20小时编程评测拉开差距:Claude Fable 5.1领先GPT-5.6超24分,GLM-5.3排第三
相关推荐
AI网络安全榜爆冷:GPT-6、Claude旗舰因安全拒答掉队,小米MiMo追平Grok登顶
动察 Beating AI 快讯,Artificial Analysis 推出独立的 Cyber Index,专门评测 AI Agent 做企业网络防御的能力。它不是从原来的通用 Intelligence Index 里抽几项测试,而是另外采用 CWE-Bench-AA、DeepsecBench-AA 和 CyberGym-E2E-AA 三项网络安全评测,分别测试漏洞审计与修补、漏洞发现,以及从发现漏洞到复现并修补的完整流程,三项各占三分之一。 首批榜单中,Grok 4.7(xhigh)和小米 MiMo-V2.6-Pro 同为 56 分,GPT-6 Luna(max)53 分,GLM-5.3-Flash 50 分。MiMo 平均每个任务成本只有 0.18 美元,Grok 4.7 要 11.67 美元;Luna 更低,只要 0.12 美元。 不过,这张榜不能简单理解成模型本身的网络安全能力排名。GPT-6 Sol、GPT-6 Astra 和 Claude Opus 5.5 都参加了测试,但在 CyberGym-E2E-AA 上几乎全部拒答,其中 Sol 和 Astra 拒绝全部任务,Opus 5.5 拒绝 98%。拒答直接记 0 分,Luna 反而愿意继续完成这些任务,所以综合成绩更高。Artificial Analysis 也表示,大量拒答让这些前沿模型的实际能力很难判断。 GLM-5.3 也出现了明显反常。完整版在 Artificial Analysis 的通用能力榜上高于 Flash,但这次 Cyber Index 只有 36 分,Flash 达到 50 分。主要差距来自 CyberGym-E2E-AA:Flash 得到 74%,完整版只有 29%。Artificial Analysis 暂未解释这一差距的原因。
智谱新模型被曝最高 3.5 万亿参数,有望达 Claude Fable 级别
火星财经消息,据动察 Beating AI 快讯,一份在投资社区流传的专家访谈纪要称,人工智能公司智谱下一代基座模型并非此前传闻的 1.6 万亿参数,而是 2.5 万亿至 3.5 万亿参数。智谱今年 8 月发布的 GLM-5.3 仍沿用上一代基座,总参数约 7440 亿;若消息属实,新基座规模约为现款的 3.4 至 4.7 倍。纪要还称,训练并不顺利,智谱采用了更激进的模型架构,预训练期间一度出现 Loss 不降,即持续投入算力但训练指标无法继续改善。受访者认为问题最近应已解决,预计很快完成训练,并预测新模型能达到 Claude Fable 级别的旗舰水平。纪要另称,新模型从架构设计阶段就把推理速度和成本作为硬约束,目标是发布首日即可大规模提供服务。同时,已有多家云厂商洽谈收入分成,以应对大模型发得出、供不上的问题。
AI订阅大摸底:Claude补贴比国产Coding Plan还狠
动察 Beating AI 快讯,SemiAnalysis 把 OpenAI、Anthropic、Meta、SpaceXAI、MiniMax、月之暗面、智谱、Cursor 和 Cognition 的 AI 订阅套餐逐个测了一遍。它分别测试输入、缓存写入、缓存读取和输出会消耗多少订阅额度,再按自己 9 月的 Agent 使用结构计算,其中约 96.6% 是缓存读取。最后再套用各家的 API 标价,看同样一批 token 如果直接走 API,需要花多少钱。SemiAnalysis 将这个数字称为「API 等价价值」。 Claude 的 Sonnet 和 Opus 补贴最狠。同样每月 200 美元的 Max 20x,使用 Sonnet 5.5 最多可跑出约 12,529 美元的 API 用量,相当于月费的 62.6 倍;Opus 5.5 约为 11,726 美元,相当于 58.6 倍。换成更贵的旗舰模型 Fable 5.1,却只剩 2,485 美元,也就是 12.4 倍。同一个套餐能差近 5 倍,因为不同模型和不同类型的 token,扣掉后台额度的速度并不一样。Anthropic 给 Sonnet 和 Opus 留了大量额度,对 Fable 则明显收紧。 国产 Coding Plan 同样大量补贴重度用户,但力度仍追不上 Claude。SemiAnalysis 测得,132 美元的 MiniMax Token Ultra 可折算约 3,088 美元 MiniMax-M3 API 用量,相当于月费的 23.4 倍;168 美元的智谱 GLM Coding Max 约为 11.6 倍;199 美元的 Kimi Code Ultra 约为 6.7 倍。即使是其中最高的 MiniMax,每美元折算价值也只有 Claude Sonnet、Opus 的四成左右。 OpenAI 最近反而开始主动收紧补贴。新购 Pro 200 的各档模型 token 额度被直接减半,此前购买的套餐可暂时保留旧额度到 10 月 29 日。现在 200 美元 ChatGPT Pro 使用 GPT-6.1 Sol,折算价值约 2,084 美元,相当于月费的 10.4 倍;同价 Claude Opus 是它的 5.6 倍。即使撇开两款模型 API 单价的差异,只算实际 token,两者也是约 286 亿对 102 亿,Claude 仍多 2.8 倍。 但到
PSI 借助 GPT 与 Claude 公布 5 项量子研究成果
ChainCatcher 消息,AI 物理实验室 Physical Superintelligence(PSI)宣布,借助 GPT-6 Astra、Claude 等模型,在 5 道长期悬而未决的量子信息难题上取得新进展,并公开论文、证明代码和验证材料。研究过程中,物理学家负责指导和核验,相关模型参与推导,团队还让 Codex、Claude Code 中的 AI Agent 编写 Lean 形式化证明,由计算机检查推理是否成立。其中一项研究证明,在特定量子场中,即使两个区域相隔很远,量子纠缠依然存在,但距离超过一定范围后,就无法再通过 CHSH 贝尔不等式检验出非局域关联。另一项研究证明,某类量子操作连续进行足够多次后,一定会破坏纠缠。这 5 项成果并非全部彻底解决了原来的难题,部分结论只适用于特定条件,仍有问题尚未解决。
FLock「这那模型」获 Qwen 官方支持,联合阿里云实现性能突破,决策测试超越 GPT-5.6、Claude Opus 5
Foresight News 消息,去中心化 AI 平台 FLock.io 旗下开源决策模型 THIS / THAT「这那模型」获得阿里巴巴 Qwen 官方认可与宣发支持。该模型基于 Qwen3.5 2B 构建,利用 Qwen Max 生成训练数据,并结合 FLock Research Team 在自然语言处理领域国际学术会议 ACL 2026 上发表的 GraphSynth 和 CircuitSynth 两项研究成果,在阿里云平台完成训练。此前,FLock 已与 Qwen、阿里云建立长期技术与生态合作关系,并曾联合 Qwen 在韩国高校举办 AI Hackathon,持续推动 AI 技术创新与开发者生态建设。 据团队公布的测试结果,THIS / THAT Model 1.2 在 1710 道复杂决策测试中成功率达到 87.8%,较 1.0 版本的 40.6% 大幅提升,并超过 GPT-5.6(81.6%)和 Claude Opus 5(83.4%)。模型仅有 18.8 亿参数,无需生成输出 Token,单次决策延迟约 31.4 毫秒,可在本地设备运行,适用于 AI Agent、企业 AI 及自动化工作流等场景。 FLock.io 表示,此次模型成果进一步展示了 FLock 在原创 AI 研究、数据合成及高性能专用模型训练方面的技术实力,也是 FLock 与 Qwen、阿里云长期技术及生态合作的又一重要成果。未来,双方将继续探索高效、隐私保护型 AI 模型在更多实际场景中的应用。
a16z发布第七版消费级AI应用榜:ChatGPT仍居首,Claude网页端升至第三
Odaily星球日报讯 a16z 发布第七版 Top 100 消费级 AI 应用榜单,ChatGPT 继续位居榜首,移动端月活跃用户突破 10 亿;Claude 网页端排名升至第三,月访问量接近 10 亿。 本次榜单首次新增收入排名,与网页端及移动端流量排名并列。其中,按月收入计算,前五名依次为 OpenAI、Anthropic、Canva、Superhuman 和 Higgsfield。由于无法将 Gemini 收入与谷歌其他消费业务可靠区分,Gemini 未被纳入收入榜单。 a16z 指出,相较三年前首版榜单主要由聊天机器人和图像生成工具构成,如今消费级 AI 应用已扩展至编程、音乐、设计、语音、视频、Agent 及智能硬件等多个领域。