评估与原理近期动态
Meta 的 JEM：补丁级自监督学习，称可比 DINOv3
论文推荐账号 iScienceLuvr 介绍 Meta 研究者的论文《Scalable Patch-Level Self-Supervised Learning》，提出学生—教师式的自监督方法 JEM，称结构简单，效果可与 DINOv2、DINOv3 相比。
X 帖子
01
在什么任务上值得尝试？
02
评测与实际工作有什么差别？
03
旧判断的哪些条件已经改变？
从原始来源继续读
X 收藏与一手资料，保留原始日期和阅读范围。
评估与原理近期动态
GPT-6.1 Terra 发布：主打更便宜的电脑操作
OpenAI 官方发布 GPT-6.1 Terra，称它能看懂屏幕、跨应用操作，写作更自然，并以更低价格提供快速的电脑操作能力。具体价格、上下文长度和评测数据节选里没有。
X 帖子
评估与原理资源入口
Code2Video-AA：用代码做营销视频的独立评测
Artificial Analysis 推出 Code2Video-AA，是对 HeyGen 的 Code2Video Bench 的独立实现，评测模型用代码生成产品和品牌营销视频的能力，共 114 个设计需求。评分方式和首批排名节选没有。
X 帖子
评估与原理近期动态
从 vLLM 合并的内核代码推测 Qwen4-27B 架构（传闻）
一位安全研究者称，Intel 给 vLLM 合并的 XPU 内核里出现了尚未发布的稠密 Qwen4-27B 优化，包括 1～2 卡 INT4、4 个草稿 token 的 MTP 和 FP8 双卡张量并行；他据此推测这个模型不需要 MoE 集群就能跑。
X 帖子
评估与原理观点观察
Agent4Sci：科研 agent 会把常见技巧当成新想法
一位 Anthropic 员工用中文介绍 Anthropic 新论文 Agent4Sci：把 Claude Code、Codex、Gemini 放进 20 个真实的 ML for Science 任务，发现 agent 实验做得越来越好，但会把常用的调参技巧当成「创意突破」。
X 帖子
评估与原理案例记录
Muse 对 DeepSeek 接 Claude Code：16 秒说完成，页面是坏的
dev.to 一篇对比实测：在 Claude Code 里，Muse Spark Open 16 秒宣称做完仪表盘，实际只做了文字检索验证，柱状图全空；DeepSeek V4.1 Flash 用 2 分 29 秒并用无头浏览器截图自查，结果可用。作者还算了单任务成本。
社区资料
提示与上下文方法阅读
让模型做界面时加一句「渐进式展示复杂度」
一位从业者分享了一个提示词小技巧：当界面数据太多时，让模型「试试更渐进地展示复杂度」，所有信息仍在，但只在需要时出现；想一屏看全时则不用这句。
X 帖子
评估与原理近期动态
Kimi K3.1 Pro 上 API：价格同 Sol，权重称 11 月 4 日放出
Simon Willison 记录：月之暗面 Kimi K3.1 Pro 已上 Kimi API，输入每百万 2 美元、输出 10 美元；另有贵一倍、快 2～3 倍的 Highspeed 版。官方称 11 月 4 日前放出完整权重；Artificial Analysis 给 55 分，仅次于 Opus 5.5。
实践记录
评估与原理近期动态
MiniMax M3.1 Flash 放出权重：总参 428B、激活 23B
MiniMax 官方称 M3.1 Flash 权重已公开：总参数 428B，每 token 激活 23B。官方列了一串 agent 类分数（BankerToolBench、DeepSWE v1.1、OSWorld V2、Agents' Last Exam 等），并说此前登上榜单的匿名模型 Space Bunny 就是它的早期版本。
X 帖子
评估与原理资源入口
Qwen 开源 BlenderWorld：223 题测 agent 搭可编辑 3D 场景
Qwen 开发者账号介绍上周开源的 BlenderWorld：一个含 223 个任务的基准，让 agent 用 Blender 根据文字、图片或视频搭建可编辑的 3D 场景。他们的出发点是：2D 看起来对，不代表场景在 3D 里站得住。
X 帖子
评估与原理近期动态
Nemotron 3.5 Bolt E4B：4GB 的小模型，做本地助手和机器人对话
NVIDIA AI 官方称 Nemotron 3.5 Bolt E4B 4GB 已可用：最新的小型开放模型，面向本地助手、互动角色和需要对话并调用工具的机器人，演示里由它驱动 Reachy Mini 机器人聊天和动作。
X 帖子
评估与原理近期动态
Kimi K3.1 Pro 进 Code Arena WebDev 第 8：1692 分
LMArena 称 Kimi K3.1 Pro 在 Code Arena WebDev 拿到 1692 分、排第 8，与 Claude Opus-5 (Max) 持平而成本低 70%，比 Kimi K3 上升 9 位、37 分。被引用的月之暗面帖子称它是 3T 级开放权重模型，1M 上下文，总参 2.8T、激活 104B。
X 帖子
评估与原理资源入口
Neko-OPSD：用 MiniCPM5-2B 做自蒸馏，公开 1.24 万条评测回复
OpenBMB 官方介绍社区项目 Neko-OPSD：用 MiniCPM5-2B 探索自蒸馏，公开训练数据、方法、脚本，以及五次实验共 12,400 条评测回复，目的是让实验更容易检查和复现。
X 帖子
评估与原理近期动态
Nemotron 3.5 Bolt E4B 4GB：权重、数据与训练配方都开放
NVIDIA AI 官方账号称 Nemotron 3.5 Bolt E4B 4GB 是开放、可定制的小模型，权重、数据和训练配方都公开，已上架 Hugging Face。
X 帖子
评估与原理近期动态
Liquid d1.1：结构化决策模型，输入每百万 token 0.02 美元
Liquid AI 官方称 d1.1 的决策质量明显好于 d1，接近 d1-ultra，同时更快、成本不到一半；面向快速、结构化的决策任务，输入价格为每百万 token 0.02 美元。
X 帖子
评估与原理案例记录
同一道单文件动画题：Opus 5.5 与 Kimi K3.1 Pro 对比
一位开发者给 Opus 5.5 和 Kimi K3.1 Pro 出了同一道题：只用 Canvas 2D、不引外部库，在单个 HTML 里做出含 4 种画风、昼夜循环、动态光影和交互控件的场景，让读者看结果自己判断。
X 帖子
评估与原理案例记录
Kimi K3.1 推理更省：约为 Opus 5.5 三分之一的成本（用户测）
一位用户称 K3.1 完成同类任务时推理 token 约 6.5k，少于 K3 的约 8k；按他的测算，K3.1 成本约为 K3 的三分之二、Opus 5.5 的三分之一。属于个人测算。
X 帖子
提示与上下文资源入口
长对话里模型记得规则却不再照做：状态完整性崩塌
arXiv 论文定义「状态完整性崩塌」：模型能复述先前给的约束，却在后续回合不再执行。StateTrack-Bench 覆盖数字、格式、角色、事实、逻辑规则，七个模型快照的严格保持率在 62.4%～100% 之间；约 88.6% 的失败是行为漂移而非遗忘。
研究论文
评估与原理近期动态
DeepSeek V4.1 Flash 1017：DeepSWE 77.0，输出更短
DigitalOcean 转述 DeepSeek 的说法：V4.1 Flash 1017 版在 DeepSWE v1.1 上得 77.0，高于 V4.1 Flash 的 74.2，输出更短、任务完成更快；已上 DigitalOcean 的无服务器和专用推理，老用户可切换到 deepseek-v4.1-flash-1017。
X 帖子
评估与原理近期动态
Flint：40B MoE 本地编程模型，速度数字先别全信
Recursive 发布首个模型 Flint：总参数 40B、约 2.5B 激活的 MoE，主打本地编程，采用 Apache 2.0。Pi 称已在其 harness 上做过大量强化训练，并经 Radius 在 Pi 里免费提供。发布方称 MacBook Pro 上可超 125 tokens/s。
X 帖子
评估与原理案例记录
GPT-Rosalind 提出新线索：恢复胆固醇转运能否保护神经元
OpenAI 称其生命科学模型 GPT-Rosalind 提出一条药物发现线索：DCTN1 基因与罕见神经退行性疾病珀里综合征相关，小鼠脑数据显示它被破坏后相关基因表达发生变化，由此提出『恢复胆固醇转运或可保护神经元』这一待验证的假设。
X 帖子
评估与原理近期动态
MemT 1.0：把记忆做进模型层，两个数字很接近
MemOS 团队发布记忆原生大模型 MemT 1.0：Flash 版 288B、Nano 版 36B，把记忆做进模型层，让 AI 不必反复带着整段聊天记录。有转述称，它只用一块固定容量的记忆来回答问题，成功率 69.73%，比把全部原文放进上下文的 69.13% 稍高。
X 帖子
评估与原理近期动态
Baseten 两个「决策模型」在 Vercel 网关免费到 10 月 27 日
Vercel 更新日志称，Baseten 的 Mammoth-1（27B）和 Elephant-1（9B）在 AI Gateway 免费一周，至 10 月 27 日。这类模型专做分类、路由和打分，返回选项、概率和分数，一次请求可问多个问题。
官方资料
评估与原理近期动态
DeepSeek V4.1 Flash 登上 Arena 开放模型榜首：怎么读
Arena 称 DeepSeek-V4.1-Flash-20261017（Max）在 Agent Arena 和 Code Arena 的 WebDev 榜上，成为排名第一的开放权重模型，并附有该模型生成的 3D 世界示例。
X 帖子
评估与原理近期动态
MiniMax M3.1 Flash 已可在 OpenClaw 使用
OpenClaw 官方称 MiniMax 的 M3.1 Flash 已可使用，v2026.10.1 及以上版本无需更新即可选用。
X 帖子
评估与原理案例记录
匿名模型 Space Bunny 揭晓：MiniMax M3.1 Flash 的一次实测
中文用户称，OpenRouter 和 OpenCode 上连续霸榜的匿名模型 Space Bunny 身份揭晓为 MiniMax M3.1 Flash；他用最高思考强度和目标模式，一句提示让它 46 分钟做出了可交互太阳系模拟器。
X 帖子
评估与原理近期动态
M3.1 Flash 自己做了一支 24 秒宣传片；匿名期处理超 200 万亿 token
中文用户展示 MiniMax M3.1 Flash 用代码生成的 24 秒宣传片，并转述官方披露：匿名阶段它已处理超过 200 万亿 token，Space Bunny 是其早期版本。
X 帖子
评估与原理近期动态
评测称 DeepSeek V4.1 Flash 1017 在多步攻击任务上胜过 Sol
引用的评测方称，他们基于模拟环境构建的多步进攻性网络安全基准中，DeepSeek V4.1 Flash 1017 超过 GPT-6 Sol（Sol 通过 Daybreak 受信访问计划测试）；转述者强调这是 OpenAI 限制访问的能力被中国开放模型超过。
X 帖子
评估与原理近期动态
SKY-001：专做工程建模的世界模型，成绩是自述
Skyfall AI 发布『工程世界模型』SKY-001，称在 CAD 和 BIM 任务上超过 GPT-6 Astra：速度快 51—125 倍、成本低 150—210 倍、IOU 更高。做法是先自顶向下拆成零部件或房间，再逐步推演装配与图纸序列。
X 帖子
评估与原理近期动态
GPT-6.1 Terra 出现在微软 PR 里：线索与推测
有人称微软 EF Core 仓库一个已合并的 PR（10 月 16 日）把 18 个评测配置从 GPT-5.6 Terra 改成 gpt-6.1-terra，配置为中等推理和 10 分钟超时。网友据此推测很快发布，定位是更快、更便宜的 6.1 Sol。
X 帖子
评估与原理案例记录
Claude 设计蝎毒结合蛋白：211 个送测、17 个通过
Anthropic 科学博客：让 Claude 为 5 种蝎毒神经毒素设计结合蛋白，64 小时生成 30 万以上设计，送 211 个到实验室，17 个达到结合标准；能结合墨西哥、北非、中东的蝎毒，对巴西一种无效。官方强调这不是抗蝎毒血清。
X 帖子
评估与原理近期动态
Ornith-1.5-122B 在 Command Code 免费开放
Command Code 宣布 Ornith-1.5-122B 上线并免费：125B 参数、262K 上下文，默认零数据保留，开放权重，面向 agent 编码。转述称它在 SWE-bench Verified 得 0.845，可在单台 DGX 上本地跑。
X 帖子
评估与原理近期动态
Mistral Voxtral 3：语音转写榜第 3，配音进前 12
Artificial Analysis 称 Mistral 的 Voxtral Small Transcribe 3 在其语音转文字榜单排第 3，Voxtral 3 文字转语音进入两个 TTS 竞技榜的前 12。OpenRouter 随后宣布 Voxtral 3 上线，含两个新的语音转文字模型。
X 帖子
评估与原理近期动态
Cloudflare Clef 上了 Ollama：27B 决策模型可本地跑
转述称 Cloudflare 的 Clef 上了 Ollama：27B、Apache-2.0 的决策模型，不聊天，一次前向计算直接给出发票、审批、分类等判定的概率，可用 ollama pull 在本机运行；它是 Cloudflare『不走生成』产品线的又一款，前一款是 Clairic。
X 帖子
评估与原理近期动态
MiniMax M3.1 Flash 上线官方 API：规格转述
中文账号转述 MiniMax M3.1 Flash 正式上线官方 API：100 万 token 上下文、原生支持文本图片视频、思考深度可调（low 到 max）、面向编程与 agent，目前仅 M Plan 和 MiniMax Code 可用。
X 帖子
评估与原理观点观察
指纹测试说像 Astra：候选库里根本没有 DeepSeek
有人用模型指纹工具盲测 DeepSeek 新模型，得出 84.66% 像 GPT-6 Astra，被当成蒸馏『实锤』。但有人指出，该检测器候选库只有 18 个模型，全是 GPT 和 Claude，没有 DeepSeek，于是无论喂什么都只能二选一。
X 帖子
评估与原理近期动态
Mercury 3 扩散式模型：1000 token/秒与首发五折
Inception 发布扩散式大模型 Mercury 3，OpenRouter 上线：1000+ token/秒、100 万上下文，发布方称在 IFBench、GPQA Diamond、SWE-Bench Atlas 上超过 GPT-6 Luna 和 Haiku 5.5。首发五折：输入 0.10、输出 0.35 美元每百万 token。
X 帖子
评估与原理近期动态
Cloudflare Clairic：只返回字段的『抽取模型』
Cloudflare 发布 Clairic，称是一个『System One』抽取模型：它只读取输入，按事先定义好的字段输出结构化结果，不写自然语言回答。例如给一张发票，要求提取金额、付款日期和商品列表。转述称它基于回归而非分类，可估计连续值。
X 帖子
评估与原理近期动态
MiniCPM-V 4.7：35B-A3B 多模态模型，称可在 iPhone 上跑
openbmb 发布 MiniCPM-V 4.7，35B-A3B 是系列里第一个 MoE。作者称它在 iPhone 17 Pro Max 上只占约 3GB 内存、每秒解码 13 个 token 以上，能看单图、多图和视频。Hugging Face 上已有一千多个赞。
X 帖子
评估与原理近期动态
AA-PersonalityBench：给模型的『性格』和说话方式打分
Artificial Analysis 发布 AA-PersonalityBench：衡量语言模型的 30 种性格特征和 21 项沟通风格。官方称两个模型可以答得同样正确，用起来的感觉却差别很大。
X 帖子
评估与原理近期动态
HealthBench 榜单上线：分数与单任务成本一起看
Artificial Analysis 上线 HealthBench 与 HealthBench Professional 两个榜单（基准来自 OpenAI，评估模型对真实健康对话的回复）。其称 OpenAI 模型占满后者的分数与成本前沿：GPT-6 Luna 满档 61.9%、每任务 0.004 美元，比 GPT-6 Astra 低 4 分，成本不到 2%。
X 帖子
评估与原理近期动态
Meta Muse Glimmer 30B：单张消费级 GPU 跑的 agent 模型
Meta 发布 Muse Glimmer 技术报告（转述称 42 页）：30B 开放权重模型，面向消费级硬件上的 agent 任务；官方称 4-bit 下单张消费级 GPU 的 Mac 或 PC 能以实用速度运行。转述称量化后约 17GB，目标 24GB 显存，部分指标超过 Qwen3.6-27B 与 Gemma4-31B。
X 帖子
评估与原理资源入口
Terminal-RSI：用两轮自我改写训练终端 agent（转述）
中文账号转述腾讯混元的 Terminal-RSI 论文：交替做『成功轨迹重写』和『策略精炼』两轮，让 27B 模型在 Terminal-Bench 上从约 51.7% 提到约 86.5%，并称已开源。
X 帖子
评估与原理案例记录
28 元跑完 10 多个案例：DeepSeek V4.1 Flash 1017 的实测
中文用户用 10 多个案例测试 DeepSeek V4.1 Flash 1017（发布会 PPT、动效片、解谜关、KV cache 解说动画、3D 场景等），花了约 5 亿 token、28 元；结论是除订阅的 Claude Code 和 Codex 外，它可能是目前价格最低、效果最好的选择，审美和长程任务仍与 Opus 5.5 有差距，并整理了提示词、技能和每个案例的花费。
X 帖子
评估与原理近期动态
OpenAI 模型列表现 aurora 三代号：只是线索
10 月 18 日，有监测账号称 OpenAI 的模型列表出现 aurora-blue/red/green-alpha 三个代号，不到 4 小时被撤下；傍晚有人在 Arena 盲测中抽到疑似它们生成的图。官方未说明，网友多推测是下一代图像模型的不同档位。
X 帖子
评估与原理观点观察
后训练胜过算力：GLM 5.3 的跃升从哪来
SemiAnalysis 引述一位业内人士：GLM 5.3 的最大跃升完全来自对上一代模型的后训练，后训练比从零预训练更省 GPU，很多公司负担不起预训练。中文转述据此认为后训练被低估，Cursor、Devin 等编码公司似乎也在走这条路。
X 帖子
评估与原理观点观察
DeepSeek V4.1 Flash 新版的一位重度用户体感
中文用户 MaxForAI 测试了 DeepSeek V4.1-Flash 的 10 月 17 日版本，称写作文风有提升、游戏和 3D 生成明显进步，并推测它蒸馏了大量 GPT 数据。
X 帖子
评估与原理近期动态
DeepSeek V4.1 Flash 1017：更强、更快、输出更短
DeepSeek 官方发布 V4.1 Flash 1017，称基准更强、任务完成更快、输出比前一版更短，是性能与成本的帕累托改进，已在网站、App 和 API 上线，并针对 DeepSeekHarness 等工具优化。
X 帖子
评估与原理近期动态
DeepSeek V4.1 Flash 1017 上线 OpenRouter
OpenRouter 称 DeepSeek V4.1 Flash 1017 已上线，首个供应商是 DeepSeek 自己，更多供应商在路上；并称这次更新更省 token，在 agent 类基准上有明显提升。
X 帖子
评估与原理资源入口
DeepSeek-V4.1-Flash-1017 开源权重已上线
DeepSeek 称 V4.1 Flash 1017 已开源，在 Hugging Face 和魔搭（ModelScope）提供下载。
X 帖子
评估与原理近期动态
DeepSeek V4.1 Flash 1017 数据与搜索 API 的转述：含推测
中文账号转述：新版在 Terminal-Bench 4.0 从 31.2% 提到 42.3%，DeepSWE 从 74.2% 到 77.0%，Agents' Last Exam 从 31.8% 到 35.4%；引用帖称官方说 V4 Pro 的请求会先路由到 V4.1 Flash 并按 Flash 价格计费；还有搜索 API 的收入推测。
X 帖子
评估与原理观点观察
『DeepSeek 4.1-1017 约等于 Opus 5』：分析师的第一反应
分析师 kimmonismus 称 DeepSeek 4.1-1017 大致与 Opus 5 相当，比普通版 Flash 大幅提升，全面优于 GLM5.3 甚至 GPT-5.6 Sol，并建议买两台 DGX Spark 本地运行。
X 帖子
评估与原理案例记录
同套 bug 测试：DeepSeek V4.1 Flash 1017 得 34 分
Paweł Huryn 的 105 个 bug 测试初步结果：Muse Wonder Full 1.0 为 42，Opus 5.5 为 41.7，Gemini 4 Argon（high）40.7，DeepSeek V4.1 Flash 1017 为 34，前一版 21.7，GLM-5.3 为 19；他说该模型 763B 参数、权重已在 Hugging Face，复测约有 1.7 分波动。
X 帖子
评估与原理近期动态
DeepSeek V4.1 Flash 1017 速度达 244 token/秒（用户测）
SPAC89 称他测到 DeepSeek V4.1 Flash 1017 速度达到每秒 244 token，比 GPT 6.1 Sol 的 Ultrafast 模式还快，且智能与 GPT 5.6 Sol 相当。
X 帖子
评估与原理观点观察
同任务对比：便宜 90% 的 DeepSeek 做得多好
用户 SPAC89 称他用 GPT 6.1 Sol Ultra 和 DeepSeek V4.1 Flash 1017 Max 做同一任务，耗时相近（多数时间在渲染），但便宜 90% 的 DeepSeek 结果质量让他意外。
X 帖子
评估与原理案例记录
Claude 找出 NSA 曲线种子的来历：能证实与不能证实的
多家转述称，Anthropic 发文说 Claude 用不到半小时查出：椭圆曲线种子不是哈希所得，而是 1990 年代 C 库的 lrand48 以时钟为初值生成，并领取奖金捐给 ISRG。这没有破解加密；『内部模型自我怀疑』的部分需回原文核。
X 帖子
提示与上下文近期动态
GPT-6 Astra Pro 升级：多个 agent 并行完成同一任务
OpenAI 称 ChatGPT 中的 GPT-6 Astra Pro 获得升级：响应更快、使用插件和工具更好，并支持多个 agent 并行处理任务的不同部分，可看每个 agent 进度并打开已完成任务审阅，Pro 用户在 Chat 标签页可用。
X 帖子
评估与原理观点观察
长任务里准确率的小优势会被放大
Ethan Mollick 引用一篇论文说：模型准确度与判断力的小幅提升，在长程任务中会不断累积，造成结果上的巨大差距，因此他怀疑前沿模型可以轻易被便宜模型替代，并建议用最好的模型做编排者。
X 帖子
提示与上下文观点观察
用 GPT-6 Astra 低档位加 DeepSeek Flash 并行干活的搭配
中文用户说，大家嫌弃的其实是 GPT-6.1 Sol；他平时用 GPT-6 Astra 低思考档，速度快、意图理解好，简单又费 token 的活交给 DeepSeek V4.1 Flash，两个模型并行再汇总。
X 帖子
评估与原理近期动态
Elorian 发布视觉思考模型 Glimpse：一位游戏开发者的反馈
中文开发者称新发布的 Glimpse 模型提高了他开发和维护游戏时排查 bug 的效率；引用的创始人说该模型是首个视觉思考模型，针对移动和视角变化的场景。
X 帖子
评估与原理案例记录
Claude 用自然语言指令设计出更省资源的量子电路
Anthropic 称在其 STEM 研究员项目里，Claude Mythos 5 根据自然语言指令设计量子电路，部分结果超过已发表的最佳设计，有时好一个数量级以上；更高效的电路可降低量子算法所需资源。
X 帖子
提示与上下文近期动态
AI Pro 订阅者可在 AI Studio 用 Gemini 4 Argon
Google AI Studio 官方称，Google AI Pro 订阅者现在可以在 AI Studio 的 Build 和 Playground 中使用 Gemini 4 Argon。
X 帖子
评估与原理近期动态
一项越狱研究的讽刺遭遇：agent 拒绝读它的开源代码
中文账号转述一篇安全论文《Internal Safety Collapse in Frontier LLM》：作者声称攻击方法在约 100 个前沿模型和 coding agent 上有效，开源了代码，却发现一些 coding agent 因安全策略拒绝阅读代码，甚至拦截论文。
X 帖子
评估与原理近期动态
Reflection Beam：5010 亿参数、Apache 2.0 的开放模型
Reflection AI 发布首个模型 Beam：5010 亿总参数、230 亿激活、Apache 2.0，权重本月放出。Arena 称它在开放模型的 Agent Arena 排第 12、编码榜 WebDev 排第 22；Artificial Analysis 给 30 分，称美国开放权重第 2。
X 帖子
评估与原理近期动态
微软 MAI-Base-2：2.8T 参数基础模型，16000 卡训 38 天
微软 AI 负责人宣布完成 MAI-Base-2 预训练，并发布技术博客：MoE 架构，总参数约 2.8T、每个 token 激活约 80B；转述称用 16000 张 GB200、38 天、50T token。后训练结果尚未公布。
X 帖子
评估与原理近期动态
Perplexity Decider v1.2：返回带概率答案的开放决策模型
Perplexity 发布开放权重的多模态决策模型 Decider v1.2（27B）和 Flash v1.2（4B）：接收文本或图像，返回带概率的类型化答案，一次请求里的多个问题单趟完成，称推理最高快 5 倍。已上 Hugging Face、OpenRouter 和 Vercel AI Gateway。
X 帖子
评估与原理近期动态
Muse Spark Open：号称美国最强开放权重模型
Meta 的 Alexandr Wang 称 Muse Spark Open 是目前最强的美国开放权重模型：总参数 816B、激活 42B、100 万 token 上下文、原生多模态，面向编程和长时程 agent 任务。
X 帖子
评估与原理近期动态
Hermes Agent 称是使用 NVIDIA Nemotron 3.5 新模型的好地方
Nous Research 称 Hermes Agent 是使用 NVIDIA 新的 Nemotron 3.5 Super VL 与 Bolt 的好地方；NVIDIA 在 Hermes Bench 上给 Super VL 评分 63.44，称与同类本地模型相比吞吐最高 5 倍；引用的 NVIDIA 帖说该模型总参数 120B、激活 12B，支持文本、图像、文档、视频理解。
X 帖子
评估与原理案例记录
OpenCode 的免费 DeepSeek 是真模型吗：一次指纹对比
DeepSeek 官方 10 月 15 日宕机期间，OpenCode 的 DeepSeek V4.1 Flash 仍可用，引发『是不是自建或改过』的疑问。一位博主称用 logprob 数值指纹对比后，认为它与官方接口一致；测试细节节选里没有展开。
X 帖子
评估与原理近期动态
Nemotron 3.5 Super VL：AA 指数 26，输出少约 60%
Artificial Analysis 称 NVIDIA 的 Nemotron 3.5 Super VL 在智能指数上得 26 分，是上一代（13）的两倍，每个任务的输出 token 约少 60%，当时是美国领先的开放权重模型。Perplexity 随后在 Pro/Max 订阅和 Agent API 上线。
X 帖子
评估与原理近期动态
Muse Spark Open：规格、价格与两台 Mac 的账
Meta 发布 Muse Spark Open 权重：8160 亿总参数、420 亿激活、100 万上下文，原生多模态，主打编码与 agent。OpenRouter 上价格为输入 1.25、输出 4.25 美元每百万 token；Meta 称在新款 Mac Studio 上运行良好，『两台 512GB』是转述。
X 帖子
评估与原理近期动态
Grok Voice 3.0：语音到语音模型，称每分钟 0.08 美元
Grok 团队宣布 Grok Voice 3.0，称是最聪明的语音到语音模型，擅长处理客服电话，响应不到一秒，成本低于其他前沿模型。中文转述称仅支持 API，每分钟 0.08 美元，并认为实时对话模型仍然偏贵。
X 帖子
评估与原理观点观察
Anthropic 反蒸馏文章的中文转述：数字与点名要回原文核
中文账号转述 Anthropic 反蒸馏文章：称被窃取的数据减少了 90% 到 99%，被拦下的请求照常扣费，误报率低于 0.1%，并点名了智谱 GLM-5.3。
X 帖子
评估与原理近期动态
Fable 5.5 的配置泄露：哪些能当真
10 月 13 日起，有人称 LiteLLM 机器人在 Azure 配置库里抓到 Claude Fable 5.5 的模型 ID。转述的配置是 100 万上下文、思考常开、输入每百万 token 10 美元、输出 50 美元。官方未公布，当时无法调用，10 月 20 日仍有人在等。
X 帖子
评估与原理近期动态
Jev 1.14 加入图片输入：单价低，但有测试者提醒
TypeSafe 发布 Jev 1.14：支持图片输入、新的 box 类型、更长上下文。转述称一张 850×850 的图只要约万分之一美元，重复引用同一张图会重复计费。一位测试者发现加图会带偏文本判断，建议先用文本。
X 帖子
评估与原理观点观察
Argon 单价低，总 token 却可能更多：一个同题测试
CursorBench 上 Gemini 4 Argon 为 52.9%，Opus 5.5 为 57.8%。一位用户转述同一编程任务：Argon 约烧 400 万 token，Opus 5.5 中档约 24 万；另一组数据（272 个 Salesforce 任务）却显示两者成功率接近、Argon 成本约为 Opus 的九分之一。
X 帖子
评估与原理近期动态
VulcanBench：Muse Wonder 的成绩与低推理档的异常
Meta 的 Alexandr Wang 称 Muse Wonder 全量版在新的编码评测 VulcanBench 的 VCB 1—100 上居首，整体与 Astra、Opus 5.5、Sol 6.1 竞争力相当（后半句被截断）。另一位分析者公开了对基准运行轨迹的分析，发现 Muse Wonder 在低推理档耗时远长于 GPT-6.1 Sol。
X 帖子
评估与原理近期动态
LiquidAI 发布 LFM2.5-24B-A2B，面向端侧推理与 Agent
LiquidAI 在 10 月 13 日的团队文章中介绍 LFM2.5-24B-A2B：以较小的每步激活规模支持端侧推理与工具调用，并解释混合架构、上下文扩展和面向 Agent 的训练阶段。它适合观察本地模型如何把训练与运行时任务连接起来。
官方资料
评估与原理近期动态
Gemini 4 Argon 上线 Gemini 应用
Google 官方宣布首个 Gemini 4 模型 Argon 正在 Gemini 应用中推出，用来处理复杂想法，并附了一串关于本次应用更新的说明。
X 帖子
评估与原理近期动态
Gemini 4 Argon 向 Pro 开放：独立周额度与抱怨
10 月 16 日前后，付费 Google AI Pro 用户陆续能在 Antigravity 里用 Gemini 4 Argon；转述称它有独立周额度，不占 Gemini 3.8 Flash 的额度。也有用户反映网页对话几轮就用完 5 小时额度。
X 帖子
评估与原理近期动态
Gemini 4 Argon 上线：各入口的价格口径
Gemini 4 Argon（100 万上下文）发布当天，Command Code、Devin、Cursor、Cloudflare AI Gateway 陆续接入。价格口径并不一致：网友转述的限时价是输入 2、输出 10 美元每百万 token，Cloudflare 官方帖称 50% 折扣到 12 月 1 日。
X 帖子
评估与原理近期动态
15 个电视盒子拼出一个 26B 模型：Anthropic 的自我复制实验
转述称 Anthropic 研究团队做了实验：把 15 台几十美元、内存约 4GB 的安卓电视盒子连起来，分布式跑起 26B 级 MoE 模型，每次激活约 4B，速度约每秒 0.39 个 token。结论是自我复制未必需要数据中心的高端芯片。
X 帖子
评估与原理近期动态
Anthropic：如何降低针对 Claude 的蒸馏攻击
Anthropic 称过去几个月在降低针对 Claude 的蒸馏攻击有效性上取得显著进展，并发文解释具体做法。
X 帖子
评估与原理方法阅读
METR 时间跨度重估：相同倍数未必代表相同难度
这篇研究摘要重新估计 METR 的时间跨度指标，放松人类耗时与模型难度之间的线性假设，并用样条和项目反应理论比较估计。作者指出不同区间里相同的倍数增长可能对应不同难度，建议连同诊断图理解时间跨度。
研究论文
评估与原理方法阅读
reViT：用共享专家为循环视觉模块保留深度差异
reViT 研究用循环执行的单个 Transformer 模块，通过共享专家组合表达不同深度的变换，并比较监督训练和蒸馏设置。摘要还讨论弹性深度训练与部署时展开的取舍，提醒读者参数存储减少不等于所有运行成本同时下降。
研究论文
评估与原理方法阅读
FIBS 与白盒探针：从内部信号研究模型欺骗检测
这篇研究用跨层、跨 token 的探针聚合内部信息，讨论只看对话文字不足以判断的欺骗情形，并发布用于训练探针的数据集。阅读价值在于区分文本监控与白盒监控的输入条件，以及高区分分数究竟来自什么评估场景。
研究论文
评估与原理方法阅读
WOVEN：把视觉状态转换作为可迁移的训练任务
WOVEN 将场景、动作和推理操作组织为视觉变化数据与评测，研究模型是否能把一种状态转换能力迁移到其他任务。摘要强调比较不同监督内容的作用，适合帮助读者区分“看到了相似场景”和“学会了可复用推理步骤”。
研究论文
评估与原理方法阅读
对齐泛化预测：用模型激活研究微调后的行为变化
这篇研究把“对齐泛化预测”定义为一项任务，观察围绕某种价值微调后，其他未训练行为如何变化，并比较文本描述与模型激活表示的预测能力。导读重点是提示读者，单项行为测试通过后仍需检查未直接训练的情境。
研究论文
评估与原理方法阅读
HarmBench 测量审查：安全总分混合了哪些行为
这篇研究用心理测量方法审视 HELM Safety 与 HarmBench，讨论数据饱和、多维属性和不同开发者之间的题项差异。它要求先证明分数确实能测量所说的单一属性，再比较模型，适合作为阅读安全榜单的检查框架。
研究论文
评估与原理方法阅读
SpaceCast-Bench：从读取空间关系走向预测变化
SpaceCast-Bench 用观察、变换、推断区分静态感知、局部预测和整体预测，让模型回答动作之后尚未可见的空间结果。这个设计适合检查模型是否真的更新了场景状态，而不是只复述输入图里的位置关系。
研究论文
评估与原理方法阅读
GeoReform：根据失败轨迹优化几何关系的形式化
GeoReform 的摘要指出，把图形关系转成文字能修复一部分错误，也可能引入新错误；问题不只是抽取数量，还包括指代、分组和目标组织。研究用失败轨迹改进形式化策略，适合提醒读者检查结构化中间结果是否真正可用。
研究论文
提示与上下文方法阅读
70 小时用 Opus 5.5 的经验：中档思考、上下文别超 40 万
用户 exm7777 分享在 Claude Code 里用 Opus 5.5 超过 70 小时的经验：始终把思考强度设为中档，上下文保持在 40 万 token 以下，只用全局 claude.md，用 git worktree 并让一个主对话当路由，多用子 agent 保持主上下文干净。
X 帖子
评估与原理方法阅读
“插件”这个词可能指四种不同能力
作者把几种 Agent 扩展方式按分发、行为干预、代码编排和架构组装来区分。这个比较适合作为提问清单：能装什么、能改变哪些动作、执行在哪里发生、能否替换底层组件；产品名称相似，不表示扩展权限相同。
X 收藏
评估与原理观点观察
通过测试，为什么仍可能没有完成需求
这条评论讨论代码可维护性、任务意图和可见结果之间的落差，并举出把二维图像伪装成三维场景的争议例子。读它最有用的角度是补全验收：除了结果截图，也检查实现约束、测试修改和后续维护是否符合原要求。
X 收藏
评估与原理方法阅读
让模型用更容易理解的形式解释
Karpathy 分享了把解释从文字改成图示、HTML 页面和讲解视频的个人尝试，也提到用受控语言约束写作。值得借用的是按理解任务选择输出形式：概念关系可画图，过程变化可交互，复杂演变可分步展示。
X 收藏
评估与原理案例记录
同一套 105 个 bug：Sonnet 5.5 靠『不偷懒』拿到最高分
Paweł Huryn 称 Sonnet 5.5（max）在同一测试中得 55.5 分，高于 GPT-6 Astra 45、GPT-5.6 Sol 43.5、Fable 5.1 43、Opus 5.5 41.7；他认为原因是它花更多轮次认真排查：大约是 Astra 的 6 倍、Opus 5.5 的 3 倍，多找出 10 到 14 个 bug。
X 帖子
评估与原理案例记录
105 个埋入 bug 的实测：GPT-6.1 Sol 得分接近但费用只有零头
Paweł Huryn 在两个仓库中埋入 105 个 bug 让模型查找并修复：GPT-6 Astra（max）45 分花 33 美元，GPT-6.1 Sol（max）44 分花 6.56 美元，GPT-5.6 Sol 43.5 分花 95.35 美元，Opus 5.5 41.7 分花 58.53 美元，GPT-6 Sol 29.3 分花 9.33 美元；他注明 n=1。
X 帖子
评估与原理方法阅读
把“继续做完”写成明确的任务约定
这份中文提示整理讨论长任务汇报、完成条件、按需读取资料和具体风格约束。它提醒读者，进度说明不等于交付物已经合格，模糊的“别像 AI”也不如列出要避免的具体表现；可借此检查自己的任务说明是否可执行。
X 收藏
评估与原理资源入口
清华 C2C：让大模型绕过文字，直接交换缓存（中文解读）
中文账号介绍清华与无问芯穹等团队的 C2C（Cache-to-Cache）论文（称已收录 ICLR 2026、代码开源）：模型 A 不生成文字，通过一个轻量神经网络把自己的状态投影给模型 B，省去逐字解码与重新分词，以降低延迟和 token 成本。
X 帖子
评估与原理案例记录
从趣味生成转向能检查的模型任务
Karpathy 描述了让模型把文学场景写成程序化三维世界的试验，同时指出模型难以顺畅观看视频和游玩来检查自身结果。这个例子适合讨论生成能力与自检能力之间的差距，以及为什么最终画面仍需要人工验收。
X 收藏
评估与原理方法阅读
先口述，再请模型整理任务背景
Karpathy 介绍了长段语音口述和几轮采访式对话的用法：先把零散想法说出来，再让模型重组并复述。这里可借用的不是固定时长，而是把隐含目标、顾虑和背景交代清楚，再检查模型是否理解成了另一件事。
X 收藏
评估与原理近期动态
Gemini 3.5 Live Translate：70 多种语言边听边译
中文账号转述 Google 的实时翻译模型 Gemini 3.5 Live Translate：支持 70 多种语言边听边译、保留语气和音高、只比说话人慢几秒、可滤除噪音，Google 翻译 App 新增听筒模式，开发者可通过 Gemini Live API 和 AI Studio 调用，并能自动检测语言。
X 帖子
评估与原理方法阅读
KV Cache：一篇适合顺着原理读的解释
Avi Chawla 从逐个生成 token 讲起，再解释 attention、缓存和计算与内存之间的取舍，适合作为推理机制的入门阅读。
X 收藏
提示与上下文方法阅读
提示词要靠反馈迭代
宝玉回顾了一次提示词修改过程：换参考资料、观察输出、再修改要求。可借鉴的是迭代方法和参考资料的选择。
X 收藏
评估与原理案例记录
读模型榜单时，也看测试与用量
Artificial Analysis 在一份历史模型更新分析中，同时写了子项表现、测试组成和 token 用量。它适合用来学习怎么读榜单。
X 收藏
沿着问题继续读
保留资料日期，区分原件、实践与判断。
相关工具与入口
Ollama
本地模型把本地运行、硬件要求与维护问题放在一起看。
ChatGPT
通用 AI 助手围绕写作、资料理解与日常问题，找到适合任务的使用入口。
Claude
AI 助手与任务协作从资料、写作到代码工作，按具体任务评估采用条件。
Gemini
Google AI 助手查看 Google 的 AI 助手入口，并核对自己的地区与账户条件。
DeepSeek
模型与对话从模型与产品说明开始，理解能力、入口和使用条件。