谷歌第七代 Ironwood TPU 在 MLPerf Training v6.1 中完成 DeepSeek-V3 预训练测试
谷歌云在 MLPerf Training v6.1 基准测试中提交结果,8192 颗第七代 Ironwood TPU 用时 102 秒完成 DeepSeek-V3 671B 预训练达标。该配置相比 2048 颗提速约 2.96 倍,4096 颗配置扩展效率达 96%。同轮测试中,英伟达 10240 颗 GB300 GPU 集群以 82.8 秒创下该项目最短用时。
谷歌云在 MLPerf Training v6.1 基准测试中提交结果,8192 颗第七代 Ironwood TPU 用时 102 秒完成 DeepSeek-V3 671B 预训练达标。该配置相比 2048 颗提速约 2.96 倍,4096 颗配置扩展效率达 96%。同轮测试中,英伟达 10240 颗 GB300 GPU 集群以 82.8 秒创下该项目最短用时。
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。
谷歌首次公开 GPT-6.1 Terra、Kimi K3.1 Pro 及 DeepSeek V4.1 Flash 在 Android Bench 的跑分。Kimi K3.1 Pro 通过率为 24.0%,单次运行成本 317.4 美元;DeepSeek V4.1 Flash 通过率 17.3%,成本仅 9.9 美元。这是该基准首次纳入这三款模型的成绩。
Amazon Bedrock AgentCore 提供内置、DeepEval 和 AutoEval 三类评测器,用于评估智能体在任务完成、工具调用及安全合规方面的表现。该方案支持从业务结果定义成功标准,并将其映射到 Trace 或 Session 级别的观测行为,帮助团队在部署前验证智能体是否真正满足业务需求。
谷歌联合 Artificial Analysis 推出多模态知识智能体基准测试 MKA,用于评估 AI 智能体处理视觉复杂文件及完成现实知识工作任务的能力。Gemini 4 Carbon 在该测试中质量排名第二,平均任务成本仅为排名第一模型的六分之一。该基准包含 200 项任务,覆盖 10 个行业,目前已通过 Artificial Analysis 平台开放。
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%。
量子位实测千问办公2.0,演示Team Agent如何关联钉钉多群与资料空间,自动汇总选题进度并设定时提醒。产品还提供人机共创、自动任务与三端互联,定位为持续跟进项目的AI项目经理。相较6月Anthropic的Claude Tag,它将Agent原生融入团队办公流。
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。
Latent Space 与 Handshake AI 团队通过播客演示金融、生物与对齐等 agent 基准,显示模型在专项任务上仍远落后人类。Handshake 的 AI 训练业务约一年内从发布增至 $1 billion 年化收入,演示含 ATLAS-Finance 代理处理银行邮件错漏、VIALS 脑切片识别误加等。这是 Latent Space 首次与 AI 数据公司深潜。
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。
量子位评测了AFK AI的Comma,一款单Router多Worker架构、支持跨App接活与长期学习的开源Agent产品。其早于DeepSeek提出的Super-agent理念,已于9月30日正式开源,用户在一个对话框即可调度多个Worker并行执行任务。该架构源自团队4月发布的Bridge前身,近半年逐步落地。
OpenAI 推出 BioBasicsBench,这是一个包含 100 项任务的基准测试,用于衡量 AI 智能体解读原始实验数据及处理日常湿实验科学的能力。
Open ASR Leaderboard 与 Liva AI 合作新增埃及和尼日利亚英语私有数据集,时长分别为 1.34 小时和 1.55 小时。榜单现基于 Kachru 三圈模型报告美国与非美国、内圈与外圈及扩展圈的细分表现。此前该榜单已引入 Appen、DataOceanAI 及 Voice Arena 提供的多口音私有数据。
记者体验了 Tau Robotics 的人形机器人清洁服务,发现当前机器人需人类远程操控且动作笨拙,但能完成厨房与马桶清洁。Tau 以30至60美元价格收集真实数据训练自主模型,部分任务如吸尘已可无人协助。该机器人仍处于测试阶段,公司迄今仅完成数百次清洁。
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。
360自研AI安全攻防系统图龙锋在CyberGym榜单以99.4%漏洞复现成功率登顶全球第一。该系统采用安全领域大模型与专业智能体蜂群技术,今年6月发布以来已发现超1.5万个漏洞。此前该榜单最佳组合成功率仅11.9%。
SemiAnalysis 发布 GDPx 基准,将 AI 智能体放入模拟工作环境执行 206 项跨 11 领域任务,所有模型得分均未超 12%。Claude Opus 5.5 以 12% 领先,Gemini 4 Carbon 以约三分之一成本获 10.9%,GPT-6 Astra 为 9.6%。该基准因任务封闭和评分方式受质疑,但可防止模型针对测试过拟合。
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。
AINews 指出 Weight Space Programming 论文虽存在夸大,但前沿 LLM 直接编辑权重已获独立复现,GPT-6 Astra 将 Qwen3.5-0.8B 的 MATH-500 分数从 7.9% 提升至 48.1%。
Amazon Bedrock AgentCore Evaluations 支持通过代码评估器集成 Jev 和 Strands Decider 2B 等决策模型。这些模型针对固定选项返回校准概率,适用于策略合规等窄范围检查,可作为内置 LLM-as-a-judge 评估器的筛选层。
Victoria Song 佩戴 Amazon Bee Frontier 始终录音 AI 可穿戴设备三周,发现转录摘要频繁出错并引发自我怀疑,治疗师建议扔出窗外。设备可听对话转录并整合日历照片,但常误判内容如虚构六只猫名或错误总结创伤事件。这是她继去年初测试 Bee 后的后续体验。
TechCrunch 作者 Sarah Perez 实测了 Apple Watch 的 Siri Recaps 功能,认为其自动摘要对话有用但带来常驻监听的不安感。
新开源基准 CloudOpsBench 1.0 包含 45 个 AWS 任务,用于评估 AI 智能体处理 DevOps 任务的能力。Claude Fable 5.1 解决率为 60%,GPT-6 Astra 为 53%,但无模型能完成所有任务。约 80% 的失败源于推理错误,如误判任务范围或过早停止,而非知识缺乏。
IT之家发布视频实测 Apple 智能国行版本的标题,称千问撑起了一片天。正文仅重复标题并引导关注视频号。
Simon Willison 在笔记本上运行 Qwen 3.8 27B,仅从浮点权重复现了识别强化学习训练游戏的实验。该 17GB 模型在 Pac-Man、Pong、Breakout 提示下返回正确游戏与置信度,Freeway 失败,作者给出了 LM Studio 命令与推理痕迹。
OpenAI 发布 LifeVal 基准,旨在衡量 AI 模型协助普通人完成日常事务的能力。该基准覆盖照护、健康、财务等场景,公开示例显示“为孩子找幼儿园”任务得分 93.1%,“组织防洪志愿者”得分 98.0%。目前 LifeVal 仍为 OpenAI 内部评估,外界尚未获得完整任务集及评分代码。
OpenAI 推出 LifeVal 基准测试,用于衡量 AI 协助人们完成日常任务的能力。该测试涵盖寻找托儿服务、管理财务及处理政府文书等场景。
研究人员构建 Realtime-Bench 评估 AI 在实时交互任务中的表现,结果显示 GPT-6 Astra 在真实延迟条件下通过率仅为 36%。该基准包含 50 个游戏与网页任务,旨在测试模型的时间感知、自适应推理及动作选择能力。相比之下,在暂停时钟模式下,高推理能力模型的成功率可接近 70% 至 80%。
Nolan Lawson 使用 Opus 5.5 驱动 Claude Code 构建相同 Pokémon 应用,对 12 个 JS 框架做基准测试,比较了 token 成本与 Lighthouse 性能。
作者Sean Hollister用50美元Meta官方认可的Waveshare ESP32-S3套件,借Claude Code自制出带AI对话与Tamagotchi小游戏的随身设备。原devkit功能残缺,经Claude添加ElevenLabs语音、远程拍照、多头像和口袋手表面等。他指出专用硬件价值在可自由编程,而非Muse模型,并猜想Meta Muse Charm出货后是否同样开放可编程。
Microsoft 构建了行业评估数据生成平台,利用 O*NET、在线招聘及 SEC 文件等公开数据生成全规模合成企业环境,以解决真实数据敏感性与评估需求间的矛盾。该平台通过模拟动态组织结构和自动化查询管道,建立了 Microsoft Copilot 的首个标准化评估基准,确保在完全不接触客户数据的前提下验证 AI 系统的准确性与安全性。
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。