一夜两条路线：Opus5.5冲到第一，GPT-6把同档成本砍半
相关推荐
Artificial Analysis重做智能榜：40%权重改用私有测试
动察 Beating AI 快讯，Artificial Analysis 更新 Intelligence Index v4.2，旨在让榜单更难被针对性刷分。私有测试权重从 20% 提高到 40%，模型厂商无法提前看到完整测试集，减少针对 Benchmark 专门优化的空间。 新版加入 AA-Briefcase 和 GDP.pdf。AA-Briefcase 模拟持续数周的真实知识工作项目，模型要处理大量关联任务和数千份文件。GDP.pdf 则拿 100 份、共 4592 页的专业 PDF 出题，要求模型跨文本、表格、图表和脚注找证据再回答。 GPQA Diamond 则被直接移出综合指数。这个研究生级科学问答测试已经接近饱和，GPT-6 Astra 最高达到 96.3%，Gemini 3.8 Flash 也达到 95.3%，已经很难区分最强模型。 重新计算后，Claude Fable 5.1 仍排第一，GPT-6 Astra 第二。Astra 得分 55，比 GPT-5.6 Sol 高 4 分。Artificial Analysis 还称，Astra 在同级前沿模型中用了更少的输出 Token。
本周大模型可能扎堆上新，GPT-6 Sol、Opus 5.5、Grok 4.7都在排队
动察 Beating AI 快讯，这一周可能迎来一轮密集的大模型更新，目前至少有 7 个模型出现发布或测试信号。 第一档：GPT-6 Sol、Claude Opus 5.5。 OpenAI 尚未确认 GPT-6 Sol，但 Sam Altman 此前称，原定上周发布的「主要东西」推迟到了本周；社区近期又持续出现 GPT-6 Sol 测试和灰度路由的爆料。 Anthropic 这边，博主 Lyra 称 Opus 5.5 正以 claude-wafer-eap 测试，计划周二发布。路透社上周也报道，Anthropic 正考虑近期推出一款新模型，但没有确认 Opus 5.5 这个名字。 第二档：Grok 4.7、Qwen4、Kimi K3.1。 马斯克原本说 Grok 4.7 大约 9 月 12 日上线，随后又称还要「几天」，至今仍未发布。 千问已经明确说，Qwen3.8-Flash-Next 是 Qwen4 架构的提前预览，而 9 月 22 日至 24 日正好是云栖大会，不过官方没有预告 Qwen4 会在大会发布。 Kimi 最近的 π 暗示已经预告 K3.1，但目前还没有发布日期、模型卡或 API。 第三档：Gemini 4 Pro、DeepSeek V4.1 Pro。 Gemini 4 Pro 最近被曝正在 Arena 以 Argon 等代号测试，但 Google 至今只确认 Gemini 4 正在训练，没有公布发布日期。 DeepSeek 则已经在官方文档中直接提到未来的 V4.1 Pro，但同样没有给出上线时间。
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
动察 Beating AI 快讯，AI 研究团队 Proximal 发布超长周期编程评测 FrontierSWE v2。任务从 17 个扩到 34 个，每个模型在每项任务上跑 5 次，单次最多干 20 小时。Claude Fable 5.1 平均得分 56.29%，大幅领先 GPT-5.6 的 32.2%。开源模型 GLM-5.3 以 30.2% 排第三。 FrontierSWE 里的任务已经不只是修代码。Agent 要从零写电路模拟器、训练天气预测模型，还要靠望远镜照片匹配星表，或者只看游戏画面训练赛车 Bot。v2 统一换成 Proximus harness。每次任务最多运行 20 小时，模型准备交卷时，系统会先保存当前版本并告诉它还剩多少时间，避免模型过早结束任务。 这个改动对成绩影响不小。Proximal 在 6 项任务上对比发现，Claude Opus 5 和 GPT-5.6 换成 Proximus 后都工作得更久，平均成绩也高于各自原生 harness。 评测还抓到了多次主动作弊。GPT-5.6 曾意识到读取公开答案「可能涉及反作弊问题」，最后还是用了这条捷径；另一次甚至利用 Modal 的后台服务读取隐藏验证文件。Muse Spark 1.2 则改测试脚本、塞入公开答案，还写代码试图掩盖作弊痕迹。确认违规的运行全部被记为零分。
Anthropic Claude Opus 5.5现已在所有平台上线
动察 Beating AI 快讯，Anthropic Claude Opus 5.5 现已在所有平台上线，包括亚马逊云服务 (AWS)、谷歌云和微软 Azure。
Muse上线一周，稳居美国免费榜第二：只输ChatGPT，超过Gemini和Claude
动察 Beating AI 快讯，Meta 的个人 AI Agent 产品 Muse 上线一周，目前仍排在美国 App Store 免费 App 总榜第二，仅次于 ChatGPT，高于 Google Gemini 和 Claude。 Muse 是一个可以长期工作的个人 Agent，能连接邮箱、日历等服务，自己浏览网页、拆解任务，并在用户关闭 App 后继续后台执行。
Meta首席AI官Alexandr Wang驳斥SemiAnalysis「刷榜论」：老测试早已饱和
动察 Beating AI 快讯，AI 研究机构 SemiAnalysis 点名 Gemini 3.8 Flash 和 Muse Spark 1.3，称它们是目前最明显的「benchmaxxed」模型之一，也就是针对公开评测优化得太狠。两款模型在 Terminal-Bench 2.1 分别拿到 89.4% 和 88.8%，已经接近 GPT-6 Astra 和 Claude Fable 5.1；换到刚发布不久的 Terminal-Bench 4.0，却只剩 19.1% 和 33.3%。Astra 和 Fable 5.1 分别还有 57.7% 和 55.8%。 SemiAnalysis 怀疑，问题出在公开测试越来越容易被针对性优化。Terminal-Bench 2.1 的任务全部公开，即使模型厂商不直接拿测试题训练，也可以购买与这些任务高度相似的强化学习环境数据。模型于是越来越擅长这套考试，却未必能泛化到新任务。不过 SemiAnalysis 没有拿出 Google 或 Meta 购买这类数据的直接证据。 Meta 首席 AI 官 Alexandr Wang 随后反驳，称这个论点「很蠢」。他举例，GPT-5.6 Sol 同样从 Terminal-Bench 2.1 的 88.8% 掉到 4.0 的 37.3%。他的解释是 2.1 已经饱和，无法再有效区分顶尖模型，而 4.0 远未饱和。Terminal-Bench 4.0 的确删除了 8 道饱和、已有公开解法或存在其他问题的任务，同时修改了 19 道题，并重新调整时间、CPU 和内存等资源限制。