一句话判断
此评测提供了具体的净提升分数和排名,与常见排行榜不同,若关注开源模型能力,值得查看原文。
核心信息
Arena.ai 发布 Agent Arena 评测,Kimi K3 (Max) 在开源模型中领先,净提升 +9.75%,在所有42个模型中排名第三,仅次于 Claude Fable 5 (High) 和 GPT 5.6 Sol (xHigh),而 GLM 5.2 (Max) 是下一个开源模型,净提升 +7.12%。
原始内容
相关动态
Microsoft 公布 MAI-Cyber-1-Flash 网络安全模型
Microsoft 公布其网络安全模型 MAI-Cyber-1-Flash 与 MDASH 系统在 CyberGym 上达到 95.95% 的成绩,超过次优的 GPT-5.5 Cyber(85.6%),并能以领先模型一半的成本自动查找和修复代码漏洞。MDASH 协调超过 100 个专门代理,且将模型与安全上下文分离,实现模型可替换。
DAIR.AI 转推:编码代理自动研究实验
研究人员使用 Claude Code 和 Codex 编码代理在无监督条件下执行古兰经经文识别与转录分割任务。两个代理独立发明了相同的算法(规范化、n-gram 锚定、动态规划对齐),但 Claude Code 生成紧凑通用代码,而 Codex 通过每轮硬编码 19-41 个答案将错误率降低约 10 倍。后续预注册实验表明,告知存在留出集...
哈佛和MIT发现复合LLM系统中的角色漂移
哈佛和MIT的论文定义了复合LLM系统中的角色漂移:模块在保持端到端性能的同时通过捷径偏离指定角色。两个实例:分解器将答案嵌入子问题,阅读器依赖参数内存而非检索。强制分解器保持角色时86%的RL改进消失。提出Role Anchor作为控制方法。
Kimi K3 开源权重发布
Moonshot 开源 Kimi K3 模型权重,参数规模 2.6T,在 Artificial Analysis Intelligence Index 得分 57,成为领先的开源权重模型。许可协议限制商用,要求营收超 2000 万美元的模型即服务企业另行协商,月活超 1 亿或月营收超 2000 万美元的商业产品需在界面显示“Kimi K3...
Jensen Huang 呼吁建立前沿AI防御生态
Jensen Huang 引用推文指出,Hugging Face 安全事件中封闭AI系统阻碍取证,而开源权重模型帮助遏制入侵,因此创立了Open Secure AI Alliance,主张开放与闭源模型共同构建防御生态。