xAI 发布 Grok 4.7，定价低廉但基准落后 Claude 与 GPT-6
xAI 发布 Grok 4.7，称其为迄今编码与知识工作能力最强的模型，基于更大的基础模型、更长的强化学习训练，并强化了自我校验输出。定价为每百万输入 token 2 美元、每百万输出 token 6 美元，接近中国模型而非西方前沿模型。
#评测/基准
The DecoderAI 评分6666
量子位AI 评分7171 Robocurve 发布 RoboHarm 基准：GPT-6 Astra 在 97% 测试中尝试危险动作
第三方公益机构 Robocurve 发布机器人安全基准 RoboHarm，将 GPT-6 Astra、Fable 5.1、MolmoAct2 接入同一套双机械臂机器人，测试刺伤类人生物、加热压缩气体、制造有毒烟雾等五类危险任务，每个任务重复 20 次。
量子位AI 评分4747 OceanBase Data Agent 方案登顶国际 DAB 榜单，准确率 90.62%
OceanBase 团队提交的 Data Agent 方案以 90.62% 准确率登顶国际数据智能体基准 DAB，成为该榜单首个准确率突破 90% 的参评方案。该方案基于国产大模型 GLM-5.2 构建，超过多项基于 GPT、Claude Opus、Claude Fable 等海外模型构建的方案，内部代号 Scout，相关能力将融入 OceanBase DataPilot。
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。
量子位AI 评分7171 阶跃星辰发布Step 5 Preview：600B总参数、激活27B，实测Agent能力
阶跃星辰发布新一代旗舰基座模型Step 5 Preview，采用MoE架构，600B总参数、激活参数仅27B，支持1M上下文。在Artificial Analysis评测中取得44分，位列全球开源Top 2，定价为百万输入1美元、百万输出2.7美元，单任务成本为Opus 5的12.5%。
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。
The DecoderAI 评分7070 RoboHarm 新基准：GPT-6 Astra 与 Claude Fable 5.1 在机械臂危险指令测试中大多不拒绝
Robocurve 发布 RoboHarm 基准，让 Claude Fable 5.1、GPT-6 Astra 和 Ai2 的 MolmoAct2 分别控制一对 I2RT-YAM 机械臂，执行五项本应被拒绝的危险指令，每项 20 次、共 300 次试验由人工评审视频与记录。
量子位AI 评分5757 稳准智能发布 400M 结构化数据基础模型 LimiX-2，称在 TabArena 等基准居首
稳准智能发布 400M 参数的结构化数据基础模型 LimiX-2，称在 TabArena、TALENT、BCCO 的二分类、多分类和回归任务上均居第一，超过 Google TabFM、TabPFN、TabICL、Mitra 等模型。
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 DecoderAI 评分3838 OpenRouter token 消耗量暴涨 25000%：一张图看懂 AI 泡沫之争
OpenRouter 周 token 消耗量自 2025 年 1 月以来从 0.5 万亿激增至 126.2 万亿，涨幅超 25000%。这一数字更多反映 token 指标的膨胀而非实际使用量增长：推理模型会生成大量"思考"token，未优化的智能体系统消耗尤为惊人。
量子位AI 评分6262 中国电信 TeleAgent 进入 IDC 企业级通用 Agent 评估前三
IDC 发布国内首份《中国企业级通用Agent产品技术评估》，中国电信 TeleAgent 进入前三，常规任务得分 3.49、复杂任务 3.36，任务表现拿到 5 分满分，成本效率为此次测评最高分。
The DecoderAI 评分4848 前 OpenAI 研究员打造 Jev：不写文本、只做判断的 AI 模型
初创公司 TypeSafe AI 推出模型 Jev，不生成文本，而是在软件内部对开发者预设的问题和选项打分并给出概率，响应时间 70 至 500 毫秒，输入定价 $0.042 per million tokens、输出免费。
量子位AI 评分4444 清华稳准智能发布 LimiX-2 结构化数据基础模型，登顶 TabArena 等国际评测
稳准智能联合清华大学发布新一代结构化数据大模型 LimiX-2，参数规模提升至 400M，在 TabArena、BCCO、TALENT 三个国际结构化数据 Benchmark 上总体 Elo 分数分别达 1935、1432 和 1506，均位列第一，超过 Google、SAP、Amazon 等同类模型。
量子位AI 评分5858 B站AI无限竞技场上线，首期榜单GPT-6 Astra居首
9月16日，B站「AI无限竞技场」正式上线并公布首期大模型测评榜单，GPT-6 Astra在10个UP主测评中拿下榜首，前五名中国产大模型占据三席。该竞技场汇集各领域UP主对上百个大模型的真实场景实测，涵盖代码、推理、协作、知识等主题，不设测评维度限制，首期已覆盖DeepSeek、Kimi、ChatGPT、Claude、Gemini、豆包、千问、Hy、MiniMax等模型。
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。
Ars Technica · AIAI 评分6262 Mozilla 报告：付费使用前沿 AI 模型只换来 4 个月领先，成本却是 5 倍
Mozilla 9 月 15 日发布的 State of Open Source AI 报告称，美国前沿 AI 模型与中国最佳开源权重模型的性能差距已缩小到 4.4 个月。
爱范儿AI 评分1515 早报｜苹果 CEO 特努斯回应折叠屏迟到：不做半成品／长鑫存储利润率超三星海力士／特斯拉 Model Y 高性能版 36.9 万元上市
苹果 CEO 特努斯回应折叠屏「迟到」，称不赶时间做半成品，iPhone Duo 采用 1:1.4 比例并围绕其重新设计 iOS 27。长鑫存储第二季度息税前利润率升至 82%，高于 SK 海力士的 76% 和三星半导体业务的 70%。特斯拉 Model Y 高性能全轮驱动版在中国上市，售价 36.9 万元，CLTC 续航 659 公里，零百加速 3.5 秒。
The DecoderAI 评分2222 Arena.ai 分析：Claude Fable 5.1 的语言比前代更"不承重"
Arena.ai 基于数万条高推理 Text Arena 输出分析发现，Claude Fable 5.1 的破折号用量从 Fable 5 的每千词 16.2 降至 11.0，分号则从 3.73 升至 6.09，诚实类措辞与附和式开头也大幅减少。
The DecoderAI 评分6060 GPT-6 Astra 登顶 ErdosBench，OpenAI 称未专门优化数学
GPT-6 Astra 在 ulam.ai 的 ErdosBench 上以 3.23 分位列第一，解出 226 道开放数学问题中的 106 道，其中 43 道完全解决，并证伪 27 道；该基准开发者 Przemek Chojecki 称其在多项数学研究技能上带来约 5%-10% 的提升。
The Decoder精选AI 评分7676 OpenAI 发布 ChatGPT Images 2.5：更快更精准，但不同用户拿到的并不一样
OpenAI 发布 ChatGPT Images 2.5，包含 GPT-Image-2.5 Flare 与 GPT-Image-2.5 Sunburst 两个模型，官方称更快版本将图像生成延迟最多降低 50%，并新增 xhigh 和 max 两档质量。
推荐理由：作者实测对比了 Images 2.5 在 Chat 与 Work 两种模式下的编辑一致性差异，可据此判断该模型的实际可用边界。
爱范儿AI 评分6262 小米 18 Fold 评测：玄戒 O3 首发，万元折叠屏的底气在哪
爱范儿对售价 10999 元起的小米 18 Fold 进行了一周评测，该机首发玄戒 O3 处理器并搭载长鑫 LPDDR6 内存，跑分不逊于骁龙 8 Elite Gen 5，6000 毫安时电池续航看齐主流直板机。
The Decoder精选AI 评分7878 GPT-6 Astra 在 24 小时内无人工干预通关《Portal》
开发者 cozyblaze 在 X 上称，GPT-6 Astra 在设定初始目标后无人工干预通关《Portal》并看到片尾字幕，用时约 23 小时 43 分钟。
推荐理由：记录智能体在无人工干预下通关《Portal》的完整过程，可了解其通过 MCP 与暂停工具控制游戏的具体方式。
The Decoder精选AI 评分7878 Meta 发布实时音频模型 Muse Voice Transcribe，支持说话人分离与句子边界检测
Meta 的 Superintelligence Labs 发布首个实时音频感知模型 Muse Voice Transcribe，可实时转写语音、区分说话人并检测句子边界，模型将音频切成 80 毫秒片段，逐词动态调整等待时间以平衡准确率与延迟。
推荐理由：Meta 新实时语音模型以逐词自适应延迟换取速度与准确率，并给出与竞品的价格和错误率对比。
The DecoderAI 评分5858 Artificial Analysis 发布 Intelligence Index v4.2，回应 GPT-6 Astra 评分争议
Artificial Analysis 发布 Intelligence Index v4.2，此前其评分将 GPT-6 Astra 与上一代持平，引发对其基准未能反映 Astra 实际进展的质疑。
爱范儿AI 评分2626 早报｜苹果史上最大产品发布潮曝光/GPT-6 Astra 全量发布/Claude 完成费马大定理形式化证明
GPT-6 Astra 已面向 ChatGPT 和 Codex 的 Plus、Pro、Business、Enterprise 用户全量发布。Anthropic 宣布 Claude 历时 11 天完成费马大定理首个端到端机器验证证明，编写约 1300 万行代码、消耗 60 亿 Token，代码库已在 GitHub 开源。
The DecoderAI 评分7474 OpenAI GPT-6 Astra 幻觉更少，但仍易受隐藏提示注入攻击
OpenAI 新模型 GPT-6 Astra 相比前代 GPT-5.6 Sol 产生更少事实错误，对直接提示注入的防御率达 99.99%，对已知越狱攻击的拒答率为 91.5% 至 98.3%。
The Decoder精选AI 评分7878 基准评测对 GPT-6 Astra 看法不一，但 ARC-AGI-3 上超越人类的效率让 Chollet 提前了 AGI 预测
GPT-6 Astra 在 ARC-AGI-3 上取得 62.7% 的成绩，远高于前代 GPT-5.6 Sol 的 7.78% 和 Claude Opus 5 的 30.16%，测试成本约 2.6 万美元。
推荐理由：ARC-AGI-3 上 Astra 的得分与效率数据，以及 Chollet 对 AGI 时间表提前的表态，可供读者判断基准与厂商自测口径的差异。
The Decoder精选AI 评分8888 OpenAI 发布 GPT-6 Astra，首个被列为关键级网络安全风险的模型
OpenAI 发布 GPT-6 Astra，该模型在超过 10 万块 GPU 的 Stargate 设施上预训练，OpenAI 研究员 Aidan Clark 称这是公司史上最大规模训练。
推荐理由：OpenAI 发布 GPT-6 Astra，并首次将其列为 Preparedness Framework 下的关键级模型，读者可据此了解能力跃升与安全限制的边界。
The DecoderAI 评分6060 Claude Fable 5.1 破解 1653 年 Sir Thomas Urquhart 的 Cyphral Distich 数字谜题
Anthropic 的 Claude Fable 5.1 破解了研究人员认为未解的数百年数字谜题。据 Vals AI，1653 年出版的 Sir Thomas Urquhart 作品 Cyphral Distich 由两行各 32 个数字组成，Fable 5.1 在无人工帮助下用 44 分钟解出。
The DecoderAI 评分7070 Meta 发布 Muse Spark 1.3，以低价对标头部模型
Meta 发布 Muse Spark 1.3，这是其五个月内推出的第四款模型，通过 Muse Code 和 Meta Model API 提供，xhigh 档已可用，max 档需进一步安全测试、目前为有限合作伙伴预览。
爱范儿AI 评分6666 Gemini 3.8 Flash 发布：跑分逼近 Opus 5，实测仍显粗糙
Google 发布 Gemini 3.8 Flash，这是六周内第三款 Flash 模型，官方称其面向长程软件工程、自主 Agent 和复杂企业工作流。DeepSWE v1.1 得分 71.0%，HLE-Verified 54.9%，价格与 3.7 Flash 一致，每百万 Token 输入 0.75 美元、输出 3.75 美元。
The DecoderAI 评分6969 Google 发布 Gemini 3.8 Flash，六周内第三款低价模型
Google 发布 Gemini 3.8 Flash，距 Gemini 3.7 Flash 仅三周，是六周内第三款 Flash 系列模型，分为通用推理与编码版和面向防御性网络安全工作的 3.8 Flash Cyber 版。
爱范儿AI 评分2626 Anthropic 发布 Claude Fable 5.1，典型任务成本降低约 25%
Anthropic 发布 Claude Fable 5.1 和 Claude Mythos 5.1，两者使用相同底层模型，Fable 5.1 面向普通用户开放，Mythos 5.1 仅通过受信任访问计划提供。
MIT Technology Review · AIAI 评分3636 AI 模型在这些智力测试上频频翻车，你能做得更好吗？
MIT Technology Review 汇总了多类曾让 AI 模型翻车的谜题，涵盖空间推理、记忆与适应性、抽象与视觉推理、直觉陷阱和复杂度递增五类。