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
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。
一夜两条路线：Opus5.5冲到第一，GPT-6把同档成本砍半
动察 Beating AI 快讯，Artificial Analysis 完成对昨夜几款新模型的第三方实测。Claude Opus 5.5 max 在 Intelligence Index v4.3 拿到 58 分，目前排名第一。GPT-6 Astra 和 Fable 5.1 都是 53 分，Opus 5 为 51 分。Opus 5.5 在 10 项评测里拿下 6 项最高分。 但这个最高分也用了更多 token。Opus 5.5 max 每项任务平均输出约 11.9 万 tokens，比 Opus 5 的 7.3 万多约 60%。靠 API 降价 20% 和缓存读取降价 60%，单任务成本最终为 5.98 美元，和 Opus 5 的 5.86 美元基本持平。更实用的 medium 档拿到 51 分，已经追平 Opus 5 max，单任务成本只有 1.34 美元。 OpenAI 走的则是另一条路。GPT-6 Sol 和 Luna 的 Intelligence Index 表现与 GPT-5.6 前代接近，但价格明显下降。Sol max 每项任务成本从 1.99 美元降到 1.06 美元，Luna 从 0.18 美元降到 0.07 美元。编码 Agent 评测里，Sol 从 55 分升到 57 分，成本也下降约一半；Luna 从 43 分降到 41 分，但单任务成本低约 60%。 两家的路线已经开始出现分化：Opus 5.5 用更多推理把能力上限推到新高，GPT-6 Sol 和 Luna 则主要把原有能力做得更便宜。 在 Artificial Analysis 的性能/成本图上，两家的新模型都占据了新的 Pareto 前沿。
FLock 发布「这那模型」1.1 版本，决策成功率提升至 77.5%
Foresight News 消息，FLock 发布 THIS / THAT model 1.1（「这那模型」）。据团队公布的 1,710 道复杂决策测试，新版本成功率由 40.6% 提升至 77.5%，高于同期 GLM-5.3、Kimi K3 及 DeepSeek V4.1 Flash、V4 Pro；此前 68 题决策测试则实现全部答对。 在该测试涵盖的 19 类任务中，4 类同时超过 GPT-5.6 与 Claude Opus 5，另 2 类达到 100% 成功率，追平两者中的最佳成绩。其中，「预算内选择最优组合」专项成功率达 67.8%，约为 GPT-5.6 的 4 倍、Claude Opus 5 的 5 倍。上述优势限于相关专项任务，不代表通用能力排名。 新版本仍维持 18.8 亿参数、零生成 Token 及约 30.9 毫秒测试延迟，团队称此次跃升来自训练数据优化，而非扩大模型规模。 据团队介绍，FLock 在 1.0 发布后仅一天内便推出 1.1 升级，在保持模型规模与推理延迟不变的同时实现性能跃升。
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。
Anthropic 发布 Claude Sonnet 5.5，编程成绩超过 Opus 5.5
ChainCatcher 消息，Anthropic 于本周一发布 Claude Sonnet 5.5，作为今年 6 月推出的 Sonnet 5 的升级版本。官方称该中端模型运行速度较上一代提升超过 30%，在范围明确的日常任务、修复缺陷以及制作文档、幻灯片和表格方面表现最强，同时具备敏锐的设计能力。其定价维持每百万输入 token 2 美元、每百万输出 token 10 美元，为 Opus 5.5 的一半，且每个任务消耗的 token 较 Sonnet 5 减少近三分之一。在 Terminal-Bench 4 测试中，Sonnet 5.5 得分 70.6%，高于 Opus 5.5 的 66.4%，Sonnet 5 仅为 10.3%。独立测试机构 Artificial Analysis 的结果同样显示其领先，分别录得 63.6% 与 59.6%，OpenAI 的 GPT-6 Astra 为 59.1%。在评估 44 类职业真实工作表现的 GDPval-AA 上，Sonnet 5.5 获 1844 分，与 Opus 5.5 的 1846 分基本持平，GPT-6 Sol 为 1487 分。
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。