Google 发布 Gemini 4 Argon，瞄准机器人全流程单一模型
Google 发布 Gemini 4 Argon，定位为覆盖机器人全流程的单一模型，可控制机器人、构建虚拟练习环境并评估训练视频质量。演示中它从一张照片生成 77 项任务和 4500 多个训练回合，使真实机器人成功率从 56% 升至 75%，执行时间从 35 秒降至 24 秒。
#评测/基准
The DecoderAI 评分7272
The Decoder精选AI 评分8484 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。
少数派AI 评分3838 Austin Mann 评 iPhone 18 Pro 影像体验：可变光圈、专业控制与参考图像
Austin Mann 在科罗拉多州邓顿河谷实测 iPhone 18 Pro 相机，重点体验了可变光圈、专业控制、焦点追踪、摄影风格 3 和 4K 延时摄影。可变光圈在弱光下进光量提升 50%，ƒ/1.8 可拍出光学星芒；相机 App 新增手动对焦，实现曝光与对焦分离。参考图像（Reference Image）为主传感器 1x 和 2x 提供可验证的签名照片，4K 延时视频支持导出单帧。
Latent SpaceAI 评分6262 AI Engineer NYC 综述：Gemini 4 Argon 正式发布与 Vals AI 基准讨论
Gemini 4 Argon 今日正式 GA，面向编码、知识工作、企业工作流和网络防御开放，覆盖付费 Gemini API、Gemini 应用及 Antigravity 等入口，入门 API 价格为每百万输入/输出 token 2/10 美元，缓存输入折扣 95%，Artificial Analysis 称 11 月 30 日后价格将翻倍至 4/20 美元。
量子位AI 评分4848 魔法原子 EchoPolicy-0 登顶 MolmoSpaces 具身智能榜单，MagicBrain 位列第四
魔法原子旗下 VLM Agent 框架 EchoPolicy-0 在 AI2 发起的 MolmoSpaces Combined 榜单以 75.4% 平均成功率位列全球第一，覆盖全部 4 个 v1 任务。
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AI 评分6666 华为 Memento 3 通关 ARC-AGI-3 全部 25 款游戏，操作次数比人类少 56%
华为诺亚方舟实验室联合 UCL 等团队提出 Memento 3 智能体系统，以 Claude Opus 5 为底模且不更新权重、不做微调，通关 ARC-AGI-3 公开集全部 25 款游戏、183 个关卡，取得满分 100 的 RHAE 成绩，总操作 7518 次，比人类的 17135 次少约 56%。
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。
Latent SpaceAI 评分6262 TypeSafe/Jev 上线三周 ARR 超 1 亿美元、估值 75 亿美元
TypeSafe 宣布 Series AI 融资，Sequoia 透露其上线首周 ARR 突破 1 亿美元，公司估值达 75 亿美元，此时距 Jev 发布仅三周。
量子位AI 评分4747 联想天禧自研代码智能体 TianxiCode 以 71% 解决率登顶 SWE-bench-Live 全球第一
联想天禧 AI 自研代码智能体框架 TianxiCode 配合 DeepSeek-v4.1-Flash，在 SWE-bench-Live（Lite 分榜）以 71% 的问题解决率登顶全球第一，并通过官方 Verified 核验。该框架具备跨文件多跳检索、自驱动规划与多轮工具调用、闭环补丁生成与测试驱动自愈三大能力，未来将落地联想 AI 硬件产品。
量子位AI 评分6767 清华系星动纪元世界动作模型 VPP2 登顶 RoboDojo 榜单并开源
星动纪元自研的世界动作模型 VPP2 登顶 RoboDojo 仿真榜单，综合平均成功率 32.26%、平均得分 39.26 分，两项指标均列第一，领先 GPT-6-Astra 的 22.48% 和 28.97 分。
TechCrunch · AIAI 评分6262 AI 排行榜 Arena 完成 2 亿美元 B 轮融资，估值达 31 亿美元
AI 模型众包排行榜 Arena 完成 2 亿美元 B 轮融资，估值达 31 亿美元，较 1 月 A 轮的 17 亿美元估值在约 10 个月内近乎翻倍。该轮由 Lightspeed Venture Partners 和 Khosla Ventures 领投，Salesforce Ventures、a16z、Felicis 等参投；公司称 6 月年化营收达 1 亿美元。
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。
量子位AI 评分6060 UniPat AI 发布 PaperBenchX：GPT-6 Astra 论文完整复现率仅 13.98%
UniPat AI 发布 PaperBenchX，这是面向多学科端到端论文结果复现的 Benchmark，从 93 篇论文构建 93 个复现任务，覆盖电磁、光子、化学、材料、生物、机器人等 12 个研究方向和 10 种领域原生科学环境，含 3168 条专家校验评分项。
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。
Microsoft ResearchAI 评分2222 Microsoft 研究员 Jennifer Neville 谈 AI 评估与“意外失败”
Microsoft 合伙人研究经理 Jennifer Neville 在 Microsoft Research Podcast 中讨论评估如何推动 AI 系统性能边界，以及模型在传统 benchmark 之外测试时出现的“意外失败”。她结合自身从数学、物理、认知科学到计算机科学的经历，分享使用当前 AI 系统的实用建议，并强调当结果超出预期时应仔细审视数据。
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。
The DecoderAI 评分5555 Aleph Alpha 研究：中国模型在敏感话题上多复述官方立场或拒答
Aleph Alpha 开发基准测试，用 967 个敏感话题测试阿里千问（Qwen）、DeepSeek 和月之暗面（Kimi）的模型，其自有 AI 评分系统仅将 17% 至 41% 的回答评为平衡，其余为复述官方立场、回避或拒答。
Latent SpaceAI 评分3737 AINews：GPT-6.1 Sol 与 Sonnet 5.5 重塑性价比前沿
OpenAI 发布 GPT-6.1 Sol，定价 $2/$10 per million input/output tokens，据称在 DeepSWE v1.1 上超 GPT-6 Sol 6.4 分、在 AutomationBench 上超 Opus 5.5 2.2 分。
The DecoderAI 评分4444 LEGO-Anything 让 AI 智能体从单张照片生成可执行 Blender 场景
研究团队提出 Image-to-Code 方法，让编码智能体从单张照片迭代编写可执行的 Blender 程序，并发布 LEGO-Bench 基准，包含 208 张图像、443 个注册资产，从有效性、几何精度和外观三方面评分。
爱范儿AI 评分6060 Utopai X 在 Artificial Analysis 文生视频榜位列全球第二
截至 9 月 30 日，AI 原生影视公司 Utopai Studios 的自研模型 Utopai X 在 Artificial Analysis 带音频文生视频排行榜中位列全球第二，仅次于 Wan 3.0，超过 Dreamina Seedance 2.5，是该榜排名最高的美国公司模型。
The DecoderAI 评分6060 Mercor 研究：AI 在记账任务上快于持证会计师，但仍无法独立完成结账
Mercor 的一项研究让 12 名平均从业五年半的持证 CPA 完成 APEX Accounting Benchmark 的简化任务，结果显示 AI 模型在结构化记账任务上比会计师更快、更准确且成本更低。
爱范儿AI 评分6060 MiniMax M3.1 Flash Preview 与 Opus 5.5 同题实测前端创作
爱范儿用 Opus 5.5 案例的公开提示词在 MiniMax Code 中测试 MiniMax M3.1 Flash Preview，覆盖动态作品集、手绘短片、水墨动画、纽约天际线时间轴交互以及卡丁车、水下探索等游戏原型。
TechCrunch · AIAI 评分5252 Graphite 研究：Claude Opus 5.5 最爱说 this matters，各模型写作痕迹各不相同
营销公司 Graphite 研究前沿模型的写作习惯，发现 13000 个在 AI 内容中出现频率至少是人类两倍的短语。
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。
量子位AI 评分5858 匿名模型 Space Bunny 登 OpenRouter 双榜第一，Coding 实测全记录
匿名模型 Space Bunny 在几天内冲上 OpenRouter 和 OpenCode 调用日榜第一，作者通过 OpenRouter API 接入 DeepSeek Harness 实测了十余个 coding 任务和一次多模态任务。
量子位AI 评分4545 索辰科技与美梦空间联合发布 Physical-WAM 具身模型与 RoboTwin-Phys 物理测评基准
美梦空间在第五届全球数字贸易博览会上发布 Physical-WAM 物理-世界动作模型与 RoboTwin-Phys 物理漂移评测基准，前者由 PhysLens、PhysDream、PhysAct 三模块构成，在感知与动作之间插入物理 Token 表征。
The DecoderAI 评分6262 研究显示顶尖 AI 专家严重低估领域进展速度
Forecasting Research Institute（FRI）的研究发现，AI 专家和超级预测者普遍低估了 AI 的进展速度。AI 在 2025 年 7 月达到国际数学奥林匹克金牌水平，比专家预测中位数早五年、比超级预测者早十年；专家对实际发生基准结果的平均概率估计为 24.6%，超级预测者为 9.7%。
The DecoderAI 评分6262 Epoch AI 与 MIT 研究：AI 性能成本下降速度超过以往任何技术
Epoch AI 称，自 2023 年以来在部分 AI 基准上达到固定性能水平的成本平均每季度下降约 47%，约合每年 13 倍，快于以往任何变革性技术；MIT 研究者基于 Artificial Analysis 数据看到年降幅为 5 至 10 倍，剔除硬件降价与竞争压力后，算法效率提升约为每年 3 倍。
The DecoderAI 评分7070 OpenAI 发布 GPT-6 Sol 与 Luna：token 价格减半，性能提升有限
OpenAI 发布 GPT-6 Sol 和 Luna 两款模型，token 价格较 GPT-5.6 Sol 和 Luna 减半，Sol 为每百万输入 token 2 美元、输出 10 美元，Luna 为输入 0.10 美元、输出 0.50 美元，OpenAI 将降价归因于缓存和推理优化。
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。
量子位AI 评分3838 基元律动韩凯：从 Harness 到 RSI 飞轮，探索 Agent 持续进化
基元律动联合创始人兼CTO韩凯在2026杭州云栖大会企业级Agent实践峰会上发表演讲《从Harness到RSI飞轮》，提出多模型异构并存下的模型调度与反馈闭环路径。其开源项目OpenSquilla在特定测试配置下保留固定旗舰模型基线99.96%的任务质量，成本降低88.9%；9月发布的NeoHorse-1基于通义Qwen3.5底座后训练，4B版本宏平均得分由58.94提升至64.87。
The DecoderAI 评分6666 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。
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。