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
#评测 主题信号
围绕 评测 的精选动态、来源摘要和重要性判断。
动态列表
02
Kimi K3 编码代理评测
Artificial Analysis发布Kimi K3在编码代理指数上的评测结果：得分57，排名第5，性能与GPT-5.6 Terra和GPT-5.5持平（57），超过Opus 4.8（55），略低于Grok 4.5（58）和Fable 5（59）；成本平均3.18美元/任务，比GPT-5.6 Sol便宜55%。
观察
03
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
04
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
05
8天内四款前沿模型发布评测
Artificial Analysis 发布评测，8天内 SpaceXAI 的 Grok 4.5（54分）、OpenAI 的 GPT-5.6 Sol/Terra/Luna（最高59/55/51）、Meta 的 Muse Spark 1.1（51分）和 Moonshot AI 的 Kimi K3（57分）相继发布，前沿模型实验室从6月初的2...
值得跟进
06
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
07
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
08
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
09
Kimi K3 上线 AI/ML API 且性能超越 Claude Fable 5
AI/ML API 上线了 Kimi K3 模型，与 Claude Fable 5 均支持 1M-token 上下文窗口。在 vibe-coding 测试中，Kimi K3 以 1/4 的价格（$3.11 对比 $12.23）在代码生成任务中表现优于 Claude Fable 5。
观察
10
Kimi K3 以更低成本胜 Err Opus 4.8 生成复古游戏
Atomic Chat 的本地 LLM 桌面应用给 Kimi K3、GPT‑5.6 与 Opus 4ន三种模型同样任务，要求各自生成 Road Fighter、Battle City、Q*bert 三款自玩型 HTML 版复古游戏，包含图形、敌人фа和完整 AI 玩家。输出结果显示 Kimi K3 共 18.4K tokens，成本 $...
观察
11
Kimi-K3 登顶前端测试
Kimi_Moonshot 的 Kimi-K3 在前端代码 Arena 得分 1679 分，超越 Claude Fable 5，较上一版 Kimi-k2.6 提升 17 位，并将于 7 月 27 日发布完整模型权重，在 6 个 7 个评估领域中取得第一。
观察
12
Google 发布 Gemini Omni Flash 登顶视频生成排行榜
Google 发布 Gemini Omni Flash 多模态模型，在 Artificial Analysis 视频排行榜上文本到视频和图像到视频均位居第一，击败 ByteDance 的 Seedance 2.0。模型支持文本、图像、视频输入，生成 720p 24FPS 3-10 秒视频，定价 $0.10/秒，已通过 Gemini API...
观察
13
美国团队发布 Inkling 大模型
美国团队 Thinking Machines 发布了 Inkling，这是一款采用 975B/A41B MoE 架构的多模态大模型，已开源完整参数。基准测试中 Inkling 在 IFBench（79.8% vs Claude 63.5%）和 FORTRESS Benign（95.9% vs Claude 55.1%）上超越部分闭源模型；...
观察
14
ARC-AGI-3 Milestone #1 获奖公布
ARC Prize 公布了 ARC-AGI-3 Milestone #1 的三位获奖者，分别是 tufalabs (1.21%, $25K)、Reki (0.867%, $7.5K) 和 Md Boktiar Mahbub Murad (0.864%, $5K)，三位获奖者都开源了他们的解决方案。
观察
15
Artificial Analysis发布Harvey LAB-AA法律基准测试
Artificial Analysis重新实现Harvey的法律代理基准Harvey LAB-AA，使用由Harvey团队构建的120个.scenario测试了24个法律领域的模型。Claude Fable 5（AnthropicAI）以14.2%的全通过率遥遥领先，其次是Claude Opus 4.8和GLM-5.2（Zai_org）各...
观察
16
行业 AI 模型能力指数发布
Artificial Analysis 发布六个新的行业 AI 模型能力指数，覆盖金融、法律、医疗、战略运营、工程和经济领域，基于 O*NET 任务分类并独立运行基准评估。结果显示 Claude Fable 5 在所有指数中领先，GLM-5.2 在开放权重模型中领先五个行业指数，DeepSeek V4 Flash 以极低成本完成所有行业任...
观察
17
Matrix 在 GDPval-Bench 超越 Codex 和 Claude Code
Matrix 在 GDPval-Bench 上取得 95.45% 的成绩，超过 Codex 的 84.9% 和 Claude Code 的 80.3%，推文认为其更像一个真正的 AI 公司操作系统层而非提示编排器。
观察
18
RPC-Bench 论文理解基准
RPC-Bench是一个长上下文和多模态文档理解基准，包含61.3K QA对（来自4150篇论文），其中约15K经过人工验证；GPT-5在该基准上的正确性-完整性得分为68.2%，调整简洁性后降至37.46%。
观察
19
GLM-5.2 Quelques-Mythos (Open Weights)
研究机构评估实验模型GLM-5.2的性能,在部分基准测试中接近GPT-5.2领域,但仍比Mythos类模型偏弱,显示开源模型持续占据竞争性地位。
观察
20
核心筛选要点
关键信息提供
高优先级