2026年10月29日,阿易 AI Notes 发布文章,分享社区摸索出的 Codex 5 小时额度窗口提前开启技巧。文章称,5 小时额度从当天第一条消息开始倒计时,因此可在早上 7:00 用 Grok Bot 自动执行 codex exec ping 触发倒计时,中午 12:00 额度重置后覆盖下午工作时段。文中给出可直接复制的定时提示词,并注明该机制来自社区实测而非 OpenAI 官方文档,执行时需带只读参数。目前仅有这一篇来源报道,尚无后续发展。
匹配字段摘要
Arena公布基于近9000次智能体会话的实测结果,OpenAI的GPT-6.1 Terra (Max)在Agent Arena排名第8,净提升+10.6%,单任务中位成本0.62美元。该成本低于第7名Gemini 4 Argon (High)的1.09美元、第6名GPT-6.1 Sol (Max)的0.89美元和第5名GPT-6 Astra (Max)的5.16美元。分项排名中,Bash Reliability列第3(+13.2%),Steerability列第7(+13.3%),Praise vs Complaint列第9(+16.8%)。目前尚无后续进展。
匹配字段摘要
Arena.ai于2026年10月30日公布Agent Arena上各模型的单任务成本对比。统计显示,OpenAI的GPT-6.1 Sol(Max)每任务成本为1.91美元,比Claude Opus 5.5(Max)的12.51美元低85%,比GPT-6 Astra(Max)的14.93美元低87%。Arena.ai指出,这两项成本优势来源不同:相对Astra,Sol的优势主要来自更低的token单价;相对Opus,则主要来自每任务消耗更少的token。每任务成本按输入、输出和缓存读取token的数量乘以各自单价计算,Arena.ai通过对比价格与token用量来定位成本下降的原因。
匹配字段摘要
Baseten工程团队于2026年10月29日发布博客,介绍对Qwen3-ASR 1.7B批量转写部署的优化。团队通过原生音频解码、KV cache FP8量化以及减少主机与设备同步,在单张RTX PRO 6000上把批量转写吞吐提升7倍、延迟降低6.9倍。优化后一小时音频的转写成本约为0.0013美元,即每音频小时1/10美分,词错误率没有明显变化。该优化版本已作为Baseten Model Library的默认部署,可通过OpenAI兼容的转写客户端调用。
匹配字段摘要
Artificial Analysis于2026年10月23日发布Coding Agent Index v2.0,用Cognition的FrontierCode v1.1替换DeepSWE,并收紧仓库问答评分,榜单评的是模型加harness组合。当天报道显示,Claude Code搭配Claude Opus 5.5(max)以61.7分登顶,Claude Code搭配Sonnet 5.5以59.3分次之,Muse Code搭配Muse Wonder Full为58.9分,首个OpenAI组合Codex搭配GPT-6 Astra为54.7分。关于新旧榜单对比,早先报道称21个配置均分从58.8%降至57.1%;后续报道称同一批21个配置均值从54.8降至47.4,20个下降,并称主因是FrontierCode均值约45.1%,远低于DeepSWE的65.6%。
匹配字段摘要
2026年10月21日,马东锡 NLP 转发并推荐了一篇关于用决策模型做 Evals 的文章。该文章由 Hamel Husain 发布,讲解如何用决策模型做 Evals,内容包括为任务选择决策模型、调整其阈值(并提醒不要默认 0.5 合适)以及解读模型给出的分数,文中配有多个交互图表。马东锡 NLP 在转发时提到,近期出现的决策模型包括 TypeSafe 的 Jev、Perplexity 的 Decider、Cloudflare 的 Clef 和 OpenAI 的 Decisions API,它们输出概率而非长文本,常被用作 LLM-as-a-Judge 的替代方案。目前该推荐仅有这一条来源,尚无后续发展。
匹配字段摘要
n8n博客于2026年10月19日发布教程,介绍如何在一台NVIDIA DGX Spark上本地部署完整模型栈,让n8n工作流在不调用云API的情况下完成转录、OCR、文档问答和图像生成。教程称整套栈通过LiteLLM暴露一个OpenAI兼容端点,主模型为Qwen3.6-35B-A3B的NVFP4版本,单用户生成速度120 tokens/s,八用户合计359 tokens/s。作者实测发现图像生成会让对话速度降到约三分之一,建议小团队把图像任务排队或放到非工作时间。目前该内容仅有n8n博客这一来源。
匹配字段摘要
Artificial Analysis在AA-Image-Editing v2.1榜单上将Krea 3 Ultra列为图像编辑模型第五名,其默认Fast模式排第11。该机构称,Ultra的编辑质量接近Nano Banana 2.1和MAI-Image-2.6,是OpenAI、Google、Microsoft之外排名最高的图像编辑模型,在17个分类中有15个进入前7,动画与游戏、Frontier两类均列第2。价格方面,Fast每1K图像0.03美元、每1K参考图0.02美元;Ultra仅支持2K输出,一张1K参考图的2K编辑为0.27美元。另一来源Testing Catalog的报道则称Ultra位列第4、Fast第11,并给出Ultra得分1151、比Nano Banana 2.1低1分,Fast得分1125、比Nano Banana 2高1分。
匹配字段摘要
Artificial Analysis 上线了 OpenAI 的 HealthBench 与 HealthBench Professional 两个健康对话基准的排行榜。其中,HealthBench 包含 5000 段与普通用户及卫生工作者的对话,HealthBench Professional 则为 525 段全部面向临床医生的对话。榜单结果显示,在 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%;在 HealthBench 上,Claude Sonnet 5.5(max with fallback)以 62.1% 领先,DeepSeek V4.1 Flash(max)为 60.9%。此外,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。目前尚无后续发展。
匹配字段摘要
2026年10月13日,Google 宣布开发者即日起可用 Gemini 4 Argon 构建应用,该前沿模型面向真实软件工程、企业知识工作和网络安全防御等复杂工作流,针对需要深度推理与结构精度的长周期任务设计,官方同时给出 Gemini API 开发者指南、Google Antigravity 与 Android Studio 的使用入口。同日,Google 披露一次无人值守实验:让 Argon 在 11 小时内优化约 20.5 万行代码的开源框架 google/adk-python,模型提出 6 项优化,经人工评审后 2 项合入主干,长会话的内存会话准备时间减少约 40%,冷启动导入提速 21%。10月14日,Sundar Pichai 称这是对 Argon 4 安全与对齐工作的良好总结;Ethan Mollick 评价 Gemini 4 相比此前 Gemini 模型是大幅跃升,但在复杂多智能体任务上仍落后。10月15日,Google 开始向 AI 编程工具 Antigravity 推送 Gemini 4 Argon 支持。
English translation is being prepared.
匹配字段摘要
2026年10月9日,GPT-6 Sol 登顶 Artificial Analysis Cyber Index。Artificial Analysis 宣布扩展该指数,首次纳入通过 OpenAI Daybreak 计划提供的受限访问模型 GPT-6 Sol(Daybreak Blue, max),该模型登顶榜单并进入成本与能力帕累托前沿。其整体得分比公开可用的 GPT-6 Sol(max)高 32 分,全榜未触发安全拦截,每任务成本 1.77 美元,低于 Grok 4.7(xhigh)的 11.67 美元。相比公开版本,Daybreak Blue 在安全拒答最多的 CyberGym-E2E 上提升最大。目前该事实无后续发展。
匹配字段摘要
2026年10月9日,Arena发布Alignment Index技术报告及完整排名,用于衡量AI智能体在真实使用中的安全与对齐表现。该指数基于27个模型的90K+真实智能体会话构建,考察越权行动、虚假归因和虚假完成三类信号。榜单中OpenAI的GPT-6.1-Sol以87.9分居首,Anthropic的Claude-Opus-5.5为83.2分,SpaceXAI的Grok-4.7为82.7分;OpenAI在三项信号上的观测比率最低,分别为0.89%、1.98%和2.34%。Arena表示各实验室的新模型普遍优于前代,且随着对话变长,失准风险会上升。同日Arena.ai还表示,截至目前发现只有2%的Claude Opus 5会话包含未授权操作,其中53.5%涉及未经请求的文件删除或“清理”。
匹配字段摘要
2026年10月3日,Arena的Agent Arena榜单显示,OpenAI的GPT-6.1 Sol (Max)以第5名进入榜单,得分提升11.23%,并改变了帕累托前沿。其每任务中位成本为0.56美元,比GPT-6 Sol低39%且得分高1.52分,比GPT-6 Astra低81%且差距在1.04分以内。相比Claude Fable 5.1 (Max)、Claude Opus 5.5 (High)和Claude Sonnet 5.5 (Max),其成本分别低88%、65%和80%,得分差距分别为3.08、2.59和1.29分。目前尚无后续发展事实。
匹配字段摘要
2025年4月11日,vLLM集成Hugging Face Transformers建模后端,使兼容模型在沿用Transformers实现的同时获得vLLM的吞吐量和延迟优化。该后端已支持视觉语言模型,可通过model_impl="transformers"、OpenAI兼容API或LLM API部署。对于vLLM尚未原生支持的兼容模型,系统也可自动切换至Transformers实现。
2025年4月11日,vLLM集成Hugging Face Transformers建模后端,使兼容模型在沿用Transformers实现的同时获得vLLM的吞吐量和延迟优化。该后端已支持视觉语言模型,可通过model impl="transformers"、OpenAI兼容API或LLM API部署。对于vLLM尚未原生支持的兼容模型,系统也可自动切换至Transformers实现。
匹配字段摘要
2026年1月8日,Cerebras 发布 GLM 4.7 迁移指南。据其介绍,GLM 4.7 是 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。目前尚无后续有证据的发展。
2026年1月8日,Cerebras 发布 GLM 4.7 迁移指南。据其介绍,GLM 4.7 是 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。目前尚无后续有证据的发展。
匹配字段摘要
Trail of Bits 用 Codex 配合 GPT-5.6 为稳定版 Linux 内核和发行版回移安全补丁，截至 10 月 29 日已向稳定内核分支交付 149 个 CVE 的修复，另有若干 Fedora 和 Ubuntu 软件包修复。其流程由智能体识别缺失修复、适配补丁、组装验证证据、运行测试并准备提交材料，工程师负责审核并提交给维护者；不含项目初始配置时，一次简单回移约需 30 分钟人工投入，复杂情况约 3 小时。作者同时给出 Linux 内核各稳定分支及 Debian 13、Ubuntu 26.04 中已修复于新版本但未回移的 CVE 数量，并说明回归测试与维护者接受仍是必要环节。
越重要。这不仅仅是理论上的。针对最新高关注度错误 CVE-2026-98432 （Linux TCP 协议栈中的一个严重远程可利用缺陷）的修复，在上游修补数周后仍未进入发行版内核。这个错误足够高关注度，很快会在所有地方得到修复。但更 obscure 错误的修复永远不会被回移。我在我的 沙箱逃逸研究 中看到了这一点，并且稳定软件中的一个旧漏洞被用作最近披露的 OpenAI 黑客事件 的一部分。. 让我们量化缺失回移问题的规模。为了简化计数，我们可以仅限于已知错误（已分配 CVE），这些错误在最新版本中已修补但在稳定软件包中缺失。在这个例子中，我们将查看 Linux 内核、Ubuntu 26.04 LTS 和 Debian 13 Stable。我并不是在单独指责这些项目——它们都运行得非常好！我使用它们是因为它们有关于未修复 CVE 的文档和记录。其他项目缺乏这种透明度。 让我们按稳定分支查看 Linux 内核中未解决的 CVE 数量。下表显示了每个受支持稳定分支中在该分支没有修复、但在较新分支中有修复的 CVE。（因此，按定义，较旧分支有更多未修复的 CVE。）来源是 内核 CVE 团队
匹配字段正文
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。
Artificial Analysis Intelligence Index v5 现已上线！ 它包含 2 个新基准和 3 项升级，且该指数的大部分内容基于私有数据集构建。 新基准包括来自 Cognition 的 FrontierCode 2.0 和 Terminal-Bench-Science。 Claude Opus 5.5（max）以 58 分领先，紧随其后的是 GPT-6 Astra（max，57 分）和 GPT-6.1 Sol（max，55 分）：Anthropic 和 OpenAI 占据了前五名模型。Gemini 4 Argon（high）以 50 分位列其后。 Claude Code 依然保持领先（这并不意外），而我们对其他模型的分布也有相当准确的刻画。 一张新图表还展示了各模型的发布日期 👀
匹配字段正文
Pydantic 的 Michael Pfaffenberger 用 5 个小型 Pydantic AI 应用、8 个模型做了 5,276 次评分运行，对比 code mode 与直接工具调用。长任务上 code mode 平均成本降 58%、耗时降 51%、成功率提高 16 个百分点；但 5 条目的短任务在 5 个任务中有 3 个反而贵了 21% 到 38%。作者认为模型写循环比充当循环更擅长，差距随任务变长而扩大。
不是工具，而模型编写的程序就是编排。Samuel 的图由模型在运行时编写，代理作为节点。这就是我所说的未来。 试一试 在你自己的 Pydantic AI 智能体中，code mode 是 Pydantic AI Harness 提供的一项能力： uv add "pydantic-ai-harness[codemode]" "pydantic-ai-slim[openai]" export OPENAI API KEY="your-api-key" 然后给智能体提供它的工具： from pydantic ai import Agent from pydantic ai harness import CodeMode CART = { 1: {'name': 'Espresso machine', 'unit price': 249.00}, 2: {'name': 'Oat milk', 'unit price': 3.49}, 3: {'name': 'Cast iron pan', 'unit price': 64.95}, } agent = Agent( 'openai:gpt-
匹配字段正文
作者用 Cursor 配合 Claude Opus 5.5 做出零依赖的本地网页工具「情商外挂」，把带情绪的草稿按《非暴力沟通》四要素改写，并内置七类沟通对象与温和、坚定、直接三档语气。工具跑在本机 127.0.0.1:8787，通过 UUMit 客户端生成固定 HTTPS 链接分发给同事，无需买服务器或备案，权限可按人发放和收回。文中还给出单次输入 800 字限制、默认每分钟 10 次与每天 200 次的限流设置，以及两个 GitHub 仓库的源码和 System Prompt。
法的核心是用你自己的电脑当服务器，适合小团队协作、内部工具、客户 demo 验证与小范围分享，规模大了依然建议走正式上云部署。 准备清单： 一台日常开着的电脑（macOS 或 Windows 均可，我自己用的是 MacBook Pro M5） Python 3 运行环境（macOS 基本自带，Windows 官网装一下即可） 一个大模型 API 密钥（兼容 OpenAI 格式的任何平台都行，比如 DeepSeek、AIsa、阿里云百炼、Kimi 等） 一个 UUMit 账号（去 uumit.com 注册下载客户端） 一位愿意帮你体验的真实同事或朋友（用来走完最后的外部访问闭环，他也需要注册一个 UUMit 账号） 第一部分：先搞懂这个工具在干什么 说话是门技术，但大部分吵起来的对话，底层逻辑惊人一致。 马歇尔·卢森堡在经典著作《非暴力沟通》里把这个问题剖得很透：一句话之所以听着刺耳，核心不是事实本身，而是里面包裹了道德评判、一概而论、推卸责任或强人所难的命令。对方第一眼看到的不是你的诉求，而是你在扣帽子，防御和反击机制瞬间就被激活了。 书里给出的解药，是把任何沟通拆成四根骨架： 观察：
匹配字段正文
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。
v2 高难度子集（10%） ➤ 通用（25%）：AA-Omniscience v1.1 15%（10% 准确率，5% 非幻觉）和 HLE-Diamond（10%） 主要结果： ➤ Claude Opus 5.5（max）以 58 分领先，领先于 GPT-6 Astra（max，57 分）和 GPT-6.1 Sol（max，55 分）：Anthropic 和 OpenAI 占据前五名模型。Gemini 4 Argon（high）以 50 分紧随其后 ➤ 开源权重模型的差距从 3 分扩大到 12 分：Kimi K3.1 Pro（权重尚未发布）以 46 分成为得分最高的开源权重模型。在已发布权重的模型中，DeepSeek V4.1 Flash 1017（max）和 GLM-5.3（max）以 32 分领先——落后领先者 26 分，且低于 Claude Haiku 5.5（max，36 分） ➤ 领先模型之间的单任务成本相差超过 13 倍：在所示 10 个得分最高的模型中，GPT-6.1 Terra（max）最便宜，每个 Intelligence Index 任务 $0.96，Claude F
匹配字段正文