 provider adapter harness 下得分 97.5%、成本 4.8K 美元，标准 harness 下低推理档 49.8%、中推理档 46.3%，高推理档仅完成 55 个游戏中的 19 个因此未公布分数。ARC-AGI-2 为 91.3%、每任务 0.32 美元，ARC-AGI-1 为 98.5%、每任务 0.16 美元。ARC Prize 称 Argon 是第二个在 ARC-AGI-3 上超过 95% 的前沿实验室模型，其 97.5% 仅次于 GPT-6 Astra 的 99.9%，并在 25 个公开游戏中比人类基线少用 62% 的动作。成本按当前每百万 token 输入 2 美元、输出 10 美元的入门价格计算。
匹配字段摘要
ARC Prize 公布 Google Gemini 4 Argon 在 ARC-AGI 上的验证成绩：ARC-AGI-3 达 97.5%（provider adapter harness，成本 4.8K 美元），标准 harness 下为 49.8%（成本 5.8K 美元）；ARC-AGI-2 为 91.3%，每任务 0.32 美元；ARC-AGI-1 为 98.5%，每任务 0.16 美元。ARC Prize 称 Google DeepMind 是第二家在 ARC-AGI-3 上超过 95% 的前沿 AI 实验室，Argon 的 97.5% 仅次于 GPT-6 Astra 的 99.9%。标准 harness 测试因 API 问题未能完成全部 55 个游戏，高推理档仅完成 19 个游戏故未公布分数，成本按每百万 token 输入 2 美元、输出 10 美元的当前优惠价计算。
匹配字段摘要
Artificial Analysis 评测显示，SpaceXAI 的 Grok Voice 3.0 以 86.9 分登顶其 Speech to Speech Index，高于 GPT-Live-1（Astra, medium）的 83.2 和 Gemini 3.8 Live Extended Thinking（High）的 82.6，较 Grok Voice 2.0 的 81.3 提升 5.6 分。该模型通过 SpaceXAI Realtime API 提供，每分钟 0.08 美元，输入音频每小时 4.80 美元；在 Speech Agent Arena 任务成功率上以 94.8% 居首，Big Bench Audio 音频推理得 98.5%，Big Bench Audio 平均首音频延迟 0.81 秒，慢于 Grok Voice 2.0 的 0.70 秒。
匹配字段摘要
Artificial Analysis 将 DeepSeek V4.1 Flash 加入其智能体推理性能基准 AA-AgentPerf，并给出 NVIDIA 与 AMD 硬件的实测结果。在每用户 100 tokens/s 下，NVIDIA GB300 以约 261M tokens/s 每兆瓦居首，其后为 B300（约 220M）、B200（约 193M）、GB200（约 178M）和 MI355X（约 128M）。V4.1 Flash 在 Artificial Analysis Intelligence Index 上得分 39，高于此前的 V4 Pro 0813（36），参数量约为其三分之一（552B backbone、16B 激活，对比 1.6T 与 49B），最少可在 2 张 GPU 上运行，相比 V4 Pro 0813 在每用户 100 tokens/s 下每兆瓦吞吐提升约 1.3 倍（GB300）至 6.2 倍（B200）。
匹配字段摘要
作者用日常任务测试 Gemini 4 Argon 后认为，Google 的模型重新追上了第一梯队但没有超越对手，而应用 Antigravity（Harness）落后对手半年到一年，拖累了模型表现。编程上从零搭应用又快又好，低推理档即可达到 Opus 5.5 水平，但审查自己代码敷衍、改造复杂老代码库很弱，Vibe Check 得分 21%，Claude 和 GPT-6 在 81%–85%。写作一次成篇可读性约 10.6 年级，其他前沿模型在七到八年级，但作为编辑伙伴梳理结构、打磨比喻很出色；设计排名第二仅次于 Opus 5.5；知识工作分析和提炼洞察强，处理多文件会丢细节、查事实会自信答错。官方已预告自动安全分类器、云端执行和 max 推理档位。
匹配字段摘要、正文
Image-to-WebDev Arena 更新显示，Anthropic 的 Claude Opus 5.5（Max）以 1749 分登顶，Claude Sonnet 5.5（xHigh）以 1740 分、9 分之差位列第二，两款模型均进入帕累托前沿。价格方面，Opus 5.5 的混合输入输出 token 价格为 $16/M，比第三名 GPT-6 Astra 的 $40/M 低 60%；Sonnet 5.5 为 $8/M，比 Opus 便宜 50%，且排名高于 GPT-6 Astra 而成本低 80%。该榜单评估模型从图像和截图生成网站的能力，以及涉及多步推理和工具调用的智能体编码工作流。
匹配字段摘要
LMSYS 团队提前拿到两个 NVIDIA Vera Rubin 节点（8 块 GPU），把 SGLang 推理和 Miles 强化学习训练搬上该平台。推理侧针对 Kimi K3 NVFP4 调整了 attention、MoE/通信和 KDA 内核，例如更深的 MLA 流水线在 batch 16、128k 上下文下快 16%，融合 MoE 尾部每步减少 276 次内核启动、端到端提升 5.9%。训练侧 Miles 用 SGLang 做 rollout、Megatron 做训练，在单托盘 4 块 GPU 上开箱跑通 Qwen3-30B-A3B 的 GSM8K 训练，奖励从约 45% 升到 95%，并在 Vera CPU 上以 64 个沙箱运行 SWE-bench Verified 的智能体 RL。
匹配字段摘要
NVIDIA KGMON 团队在 KDD Cup 2026 Data Agents 竞赛中获得第二名，方案核心是在固定的小模型外构建更小、更清晰、更易验证的 harness。团队把 CSV 和 JSON 统一转成 SQLite 表，只暴露 schema() 和 sql(query) 等少量工具，并在主推理循环前加入 schema 预检步骤，减少路由错误并保留模型的推理能力。文档检查与结构化分析分离，prose_helper 用零温度、关闭推理的独立 LLM 调用抽取答案或表格，避免原始文本占用主上下文；执行轨迹记录提示词、工具调用和中间结果，供专门的 inspector agent 归类失败原因。
NVIDIA KGMON 团队在 KDD Cup 2026 Data Agents 竞赛中获得第二名，方案核心是在固定的小模型外构建更小、更清晰、更易验证的 harness。团队把 CSV 和 JSON 统一转成 SQLite 表，只暴露 schema() 和 sql(query) 等少量工具，并在主推理循环前加入 schema 预检步骤，减少路由错误并保留模型的推理能力。文档检查与结构化分析分离，prose helper 用零温度、关闭推理的独立 LLM 调用抽取答案或表格，避免原始文本占用主上下文；执行轨迹记录提示词、工具调用和中间结果，供专门的 inspector agent 归类失败原因。
匹配字段摘要
ARC Prize 公布 Grok 4.7 在 ARC-AGI 系列基准上的成绩：ARC-AGI-2 最佳得分 61.4%、每任务 2.01 美元，低于 Grok 4.6 的 67.1% 和每任务 0.76 美元，在输入输出 token 定价相同的情况下单任务成本上升 166%；ARC-AGI-1 为 90.2%、每任务 0.64 美元，高于 Grok 4.6；ARC-AGI-3 在标准 harness 下为 1.8%，在新的 provider adapter harness 下为 10.0%。ARC Prize 指出 Grok 4.7 在 ARC-AGI-2 semi-private 任务上消耗的推理 token 更多，medium、high、xhigh 档分别比 Grok 4.6 多 136%、125% 和 173%，low 档少 27%，这是单任务成本上升的原因之一。
匹配字段摘要