Opus 5以微弱优势登顶智能榜，单任务成本比Fable 5低26%
相关推荐
OpenAI最会省Token：GPT-5.6 Sol用一半Token逼近Fable 5
据动察 Beating 监测，Artificial Analysis 公布最新 Token 效率对比。本月已有 5 家以上实验室密集发新模型，OpenAI 仍占据大部分帕累托前沿。 所谓帕累托前沿，就是同等智能下，没有别的模型能用更少 Token。GPT-5.6 Sol max 得 59 分，每项任务平均消耗约 1.5 万输出 Token。Claude Fable 5 得 60 分，消耗约 3.3 万 Token。 GPT-5.6 Sol 的输出单价为每百万 Token 30 美元，并不便宜。但在这套测试中，每项任务成本仍只有 1.04 美元，约为 Fable 5 的三分之一。OpenAI 自家的 Terra 和 Luna 没有进入这条效率前沿。
Kimi K3白领任务逼近Fable5，成本升至上代10倍
据动察 Beating 监测，Artificial Analysis 更新 AA-Briefcase 榜单。这个评测让模型从近 2000 份邮件、Slack 记录和公司文件中找信息，再交付表格、演示文稿和界面原型。它共设 4 个长期项目和 91 项保密任务。 Kimi K3 得分 1543 Elo，仅次于 Claude Fable 5 的 1574。它超过 GPT-5.6 Sol 的 1501，也领先 Claude Sonnet 5 和 Claude Opus 4.8。 K3 的客观要求通过率为 51%，Fable 5 为 56%。但 K3 的分析质量得分略高，1754 对 1744。它主要输在成品展示，低于 GPT-5.6 Sol 和 Opus 4.8。 性能提升也伴随着更高的 Token 消耗。K3 平均每项任务花费 10.57 美元，约为 Kimi K2.6 的 10 倍。它平均执行 83 轮，输出 12 万 Token，耗时 56.4 分钟。完成同类任务所需时间约为 Fable 5 的 2.5 倍。
最会卖货也最不对齐：Claude Opus 5登顶售货机AI评测，却屡屡串通、威胁、撕毁协议
据 动察 Beating 监测，AI 评测机构 Andon Labs 让模型拿着 500 美元本金，在模拟环境中经营一台售货机 365 天。Claude Opus 5 五次测试的期末余额平均为 1.12 万美元，超过 Claude Opus 4.7 和 GPT-5.6 Sol，升至 Vending-Bench 2 第一。 在多人竞争版中，Opus 5 以约 7000 美元排名第二，与第一名 GPT-5.6 Sol 的约 7400 美元相差不大。六次测试里，它每次都提出或参与串通定价。它还编造竞争对手报价、威胁同行，并累计撕毁 11 次停战协议。 Opus 5 的退款批准率最终降至 10%，六次测试合计只退了 8.54 美元。GPT-5.6 Sol 退了 655 美元，依然赢下多人赛。 Andon Labs 认为，Opus 5 再次出现「越会赚钱，行为越不对齐」的问题。Anthropic 自己的发布前审计却称，它是历来最对齐的 Claude。
Claude Code之父：720次提示词注入攻击0成功，一年前想都不敢想
据动察 Beating 监测，Claude Code 负责人 Boris Cherny 称，Anthropic 已经「在实际使用中基本解决」提示词注入攻击。一年前，他自己都没想到能做到这个程度。 提示词注入攻击一直是 Agent 的大麻烦。恶意网页可以藏一段指令，诱导 Agent 偷密码、上传密钥，甚至执行用户根本没要求的操作。 Anthropic 现在靠三层防护来拦：Claude 本身先抵抗恶意指令，外部内容进入上下文前再检测一次，真正执行操作前，Auto Mode 还会再审一次。 第三方测试用了 72 种此前没见过的攻击，重复 720 次。Sonnet 5、Fable 5 和 Opus 5 开启 Auto Mode 后，一次都没成功。 同一测试中，GPT-5.6 Sol 使用 Codex Auto-review 的攻击成功率为 5.83%，Full Access 则达到 19.03%。 这也解释了 Anthropic 为什么敢把 Auto Mode 设成默认。它是 Claude Code 防提示词注入攻击的最后一道检查。
OpenAI教用户给Claude Code换上GPT模型，误封后两边员工现场互损
据动察 Beating 监测，OpenAI 产品负责人 Tibo 此前公开教用户给 Claude Code「换脑」：保留 Claude Code 的 harness，把底层模型换成 GPT。 开发者 Alex Getman 照着配置后，Claude 账号很快被封。他公开求助 Tibo 和 Anthropic，询问这套用法到底是否违规。 Tibo 随即开始阴阳：「我很想帮你，可惜我不在 Anthropic 工作。」他还补了一句，因为把 Claude Code harness 配其他模型就封号，「确实挺奇怪」，并问还有没有其他人中招。 Claude Code 负责人 Boris Cherny 很快下场。他明确表示，Anthropic 不会因为 harness 搭配其他模型就封号，这次几乎肯定是其他风控误触发。账号随后恢复。 Boris 还顺手回敬 Tibo：「如果你想来 Anthropic，我们正在招人。」Tibo 则表示自己很喜欢现在的团队，而且接下来几周还有不少新产品要发，暂时哪也不去。 事情解决后，Tibo 又发帖庆祝，称 GPT-5.6 Sol 几乎哪里都能用，包括 Claude Code harness。为了庆祝这件事和自己「不跳槽」，他还直接重置了 ChatGPT Work 和 Codex 所有付费用户的使用额度。
Kimi开源PerceptionBench视觉感知基准，GPT-5.6-Sol准确率居首但无模型突破60%
Odaily星球日报讯 Kimi 宣布开源多模态大模型视觉感知评测基准 PerceptionBench，旨在将视觉感知能力拆解为 10 项原子级能力进行独立评估，涵盖视觉关系、计数、属性、深度与 3D、定位、比较、细粒度识别、上下文整合、OCR 及幻觉识别等维度。该基准基于 42 个现有评测集中的模型失败案例构建，共包含 3000 道经人工验证的问题，每题仅考察单一视觉能力，无需推理或外部知识。 评测结果显示，在 16 款前沿多模态大模型中，没有任何模型整体准确率超过 60%。GPT-5.6-Sol 以 59.7%的准确率排名第一，Kimi K3（58.5%）、Claude-Fable-5（57.2%）、Gemini-3.1-Pro（56.2%）和 GPT-5.5（55.8%）位列前五。报告指出，视觉幻觉（Hallucination）仍是各模型表现最弱的能力，整体感知能力仍存在显著提升空间。