在衡量长程软件工程能力的DeepSWE v1.1测试、评估金融、编程、法律和税务等企业知识工作的Vals Index、测试企业端到端自动化执行能力的AutomationBench，以及考察长视频理解能力的…...
倒是谷歌内部对新一代旗舰模型的态度还挺有意思的。 官方还重点强调了Argon的防御性网络安全优势。 一些接触过Gemini 4的员工认为，模型在实际编程任务中并没有跑分那么亮眼，网页和应用的前端界面设计仍是…...
Kimi开始拿「K3.1」疯狂打哑谜，DeepSeek下一张Pro牌已经提前写进官方文档，Qwen4也直接亮出了新架构。该来的、可能来的、偷偷摸摸已经在考场里的，全赶到了一块儿。 结果也因此在Reddit…...
在这项测试上，Opus 5.5 拿到 40.0%，GPT-6 Sol 最好的成绩是 xhigh 档的 33.2%，差了将近 7 个百分点，而且Anthropic 注明，Opus 5.5 这次是在不启用备用模…...
A：动态工作流（Dynamic Workflows）是Anthropic与Opus4.8同步推出的新功能，目前以研究预览版形式开放。Anthropic在Opus 4.8发布公告中表示，公司正加快推进相关安…...
antirez 的回应是，问题不在于是否透明，而在于如果 Anthropic 明知道 GPT-5.5 在编码上比 Opus 4.7 强得多，即使后者在某些基准测试中得分更高，却仍然把这些数字呈现为“模型更强”…...
Anthropic在官方迁移指南中指出，Opus 4.7 相比4.6存在若干行为变化，同时也强调，Opus 4.7仍是其当前综合能力最强的通用可用模型，在长周期智能体任务、知识型工作、视觉任务和记忆任务方面…...
在Artificial Analysis的测试中，Muse Spark拿下了高达52分的战绩，仅次于Gemini 3.1Pro、GPT-5.4和Opus 4.6。 Meta自己也承认了，在代码和长时间Ag…...
这意味着Gemini 3.1 Pro在代码生成、调试和优化等方面已经具备了与顶尖模型相媲美的能力，能够为开发者提供更强大的支持。其推理性能的翻倍、代码能力的提升以及多源数据综合和复杂任务拆解的优势，为人工智能…...
Claude Opus 4.6的规划更缜密，能更持久地执行AI Agent任务，在超大规模代码库中运行也更加可靠。 这种能力延伸到了长上下文任务中，它可以在数十万Token中保存和跟踪信息，且漂移更少，并且…...
