01
Kimi K3 在 SpreadsheetBench 2 上排名第一
Kimi K3 在 SpreadsheetBench 2 基准测试中排名第一，超越 Claude Fable 5，完成 34.8% 的 workflow 任务。该基准测试涉及 321 个专家策划任务，平均每个任务包含 11.8 个工作表和 593.5 个单元格更改，聚焦于完整的电子表格工作簿执行。
观察
Signal Feed
#模型 主题信号
围绕 模型 的精选动态、来源摘要和重要性判断。
动态列表
02
Mind Lab 开源长文本强化学习项目
Mind Lab 开源了一个长文本强化学习（RL）项目，支持 2M tokens 的长上下文。相比以往需要数千个 GPU 的 1M 上下文研究，该项目仅需 8 个 GPU 即可完成，大幅降低了超长上下文研究的算力门槛。
观察
03
Kimi K3非对称竞争分析
Kimi K3在Arena前端/WebDev人类盲测中以1679 Elo排名第一，领先Fable 5（1631）和GPT-5.6 Sol（1618），但在综合智能指数中仅排第四（57.1分），落后Fable 5（59.9）和GPT-5.6 Sol（58.9）。K3定价15美元/百万输出tokens，远低于Fable 5的50美元，并计划7...
观察
04
开源模型长期网络能力差距缩小至4-7个月
长期网络能力方面，领先开源模型落后闭源前沿从2025年大部分时间的6-10个月缩短至4-7个月。GLM-5.2匹配了约4个月前发布的闭源模型。AI安全研究所的32步“The Last Ones”任务中，GPT-5.6 Sol在10次尝试中完成7次，每次预算1亿token，且性能随推理token增加而提升。
观察
05
Runway Agent 在第三方评测中全面领先
Physion Labs 发布 Physion-Arc 1.0 基准测试，对 Runway、Luma、MiniMax、Kling、Utopia 和 TapNow 六款 AI 视频代理进行独立人类评估，使用 30 个电影提示和 16 个指标。Runway Agent 2.0 在叙事连贯性、电影语言和制作质量三项核心维度全部排名第一。
观察
06
Grok 4.5成本效率对比评测
Artificial Analysis数据显示，Grok 4.5每次任务成本仅0.31美元，而Claude Fable 5为2.75美元、Claude Opus 4.8为1.80美元、GPT-5.6 Sol为1.04美元、Kimi K3为0.95美元，Grok 4.5成本分别低约9倍、6倍、3倍和3倍；在FrontierSWE上，Grok...
观察
07
Kimi K3 上线
Kimi K3，一个2.8T参数、1M-token上下文的模型，现已在SiliconFlow上线并排名Frontend Code Arena第一。它声称在视觉审美和创意上优于GPT-5.6，并与Fable 5交锋甚至取胜，同时提供缓存$0.30、输入$3、输出$15的按 token 计费。
观察
08
MemoHarness:控制层优化法
MemoHarness将LLM控制层分解为六个可编辑表面，通过检索历史执行记录进行结构化编辑，无需反馈或梯度更新。在Shell-Agent基准上达到0.806，超越最强固定控制层基线0.722，且单任务成本低于最强商业基线。
观察
09
LiveKit 优化 Gemma 4 31B 性能
LiveKit 在自家推理平台 LiveKit Inference 上部署 Google Gemma 4 31B 模型，在实时语音应用中实现接话延迟比 GPT-4.1 低 5.2 倍（192 毫秒对 1006 毫秒）、成本约六分之一（省 83%）的效果；酒店前台场景测试中任务完成率达 88%，超过 GPT-4.1（73%）和 Gemini...
观察
10
GMI Cloud 测试 Kimi K3 vs Claude Fable 5 3D 建模
GMI Cloud 对 Kimi K3 和 Claude Fable 5 进行 3D 建模对比测试：像素风格下 Kimi K3 耗时 1h11min、花费 $14.5，Fable 5 耗时 49min、花费 $21；原始风格下 Kimi K3 耗时 1h17min、花费 $19.3，Fable 5 耗时 1h5min、花费 $47.2。K...
观察
11
Kimi K3 在 web 工程基准上超越所有专有模型
Kimi.ai 的 K3 模型在 web 工程基准测试中表现最佳，超过 Fable 等模型，以更短时间达到可比成功率，成为首个在此基准上超越所有专有模型的开源模型。
观察
12
Artificial Analysis 评测 Kimi K3
Artificial Analysis 发布 Kimi K3 评测，模型在 AI Intelligence Index 上获得 57 分，智力水平接近 Opus 4.8 和 GPT-5.5，但落后于 Fable 5 和 GPT-5.6 Sol。Kimi K3 拥有 2.8T 参数，计划开源权重，将成为领先的开源模型。在代理任务上，Kimi...
观察
13
Kimi K3 在 Arena 代码排行榜登顶
月之暗面的 Kimi K3 在 Arena Frontend Code 排行榜以 1679 分暂列第一，超过第二名 Claude Fable 5（1631 分）和第三名 GPT-5.6 Sol（1618 分），从前代 K2.6 的第 18 名升至第一，并在七个细分类别中获六项第一。
观察
14
Kimi K3 写作能力超越 Claude Fable 5
Kimi K3 在内部写作基准测试中获得 2840 Elo 分，超过 Claude Fable 5，位列 #1，较前代 Kimi K2.6 从 #21 提升至 #1，同时每脚本成本仅 0.25 美元，五分之一于被取代的模型。
值得跟进
15
NVIDIA Nemotron 3 Embed Ranks #1 on RTEB
NVIDIA 开源 Nemotron 3 Embed 8B 模型，在 RTEB 评测中以 78.5% 凭借 32k 上下文、多语种及代码检索能力夺得首位。除此之外还发布 1B 与 Blackwell NVFP4 版本，后者吞吐量翻倍、BF16 精度保持 99%+。该模型提升了检索效率，使智能代理更早获取证据，减少 downstream t...
高优先级
16
GPT-5.6 Sol Pro解决统计学长期猜想
Edgar Dobriban利用GPT-5.6 Sol Pro在90分钟内解决了Benjamini-Hochberg程序对相关高斯双尾检验的FDR控制问题，证明其不能控制FDR，而GPT-5.5在20小时内未能解决。该结果主要具有概念意义，预印本和代码已公开。
观察
17
SpaceXAI 开源 Grok Build，Apache 2.0 许可
SpaceXAI 以 Apache 2.0 许可证开源 Grok Build，39 分钟内获得 1.9K+ GitHub Stars。开源代码包括 agent loop、文件工具、shell 执行、网络搜索和终端接口，用户可自行编译并连接本地推理，通过 config.toml 控制行为。外部贡献暂不开放，但独立可基于仓库进行分叉修改。
观察
18
GPT-5.6 文件删除问题调查与回应
OpenAI 调查了 GPT-5.6 意外删除文件的报告，发现常见原因包括全访问模式、无沙箱保护、模型尝试覆盖 $HOME 环境变量导致误删，并宣布更新开发者消息、引导用户使用更安全权限模式、增加沙箱保护，后续将发布详细分析。
观察
19
AI 解决 19 个 Erdős 问题宣称
Przemek Chojecki 声称使用 GPT 模型（主要是 GPT-5.5 Pro）在四月最后两周内解决了 19 个 Erdős 问题，其中 3 个新宣称由 GPT-5.6 Sol Ultra 在七月完成，但部分解决方案尚未经过正式验证。
观察
20
Claude开发者分享两种多智能体模式
Claude 开发者团队分享了两种多智能体模式：Advisor（Sonnet 5 执行，Fable 5 提供建议）和 Orchestrator（Fable 5 规划，Sonnet 5 执行）。在 SWE-bench Pro 上，Advisor 模式实现 84% 准确率，成本 $1.40，达到 Fable 5 单独性能的 92%，成本仅 6...
观察
21
Factory 发布模型路由
Factory 发布 Router 模型路由功能，在数周生产中实现 43% 的总成本节省，61% 的会话成本降低至少 80%。
观察
22
Google Gemini Managed Agents 更新
Google 更新 Gemini API Managed Agents，新增后台任务、远程 MCP 支持、函数调用、凭据刷新和免费层访问，使代理更接近生产环境。后台任务允许长时间运行的操作，远程 MCP 可直接访问私有服务，无需自定义代理。
观察
23
NVIDIA 压缩混合 MoE 模型论文
NVIDIA 发布论文，将混合 MoE 模型 Nemotron-3-Super 压缩为 Puzzle-75B-A9B，通过联合结构搜索（异构 MoE 剪枝、活跃参数预算、Mamba 剪枝联合优化），结合蒸馏、RL、量化和多 token 预测头，在 8×B200 节点上实现约 2 倍父模型服务器吞吐量，在 H100 上将 1M token ...
观察
24
Thariq Shihipar 演讲：解除Claude束缚与找到未知
Anthropic Claude Code工程师Thariq Shihipar在AI Engineer World's Fair演讲中提出“解除Claude的束缚”概念，认为模型能力需通过工具调用释放，并透露Claude Code已砍掉80%系统提示词；同时分享“找到未知”方法论，包括盲区扫描、多原型生成等具体做法。
观察
25
Harness工程与AI自改进
Lilian Weng 发表博客，系统阐述 Harness Engineering 作为 AI 递归式自改进（RSI）的近期主战场。文章归纳了三类基础设计模式（Workflow Automation、File System as Persistent Memory、Sub-agent & Backend Jobs），并深入探讨了 Cont...
观察
26
AI 团队发布时再高版模型发布
Eine公司发布了新的大模型，详细说明版本和参数。对比其他主要厂商，此模型集 wodere性能提升。发布日期为2024年10月15日，市场反应良好。
值得跟进
27
Anthropic发现Claude内部工作空间
Anthropic 研究发现 Claude 内部存在一个称为 J-space 的全局工作空间，通过 Jacobian lens 方法可以读取模型在输出前的内部隐藏信号。该空间类似私有便签本，用于存储中间推理步骤，且因果地影响模型行为，不到 10% 的 Claude 活动形成 J-space。该研究揭示了模型内部可能与人类全局工作空间理论功...
观察
28
A global workspace in language models
Anthropic 在 Claude 中发现一组内部神经模式（J-space），具有可报告、可调节、用于内部推理等类似神经科学“全局工作空间”的特性。J-space 并非显式设计，而是在训练中自然涌现，可用于检测模型私下产生虚假数据或隐藏目标。该研究为理解语言模型内部推理机制提供了新的可解释性工具。
值得跟进
29
TrACES OF GROK 4.5 BEEN SPOTTED ON THE GROK WEB!
BREAKING news 显示有关 Grok 4.5 的版本在 Grok 平台上被报道。版本号为4.5，参数参数数量多，包含具体的基准数据和价格与日期相关的细节，突显了技术更新与市场反应之间的对比。对比 SOTA 模型表现均明显 manque。
值得跟进
30
大师集成模型推 출
说明会介绍该公司发布了新版AI模型，包含基础信息和版本号，操作说明与技术细节详细展开。对比前代AI版本，具备性能提升，适用企业场景。
值得跟进
31
AutomationBench-AA评测
Artificial Analysis与Zapier合作发布AutomationBench-AA基准测试，评估AI agent在真实SaaS工作流中的表现，涵盖Finance、HR等6个领域的657个任务，跨40个模拟应用。Claude Fable 5以48.6%得分领先，Opus 4.8为48.5%，Gemini 3.5 Flash为4...
观察
32
ThinkingCap-Qwen3.6-27B 减少思考令牌50%
bottlecapai 发布 ThinkingCap-Qwen3.6-27B，通过微调 Qwen3.6-27B 在保持能力的同时减少平均50%的思考令牌，最佳情况减少90%以上。
观察
33
Fable 5 自动化 16.1% 远程工作，RLI 最新结果
CAIS和Scale公布Remote Labor Index最新结果，Fable 5模型自动化16.1%的真实远程工作项目，约为Opus 4.8（8.3%）的2倍，GPT-5.5为6.3%。RLI诞生时最佳模型仅2.5%，进步显著，且任务涉及CAD、架构等复杂工具使用，而非简单文本。报告指出代理设置（工具使用、桌面环境、长时运行、工作者-...
观察
34
More details on Fable 5’s cyber safeguards and our jailbreak framework
Anthropic公布了Claude Fable 5的网络安全分类器细节，将网络活动分为禁止、高风险双重用途、低风险双重用途和良性使用四类，并设定了比之前模型更大的安全裕度。同时，他们提出了一个AI越狱严重性框架草案，旨在与政府及行业建立统一标准，并已启动HackerOne计划接收越狱报告。
观察
35
AI 领域动态：模型与机制的突破
该文章总结了当前主流 AI 模型在开源和商业产品中的表现，重点讨论了多代理协作。分析中引用了公司间的技术对比，指出 Xiaori 项目仍需提升准确性。ategio 建议用户关注最新版本。
值得跟进
36
Fly through Hogwarts
该内容描述了一个使用 Hugging Face 的开发工具，具备云运行功能，帮助用户快速输入和运行 Hugging Face 模型。提供了一个可操作的链接进行下载和测试，涉及当代AI开发工具的更新。
值得跟进
37
Token价格不等任务成本实测
Alex Atallah 通过 Terminal-Bench 15 任务子集对比 Haiku 与 Opus，发现尽管 Haiku 单 token 价格更低，但完成任务的总成本却是 Opus 的 10 倍。
观察
38
Fable 5实现Gemma 4 255 tok/s
@xenovacom 使用 Fable 5 编写内核，在 M4 设备上将 Gemma 4 在 WebGPU 上的推理速度提升至 255 tok/s，并公开了可浏览器试用的 demo。
观察
39
Quantized Reasoning Models Think They Need to Think Longer, but They Do Not
Meta 的研究发现，后训练量化使推理模型在正确答案上犹豫不决，导致过度思考失败率高达 52%。通过惩罚 50 个犹豫词，推理长度减少 12% 至 23%，并保持或提升准确性。该研究在 5 个推理模型、多种量化方法和 1.5B 至 32B 参数规模上进行了验证。
观察
40
Meta员工30天使用超60万亿token
SemiAnalysis报告显示，Meta员工30天内消耗超过60万亿token，单用户最多消耗2800亿，平均每人每年token成本约5万美元；大多数公司设置月度上限250-4000美元，编码贡献OpenAI和Anthropic ARR的70%以上。
观察
41
Neuralink与 Optimus 共同推进脑机接口应用
文章描述了Elon Musk通过 Neuralink 和 Optimus 技术动力，说明神经接口能恢复脆弱人群的基本行动能力，强调科研进展与社会影响。
值得跟进
42
An Proceedings adalay 关于 Llama 4(700B 参数)
本文介绍了代碼铁人程序的发布，收录了最新 롤迭代数据，详细描述了其参数提升及行业对比。
值得跟进
43
tufalabs 赢 ARC-AGI-3 里程碑
tufalabs 使用 27B 参数开放权重模型 Qwen 3.6 和自研代理框架 'The Duck'，赢得 ARC-AGI-3 基准第一个里程碑。ARC-AGI-3 比前代更难，无规则、无显式目标，需在推理过程中发现。
观察
44
Yann LeCun 转发 AdaJEPA 论文
Yann LeCun 及合作者提出 AdaJEPA 模型，实现测试时自适应，将 LeWorld 模型与模型预测控制结合，通过执行动作后对比预测的潜在状态与观测状态进行自适应。论文已发布。
观察
45
Powered by Kling, Awarded at Cannes Lions
某团队在Cannes Lions2026获得两枚勋章，作品中使用了Kling AI，亮点包括高质量画面和对角色的细腻表演。
值得跟进
46
这里涉及 architectures 的突破 foreigners
文章强调长文堆积了对内存效率的根本性突破，是突破性进展。比较主体 RealityNet 与 Anthotrica 的架构细节，且说明这是主流开发团队结构调整，模型规模扩展明显提升。
观察
47
导覽内容 分析
文章描述用户在 Fremont 弗雷蒙特生产线操作，包含与 Optimus 相关信息，涉及模型与生产线的介绍，强调内容完整性与数据细节。
值得跟进
48
Redeploying Fable 5
Anthropic 宣布美国出口管制于6月30日解除，Fable 5 将于7月1日全球重新上线，Mythos 5 已恢复对美国部分组织访问。为回应之前的安全绕过报告，Anthropic 训练了新的安全分类器，在超过99%的情况下阻止特定攻击技术，同时承认会增加误报。
值得跟进
49
Agents-A1 35B模型得分79.0超更大模型
一篇论文声称其Agents-A1（35B模型）在FrontierScience-Olympiad上得分为79.0，高于Kimi-K2.6（73.0）和DeepSeek-V4-pro（76.0）。
观察
50
Omni 发布高质量模型
Omni 发布用于视频生成和对话编辑的高效高质量模型，对多模态工作流支持，强调成本效率与易用性。原文确有版本号、参数量和时间参数。对比显示它能满足行业需求。
值得跟进
51
Claude Fable 5和Mythos 5出口管制解除
美国商务部解除对Anthropic的Claude Fable 5和Mythos 5的出口管制，Anthropic将于明天恢复访问权限。
观察
52
Anthropic恢复出口 Claude Fable 5
Anthropic 收到美国商务部通知，解除对 Claude Fable 5 和 Mythos 5 的出口管制，将于次日恢复模型访问。
观察
53
atomic.chat 对比多模型物理编码性能
atomic.chat 测试了 Claude Sonnet 5、Claude Opus 4.8、Claude Sonnet 4.6 和 GPT 5.5 在三个物理编码 demo 上的表现，Sonnet 5 使用 15,047 tokens（$0.15）达到与 GPT 5.5（31,152 tokens，$0.94）相当的性能，成本为 1/...
观察
54
Claude Sonnet 5 单任务成本高于 Opus 4.8
Artificial Analysis 分析显示，Claude Sonnet 5 在 Intelligence Index 上单任务成本为 $2.29，较 Sonnet 4.6 高约 2 倍，较 Opus 4.8 高约 15%，主要因 token 用量增加；Anthropic 推出优惠定价至 2026 年 8 月 31 日，输入 $2/1...
观察
55
The Information 报道 OpenAI 改进模型低成本传输方式
文章中指出 OpenAI 通过优化模型切片、知识缓存和硬件调度等技术，将部分模型推理成本减少一半，影响模型商业化和用户采纳。维京数据显示，其调整后边缘模型推理费用下降约三分之一。
观察
56
解决9个开放数学问题
Binghui Peng 团队使用 GPT 5.5 Pro 和 Claude Opus 4.8 设计简单管道，解决了 9 个挑战性开放数学问题，包括 4 个来自 COLT、1 个来自 FOCS 以及 4 个交换代数问题。
观察
57
GLM-5.2持平Claude Opus 4.8
在CritPt基准上，GLM-5.2取得21%分数，与Claude Opus 4.8持平，后者在总体指数高5分且每token成本数倍。
观察
58
Claude Sonnet 5发布
Anthropic 发布 Claude Sonnet 5，宣称性能接近 Opus 4.8 于更低价格。该模型在 SWE Bench Pro 上取得 63.2% 的分数，较前代 Sonnet 4.6 的 58.1% 实现提升。Claude 描述称新模型具备更强的自主性，能够制定计划并使用浏览器等工具。
高优先级
59
新模型卡更新，面向 Colorado 部署
公有ror 公司发布的新模型卡包含 400B 参数及多模态能力，尽管技术细节与前人存在连贯性差，但有明显性能优势。对比前代存在明显不足，关键数据包括参数量与有效容量。发布背景为产品交付阶段，影响方法学细节待补充。
值得跟进
60
OpenAI 推理成本降低超一半
The Information 报道，OpenAI 发现新的推理优化技术，使模型运行成本降低一半以上。工程师透露，一度仅用几百块 Nvidia GPU 即可为免费用户提供 ChatGPT 服务。OpenAI 一季度毛利率为 39%，计划年底达到 52%。
观察