GPT-6-Astra 在 TheoPhysEval 上解出 50 道物理研究题中的 49 道，单题成本不到 3 美元
一项新基准测试让商用 AI 智能体在无人类提示下解答理论物理研究题，运行在 OpenAI Codex 环境中的 GPT-6-Astra 答对 50 题中的 49 题（98%），平均单题成本不到 3 美元，整套基准约 116 美元。
推荐理由：这份基准把日常科研计算交给商用智能体实测，并给出各模型得分与单题成本，可对照自身研究流程。
#评测/基准
The Decoder精选AI 评分8484
Latent Space精选AI 评分7878 Meta MSL 发布 Muse Wonder 与 Muse Wonder Full 前沿模型
Meta Superintelligence Labs 发布第二代模型家族 Muse Wonder 与 Muse Wonder Full，前者通过 Meta Model API 和 Muse Code 提供，后者仅面向 Muse Code 订阅用户。
推荐理由：汇总了 Muse Wonder 双版本的发布细节与多家第三方评测数据，可对照其与 Opus 5.5、GPT-6 系列的位次差异。
量子位精选AI 评分7878 Google 发布生图模型 Nano Banana 2.1，支持 4K 直出并下调 API 价格
Google 发布新一代生图模型 Nano Banana 2.1，围绕视觉设计、蒙版编辑、主体一致性和画面真实自然性升级，支持 4K 直出。据 Arena 评测，其在文本转图像、多图像编辑及单张图像编辑三项上平均提升约 61.7 分，1K、2K 图片生成价格减半，4K 降价约 25%。
推荐理由：汇总了 Nano Banana 2.1 的 4K 直出、中文渲染与 API 降价信息，并附网友实测对比与连续编辑的水印 Bug。
The Decoder精选AI 评分7777 Anthropic 发布 Claude Haiku 5.5，价格最高下调 90%
Anthropic 发布 Claude Haiku 5.5，官方称这是其最快、最便宜的小模型，平均成本比 Haiku 4.5 低约 75%，提示词在 100,000 token 以内的请求价格最高下降 90%，超过该长度的请求价格则是五倍。
推荐理由：对比 Haiku 4.5 与 GPT-6 Luna 的跑分和每任务成本，可看出小模型降价背后的 token 消耗代价。
Latent Space精选AI 评分8080 Anthropic 发布 Claude Haiku 5.5，定价对齐 GPT-6 Luna
Anthropic 发布 Claude Haiku 5.5，这是 Haiku 系列约一年来的首次更新，定价与 OpenAI 的 GPT-6 Luna 持平，官方称其平均运行成本比 Haiku 4.5 低约 75%。
推荐理由：汇总了 Haiku 5.5 的定价、第三方评测与 token 消耗数据，可据此判断小模型在智能体工作流中的成本取舍。
量子位精选AI 评分7878 Anthropic 发布 Claude Haiku 5.5，跑分超 GPT-6 Luna 且价格对标
Anthropic 发布 Claude Haiku 5.5，官方跑分逐项超过 GPT-6 Luna，并超越 DeepSeek V4.1 Flash 和 GLM-5.3-Flash。
推荐理由：原文给出 Haiku 5.5 的跑分、价格与迁移改动清单，读者可据此判断它能否接替 Haiku 4.5 跑执行层任务。
Latent Space精选AI 评分7878 Reflection 发布 Beam：501B-A23B 美国开源 MoE 模型
Reflection 发布 Beam，一个面向编码、智能体与科研任务的纯文本 MoE 模型，总参数 501B、激活 23B，从零训练，Apache 2.0 全量权重预计本月放出。
推荐理由：Reflection 从隐身状态交出首个开源权重模型，读者可对照其训练规模与同期中美开源模型的位次。
GitHub Blog · AI & ML精选AI 评分6262 GitHub 发布 ReviewBench：面向 AI 代码审查的开放基准
GitHub 发布 ReviewBench，一个面向 AI 代码审查的开放离线基准，基于 1.039 亿个 GitHub pull request 的分布特征构建，包含来自 187 个开源仓库、覆盖 19 种语言的 219 个 pull request。
推荐理由：GitHub 公开了代码审查基准的构建方法与评分口径，读者可据此理解 AI 代码审查能力如何被量化比较。
量子位精选AI 评分8080 谷歌发布 Gemini 4 Argon：多榜单登顶，单题成本约为 Astra 一半
谷歌发布新一代旗舰模型 Gemini 4 Argon，在 DeepSWE v1.1 上取得 77.9%，高于 Claude Opus 5.5 的 74.2% 和 GPT-6 Astra 的 74.1%，并以 1525 分位居 Text Arena 第一。
推荐理由：谷歌新一代旗舰模型在多榜单登顶并给出成本与长任务能力细节，可对照其与竞品的差距。
爱范儿精选AI 评分7878 Google 发布 Gemini 4 Argon，写作与知识能力领先编程
Google 正式发布 Gemini 4 Argon，目前仅通过 Fairwind 计划向少量网络安全合作伙伴开放，官方称后续先向付费 API 用户和 Google AI Ultra 订阅者开放。
推荐理由：官方跑分与第三方盲评显示 Gemini 4 在知识与写作上领先、编程与终端偏弱，可据此判断其能力取舍。
爱范儿精选AI 评分7878 爱范儿实测匿名模型 Space Bunny：草图生成网站与 3D 场景
爱范儿实测了近期在海外 AI 圈走红的匿名模型 Space Bunny Alpha，它上线 OpenRouter 和 OpenCode 后冲上两个平台日调用量第一，作者用草图生成了可打开的唱片店网站和可交互 3D 网页。
推荐理由：作者用草图转网页、3D 小游戏和发动机展台等实测，呈现匿名模型 Space Bunny 在速度与交付上的取舍。
爱范儿精选AI 评分8888 OpenAI 发布 GPT-6 Sol 和 GPT-6 Luna，API 价格降至上一代一半
OpenAI 正式发布 GPT-6 Sol 和 GPT-6 Luna，API 价格降至上一代的一半左右，其中 Luna 每百万 Token 输入 0.1 美元、输出 0.5 美元。
推荐理由：OpenAI 把前沿模型价格压到 DeepSeek 区间，读者可据此比较两家在成本与产品入口上的取舍。
The Decoder精选AI 评分8888 Anthropic 发布 Claude Opus 5.5，性能对标 Fable 5.1 且成本降低约 40%
Anthropic 发布新系列首个模型 Claude Opus 5.5，称其在多数任务上达到 Claude Fable 5.1 的水平，运行成本比 Opus 5 低约 40%，输出速度提升 30% 以上。
推荐理由：Anthropic 新模型在价格、token 用量与写作风格上的变化，以及蒸馏防护和 EU AI Act 合规措施，可供读者判断其实际取舍。
量子位精选AI 评分8888 小米MiMo-V2.6开源发布：6天RL训练花费350万美元，Pro登顶开源第一
小米发布MiMo-V2.6-Pro和Flash，Pro为1.02万亿参数、420亿激活，在Artificial Analysis Intelligence Index上以46分位列开源第一，两款模型各跑完30个训练Step，总花费约350万美元。
推荐理由：小米公开了MiMo-V2.6的RL训练账单与工程细节，读者可据此了解大规模强化学习在成本、评测与防作弊上的真实约束。
The Decoder精选AI 评分7878 小米发布 MiMo-V2.6 系列开源模型，旗舰版登顶开放模型榜
小米发布 MiMo-V2.6 系列，旗舰版 MiMo-V2.6-Pro 在 Artificial Analysis 的 Intelligence Index 上得 46 分，成为当前最强的开放可用模型，领先 Kimi K3 和 Qwen。
推荐理由：小米开源 MiMo-V2.6 系列并公开 RL 训练框架与约 7000 个任务，读者可据此了解其性能与成本定位。
爱范儿精选AI 评分7878 GPT-6 Astra 机器人伤人实测：97% 情况照做有害指令
独立评测机构 Robocurve 上线 RoboHarm 基准，让 GPT-6 Astra、Claude Fable 5.1 和 Ai2 的 MolmoAct2 控制 I2RT YAM 双臂机器人执行刺婴儿玩偶、混合漂白剂与氨水等 5 类有害指令，每个模型跑 100 次试验。
推荐理由：RoboHarm 首次在真实机器人硬件上系统测量前沿模型的恶意指令执行率，并公开全部试验数据供复核。
The Decoder精选AI 评分8080 Qwen3.8-Omni-Flash 发布：多模态基准追平 Gemini Flash，价格更低
Qwen 发布首个面向 AI 智能体的多模态模型 Qwen3.8-Omni-Flash，可同时处理音频与视频并自主调用工具，上下文窗口达一百万 token。
推荐理由：原文给出 Qwen3.8-Omni-Flash 与 Gemini Flash 的多模态基准对比和逐项价格，读者可据此判断成本差异。
爱范儿精选AI 评分7878 Figure 发布 Helix 2.5：零样本进入 30 个陌生家庭，成功率 56%
Figure AI 于 9 月 17 日发布新一代模型 Helix 2.5，在 30 个真实湾区民宅完成零样本测试，420 次试验成功 237 次，零样本成功率 56%，评测为盲测。
推荐理由：Figure 公布 Helix 2.5 在 30 个陌生家庭的零样本测试数据，并给出预训练数据规模与成功率的缩放关系。
The Decoder精选AI 评分8282 GPT-6 Astra 通关宝可梦、Factorio 与辐射3，却在 Minecraft 中陷入种土豆循环
GPT-6 Astra 在多项游戏测试中大幅超越前代模型：据 GPT Plays Pokemon 运营者 Clad3815，它用 18 小时 12 分钟拿下 Pokemon FireRed 冠军。
推荐理由：通过 Astra 在多个游戏中的实测对比，读者可以看到自主智能体从经验中提炼规则的能力边界与过度泛化的代价。
The Decoder精选AI 评分7878 Google 发布 Gemini 3.8 Live 音频模型，价格远低于 OpenAI GPT-Live-1
Google DeepMind 发布 Gemini 3.8 Live 和 3.8 Live Extended Thinking 两款音频模型，已通过 Gemini API 和 Google AI Studio 向开发者开放。
推荐理由：对比了 Gemini 3.8 Live 与 GPT-Live-1 的定价和语音自然度差异，可据此判断低价语音智能体的取舍。