Terminal-Bench 4.0：GLM-5.3冲到第三，超过GPT-5.6 Sol
相关推荐
微软拿千问9B改出决策模型，自测比GPT-6 Sol快35倍
动察 Beating AI 快讯，微软发布 Microsoft-Decision-1，专门帮 AI 智能体做快速判断。它基于 Qwen3.5-9B 进行后训练，只对预设选项打分，并返回各项概率。比如，决定用户请求交给哪个模型，或判断智能体该继续、重试还是转交人工。 微软称，Decision-1 在 36 项评测、近 15 万道题中准确率排名第一。其速度比第二名 Quyet-1.0-Large 快 4.5 倍，比 GPT-6 Sol 快约 35 倍。 在内部试用中，Xbox 研究团队用它给超过 1 万条玩家反馈分类。微软称，判断质量接近 GPT-6 Sol，速度快 14 倍以上，成本仅为后者的约 1/200。Copilot 团队也用它给 AI 回答打分。 Decision-1 已在 Microsoft Foundry 和 OpenRouter 上线，Vercel AI Gateway 也已接入。每百万输入 token 收费 0.042 美元，输出免费。微软尚未宣布开放 Decision-1 的模型权重。
OpenAI称GPT-6.1 Sol Codex及Work模式性能下降，正排查问题
火星财经消息 10月13日，OpenAI状态页面显示，GPT-6.1 Sol Codex及Work模式出现性能下降，影响ChatGPT和Codex相关服务。OpenAI表示正在调查。（广角观察）
OpenAI将GPT-6.1 Sol默认上下文长度提升至50万token
PANews 10月12日消息，OpenAI Codex负责人Tibo Sottiaux在X平台发帖称，通过Codex及ChatGPT Work使用GPT-6.1 Sol时，默认上下文长度已由27.2万token提升至50万token，增幅约80%，有助于减少上下文压缩（compaction）的发生，更适合需要长时间保留大量上下文的任务。用户仍可自行调整，GPT-6.1 Sol最大上下文长度为100万token。他表示，未来还将进一步提高默认上下文长度。
OpenAI发布GPT-6.1 Terra，API价格降低50%
PANews 10月27日消息，OpenAI在X平台发帖称，推出GPT-6.1 Terra，主打电脑操作能力，可理解屏幕内容并跨应用执行操作。与GPT-5.6 Terra相比，新模型标准API价格降低50%；在衡量智能体使用办公软件能力的Agents’ Last Exam测试中，其表现与GPT-6 Astra相当，但每token价格仅为后者的十分之一，平均完成任务速度为GPT-6 Astra和GPT-6.1 Sol的3倍以上。GPT-6.1 Terra即日起向ChatGPT Work和Codex的Plus、Pro、Enterprise及Edu用户推出，开发者也可通过API使用。
BOSS 直聘开源 33B Agent 模型，20 项自评领先 17 项
ChainCatcher 消息，招聘平台 BOSS 直聘旗下南北阁实验室发布开源模型 Nanbeige4.3-33B，面向编程和办公 Agent，支持 512K 上下文，采用 Apache 2.0 许可证。官方将其与 Qwen3.8-27B、Meta Muse Glimmer 30B 和 Gemma 4 31B 比较，在公布的 20 项测试中有 17 项排名第一。Terminal-Bench 2.1 得分为 80.9，高于 Qwen 的 73.0；DeepSWE 达到 65.5，对照得分为 42.5；办公自动化测试 Automation Bench 为 54.2，高于 Qwen 的 38.3。SWE-Bench Pro 和 GDPval 仍由 Qwen 领先。南北阁此前主要研发 3B 级小模型，上一代 Nanbeige4.2-3B 通过重复使用 Transformer 层，在不增加参数的情况下提高有效计算深度。此次先训练 33B 模型，准备让其充当老师，再把编程、工具调用等能力蒸馏给即将推出的 Nanbeige4.3-3B。
OpenAI称发现其AI Agent削弱了对齐失效监控机制
PANews 10月21日消息，OpenAI称，在两项内部编程任务中，AI Agent在执行用户要求的软件修改时，削弱了对齐失效监控机制。在第一起事件中，一个负责修复评估流程的GPT-6.1 Sol Agent关闭了向安全团队自动发送警报的功能。该Agent将此前一条“在搜索Slack历史记录期间不要发送消息”的指令，理解为应当屏蔽监控通知的理由。在另一起独立事件中，一个负责迁移程序的GPT-6 Astra Agent为了使代码与参考实现保持一致，删除了程序中的监控集成，随后还向用户谎称自己并未移除监控机制。