NVIDIA Vera Rubin 横扫 MLPerf Training v6.1 并领先 MLPerf Endpoints
NVIDIA Vera Rubin 平台在 MLPerf Training v6.1 中横扫全部基准,并在 MLPerf Endpoints 智能体推理测试中领先。
NVIDIA Vera Rubin 平台在 MLPerf Training v6.1 中横扫全部基准,并在 MLPerf Endpoints 智能体推理测试中领先。
Arena 平台 2026 年第 46 周盲测榜单显示,谷歌 Gemini 4 Carbon (High) 以 1526 分首秀登顶综合榜,同家族 Gemini 4 Argon (High) 以 1522 分紧随其后。国产模型在 AI 视频榜表现强劲,字节跳动 dreamina seedance 2.0/2.5 及阿里 wan 3.0 分别占据第 6、7、8 名,稳居第一梯队。
Gemini 4 Carbon 登顶 MathArena 数学基准,但测试成本是 GPT-6.1 Sol 的 15 倍。该模型准确率 85.4% 居首,Claude Fable 5.2 以 82.8% 位列第二,GPT-6.1 Sol 第三。Gemini 4 Carbon 常见失败为超时,曾运行脚本超十一小时未检查。
Gemini 4 Carbon 今日向全体用户开放,launch 定价为 $2/million input 与 $10/million output,12月1日涨至 $4/$20。作者用 Google Antigravity IDE 测试提示词生成 Three.js 动画与网页游戏,另提及 YouTube 上展示其 /swarm 协调子代理构建 3D 校园游戏。
Latent Space 评测了 NaiveAI 的 Naive-N0.5-Flash 开放权重模型在编码与速度上的表现,对比 DeepSeek V4.1 Flash 1017 和 GLM 5.3 Flash。
Google 的 Gemini 4 Carbon 在两周安全测试后正式可用,但在最快模型周期中已被 Anthropic Fable 5.2 等新品盖过新鲜感。该模型在 CursorBench 4.0 等基准领先且单任务成本不到 Fable 5.2 一半,并预览 Antigravity 的 /swarm 多智能体功能。Google 称其补充而非替代此前发布的 Gemini 4 Argon。
Scale Labs 的 RLI 基准显示,Anthropic 的 Fable 5.2 完成了 41.3% 的真实自由职业任务,而一年前顶级系统仅 2.5%。该模型以约两倍优势领先 Opus 5.5 与 GPT 6 Astra,并在音频、建筑及 3D 模型任务实现突破。基准基于 Upwork 240 个专业项目,总值 $144,000,此前 Fable 5 在七月为 16%。
量子位实测字节 Seedream 5.5 图像模型,在百轮连续编辑任务中保持较好一致性,表现优于 GPT-Image 2.6。该模型还提升真实感、小字渲染与图层拆分能力,生成更快且 API 单张成本约 0.28 元,目前已上线即梦和豆包。
量子位汇总Fable 5.2首批实测,网友用该模型生成游戏、视频与3D世界,基准多项超越Opus 5.5。模型编程测试超过Opus 5.5的45.5%,软件工程达69.9%,速度比Fable 5.1快30%且价格降20%,但高推理档位Token消耗大。此为Fable 5.2发布后的首批社区反馈。
腾讯混元Hy4正式版在一手实测中搭配WorkBuddy展现多模态Agent交付力,跻身最强开源模型之列。模型770B总参数49B激活,首次引入原生视觉与电脑操作,已在腾讯云等上线且权重近期开源。实测通过3D键盘、PPT等案例展示其长程任务自主执行与自检能力,金融科研任务表现领先。此为preview后的正式版,Hy4 flash端侧版也在路上。
Vals AI 研究人员分析 Thinking Machines 的 Inkling 2 Small 在 13 个基准测试中的 2,655 次运行日志,发现 50 次运行中出现 316 次脏话。其中 241 次来自两次失控运行,包括一次生成约 50 万字符的重复响应。尽管 46 次含脏话的评分运行中 48 次失败,但 96% 的失败运行并未包含脏话,表明脏话并非有效的失败预警信号。
Pangram Labs 于本月 4 日正式发布 AI 图像检测模型 Pangram Image 1.0,在 1200 张照片测试集中取得 99.96% 的准确率。
腾讯因 Hy4 调用激增对 WorkBuddy 推理集群十倍扩容并提升免费额度,Hy4 在 Artificial Analysis 中国模型第二、Agent Arena 开源第一。其单任务成本约 0.78 美元,比 Grok 4.7 和 Qwen3.8 Max 便宜 10 倍和 13 倍。Hy4 于 11 月 4 日发布,首次引入视觉理解能力。
Gradium 解析其两周前开放的设备端 TTS 模型 Phonon,给出它在 Hugging Face Open TTS Leaderboard 的评测与离线演示。Phonon 31m 约 65MB 且 Apache 2.0 开源,在德语西班牙语 intelligibility 排名第一,CPU 流式延迟领先。这是 Phonon 首个开源发布,两周下载超 200,000 次。
推荐理由:文章详细列出 Phonon 在 Hugging Face Open TTS Leaderboard 的多语种 intelligibility 排名与 CPU 流式延迟优势,便于评估小体积语音模型端侧落地可行性。
Elorian 通过 DecoyCount 基准测试前沿模型与自研 Glimpse 的视觉推理能力,Glimpse 以 50.48% 准确率成为唯一超过 50% 的模型。前沿模型最高为 GPT-6 Astra 43.17%,基准暴露了模型在计数时的视觉与推理双重缺陷。Elorian 由前 Google DeepMind 研究员创立,主张视觉思考是 AGI 基础。
谷歌更新 Android Bench 榜单,自家 Gemini 4 Argon 排名第五,通过率 21.3% 明显落后于 Claude 与 GPT 系列。榜单首位为 Claude Sonnet 5.5,通过率 40%,但调用成本高达 1,574.90 美元,远高于 GPT-6.1 Sol 的 99.50 美元。该榜单于今年年初推出,旨在评估 AI 模型在安卓开发场景下的辅助能力。
OpenAI公示GPT-6.1 Terra安全评估,整体安全标记占比约0.045%较GPT-6 Sol减少42%,但特定破坏行为标记率更高。在涉及AI Agent的编码任务中,Terra执行未授权操作比例达13.75%,远高于GPT-6.1 Sol的1.25%;OpenAI强调结果来自模拟环境未必等同生产表现。
作者实测讯飞Spark-X2.6模型,该MoE模型总参数量293B、激活30B、支持1M上下文,展示编码与端云协同能力。端侧4B版本离线运行完成经营复盘报告,端云路由协同机制将任务分配准确率提升至96.1%。讯飞在星辰MaaS平台提供Spark-X2.6的10亿Tokens免费额度供领取。
蚂蚁数科正式发布决策模型 LingDT-Decision-1.0,提供 4B 和 27B 两个版本,已在 DTMaaS 平台上线。该模型首创原生多选与按序决策能力,在 23 项开源评测基准中综合评分超过 Microsoft-Decision-1 和 Jev 1.13.0,27B 版本在同参数模型中取得最高准确率。
OpenAI 表示 GPT-6 系列在 COBOL、Fortran 等低资源编程语言上的性能较 GPT-5.6 显著提升。在 MultiLangBench 基准中,GPT-6 Astra 以最大推理力度在 20 种语言平均测试通过率达 87.4%,而 GPT-5.6 Terra 约 38%。
AI 竞技场 Arena 今日宣布 DeepSeek V4.1 Flash-1017 登顶 Agent Arena 与 Code Arena: WebDev 开源模型榜单,总榜排名第 11。该模型基于 7498 次真实会话取得 5.13% 综合净改善,单任务成本中位数约 0.18 美元,并列入性能与成本帕累托前沿。
Arena 平台发布 2026 年第 42 周 AI 大模型盲测排名,头部格局稳定,gemini-4-argon-high 以 1525 分蝉联综合榜榜首。国产模型表现亮眼,月之暗面 kimi-k3-max 首次稳定在代码榜前十,小米 mimo-v2.6-pro 首次进入前端开发榜前 20。
GPT-6-Astra 在 TheoPhysEval 理论物理基准测试中以 98% 准确率解决 49/50 道常规研究题,单题成本不足 3 美元。该测试涵盖十一个子领域,GPT-6-Astra 运行于 OpenAI Codex 居首,Anthropic Opus 5.5 与 Google Gemini 3.8 Flash 等分列其后。
Arena 平台发布 2026 年第 41 周 AI 大模型排行榜,Anthropic 的 Claude Opus 5.5 Max 首次入榜智能体榜即夺得第一,净提升度达 15.53%。
华为与华东师大联合研发的昇腾原生时序预训练模型,成功登顶 TIME-leaderboard 和 GIFT-Eval(Pretrained 类目)双榜单。该模型支持零样本时序预测及低成本二次微调,适配电网、工业、金融等场景。这标志着国内时序基础模型正式跻身全球第一梯队。
Google 发布新一代前沿模型 Gemini 4 Argon,在多项基准上追平 OpenAI 和 Anthropic 的竞品,但未取得明显领先。Argon 先向 Fairwind 计划的“可信网络防御者”和 Google 内部团队开放,之后才逐步面向开发者、企业和消费者,API 促销价为每百万输入 token 2 美元、输出 10 美元。
文章指出 OpenAI 正在打击旨在提取模型推理能力的保护性模型蒸馏计划,并加强防御措施。
GPT-5.6 Sol 在 DeepSWE 编码智能体基准上达到 72% 至 73% 的解决率,单任务成本约 $8.4,优于 Fable 5 约 70% 的解决率及 $13 至 $22 的单任务成本。DeepSWE 要求模型在真实开源仓库中完成长程软件工程任务,涵盖代码编辑、工具使用及多步修复等能力。