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。
匹配字段标题
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。
匹配字段标题
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。
匹配字段标题
2026年10月27日,AYi发布实测记录,称在手机端用邮箱Agent处理自己5039封邮件的QQ邮箱:最近一个月69封邮件中筛出约20封需要处理,耗时43秒。文中还给出5个常用场景指令和「用户档案+10条行为准则」记忆模板,称无需写代码即可照抄使用;核心场景包括17秒找出隐蔽的AI自动扣费和SaaS续费、30秒合并多家银行中英文月结单并分开计算外币。目前该实测仅见于阿易AI Notes一篇来源,尚无后续发展。
匹配字段标题
Larsen Cundric提出用智能体写代码的一条规则:在提出改动需求前,先约定双方如何确认改动生效。他给出的验收方式包括一个当前会失败的测试、一条自己能运行的命令、真实运行结果的日志或截图,没有证据的“完成”会被退回。他认为多数失败的智能体会话都始于模糊的需求和缺失的检查,并向读者征集自己信任智能体“完成”的标准。
匹配字段标题
LangChain开源了其设计智能体Content Studio及支撑它的harness。据LangChain Blog,该智能体由LangChain的GTM工程团队与设计团队合作,在Managed Deep Agents上搭建,运行于Slack内,可生成视频、社交图、UI图与幻灯片,已产出3000多个素材、80多份幻灯片。文章拆解了其四层知识结构(技能、wiki、代码校验、记忆)、每个Slack线程独立的LangSmith Sandbox、HyperFrames与自研motion-studio两套渲染引擎,以及主智能体调度异步子智能体的协作方式。团队称迁移到Managed Deep Agents后自有代码减少约80%,单次请求的模型成本中位数从9月中旬的约8美元降到约50美分。开源后用户可fork并挂上自家品牌,经Managed Deep Agents部署到团队Slack。
匹配字段标题
LangChain开源了其设计智能体Content Studio及支撑它的harness。据LangChain Blog,该智能体由LangChain的GTM工程团队与设计团队合作,在Managed Deep Agents上搭建,运行于Slack内,可生成视频、社交图、UI图与幻灯片,已产出3000多个素材、80多份幻灯片。文章拆解了其四层知识结构(技能、wiki、代码校验、记忆)、每个Slack线程独立的LangSmith Sandbox、HyperFrames与自研motion-studio两套渲染引擎,以及主智能体调度异步子智能体的协作方式。团队称迁移到Managed Deep Agents后自有代码减少约80%,单次请求的模型成本中位数从9月中旬的约8美元降到约50美分。开源后用户可fork并挂上自家品牌,经Managed Deep Agents部署到团队Slack。
匹配字段标题
2026年10月27日,AYi发布实测记录,称在手机端用邮箱Agent处理自己5039封邮件的QQ邮箱:最近一个月69封邮件中筛出约20封需要处理,耗时43秒。文中还给出5个常用场景指令和「用户档案+10条行为准则」记忆模板,称无需写代码即可照抄使用;核心场景包括17秒找出隐蔽的AI自动扣费和SaaS续费、30秒合并多家银行中英文月结单并分开计算外币。目前该实测仅见于阿易AI Notes一篇来源,尚无后续发展。
匹配字段标题
Larsen Cundric提出用智能体写代码的一条规则:在提出改动需求前,先约定双方如何确认改动生效。他给出的验收方式包括一个当前会失败的测试、一条自己能运行的命令、真实运行结果的日志或截图,没有证据的“完成”会被退回。他认为多数失败的智能体会话都始于模糊的需求和缺失的检查,并向读者征集自己信任智能体“完成”的标准。
匹配字段标题
2026年10月25日,LangChain的Harrison Chase和Caspar Broekhuizen发文,总结公司级Agent harness的核心组件。文章以LangChain内部营销、销售、工程三个智能体GTM Agent、OpenSWE、Content Studio为例,归纳出五个共用组件:智能体放在Slack等现有工作场所;区分代用户行事与固定身份;设置全局与用户两级记忆;在沙箱内执行代码;大量运行为定时或事件触发。文中还说明三者在身份、记忆和代码执行上的具体处理方式,并指出三者均构建在Managed Deep Agents之上。后续一篇中文报道复述了上述五块共性底座,并补充称Managed Deep Agents叠在开源Deep Agents harness之上,保留定制Agent行为的空间。目前该总结仍以LangChain官方博文为原始来源。
匹配字段标题
2026年10月25日,LangChain的Harrison Chase和Caspar Broekhuizen发文,总结公司级Agent harness的核心组件。文章以LangChain内部营销、销售、工程三个智能体GTM Agent、OpenSWE、Content Studio为例,归纳出五个共用组件:智能体放在Slack等现有工作场所;区分代用户行事与固定身份;设置全局与用户两级记忆;在沙箱内执行代码;大量运行为定时或事件触发。文中还说明三者在身份、记忆和代码执行上的具体处理方式,并指出三者均构建在Managed Deep Agents之上。后续一篇中文报道复述了上述五块共性底座,并补充称Managed Deep Agents叠在开源Deep Agents harness之上,保留定制Agent行为的空间。目前该总结仍以LangChain官方博文为原始来源。
匹配字段标题
2026年10月25日,邵猛分享Claude博客关于构建Agent时何时把子Agent折进主循环的观点。该博客认为,在Claude Platform上,单个主循环加按需加载的Skills/工具,在多项内部对比中质量常更好、成本与延迟更低;每团队一个子Agent加总编排常复制组织架构,带来上下文损耗、Frankenprompt与局部eval等问题,一家客户对比多Agent harness与单循环时后者约2×更快。博客建议子Agent只留给并行、上下文膨胀或工具与指令冲突等场景,并给出先建端到端eval、一次折一个的迁移路径。
匹配字段标题
2026年10月25日,邵猛分享Claude博客关于构建Agent时何时把子Agent折进主循环的观点。该博客认为,在Claude Platform上,单个主循环加按需加载的Skills/工具,在多项内部对比中质量常更好、成本与延迟更低;每团队一个子Agent加总编排常复制组织架构,带来上下文损耗、Frankenprompt与局部eval等问题,一家客户对比多Agent harness与单循环时后者约2×更快。博客建议子Agent只留给并行、上下文膨胀或工具与指令冲突等场景,并给出先建端到端eval、一次折一个的迁移路径。
匹配字段标题
2026年10月24日,邵猛整理并介绍了Tibo的一套流程:用Agent搭建自有AI UGC创作者矩阵。该流程按买家分段设计3–4个有固定脸和日常的AI创作者,每日完成搜爆款、改写成角色口吻、同脸渲染并提前24小时排期,人只审队列和周更话题。流程共分9步、配12条提示词,从接入Revid MCP和写brain.md总脑开始,到建脸、设话题、拆爆款结构、每日跑批、独立账号运营和周回顾。文中强调账号bio标明AI creator、禁止假评测与健康医疗宣称、产品只占视频一个beat,且只排期不直发以留人工复核。目前尚无后续发展事实。
匹配字段标题
Arena 于 2026 年 10 月 24 日将 Kimi K3.1 Pro (Max) 纳入 Agent Arena 排名,位列第 11。该排名基于 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。目前尚无后续发展事实。
匹配字段标题
Arena 于 2026 年 10 月 24 日将 Kimi K3.1 Pro (Max) 纳入 Agent Arena 排名,位列第 11。该排名基于 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。目前尚无后续发展事实。
匹配字段标题
2026年10月24日,邵猛整理并介绍了Tibo的一套流程:用Agent搭建自有AI UGC创作者矩阵。该流程按买家分段设计3–4个有固定脸和日常的AI创作者,每日完成搜爆款、改写成角色口吻、同脸渲染并提前24小时排期,人只审队列和周更话题。流程共分9步、配12条提示词,从接入Revid MCP和写brain.md总脑开始,到建脸、设话题、拆爆款结构、每日跑批、独立账号运营和周回顾。文中强调账号bio标明AI creator、禁止假评测与健康医疗宣称、产品只占视频一个beat,且只排期不直发以留人工复核。目前尚无后续发展事实。
匹配字段标题
Artificial Analysis 于 2026 年 10 月 24 日在 AA-AgentPerf 上线 Meta 新开源权重模型 Muse Spark Open 的初步测试结果。该模型为 816B 参数、42B 激活的 MoE,在 Artificial Analysis Intelligence Index 上得分 39。测试显示,NVIDIA B300 与 GB300 在吞吐优先配置下每兆瓦功耗均可达约 150M tokens/s;GB300 在 100 tok/s 输出速度下约 108M、B300 约 92M;AMD MI355X 在 65 tok/s 下为 70M tokens/s 每兆瓦。模型 62 层中有 46 层采用 2,048-token 滑动窗口注意力,使 1M 上下文下的 KV cache 需求较全注意力降低约 75%。Meta 发布了 NVFP4 checkpoint,AMD 发布了 MXFP4 checkpoint。目前尚无后续发展事实。
匹配字段标题
Artificial Analysis 于 2026 年 10 月 24 日在 AA-AgentPerf 上线 Meta 新开源权重模型 Muse Spark Open 的初步测试结果。该模型为 816B 参数、42B 激活的 MoE,在 Artificial Analysis Intelligence Index 上得分 39。测试显示,NVIDIA B300 与 GB300 在吞吐优先配置下每兆瓦功耗均可达约 150M tokens/s;GB300 在 100 tok/s 输出速度下约 108M、B300 约 92M;AMD MI355X 在 65 tok/s 下为 70M tokens/s 每兆瓦。模型 62 层中有 46 层采用 2,048-token 滑动窗口注意力,使 1M 上下文下的 KV cache 需求较全注意力降低约 75%。Meta 发布了 NVFP4 checkpoint,AMD 发布了 MXFP4 checkpoint。目前尚无后续发展事实。
匹配字段标题
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%。
匹配字段标题