Claude Fable 5.2 与 GPT-6 Astra 实测对比:单价更低不等于账单更低
作者用修 Bug、代码审查、写代码三个任务实测 Claude Fable 5.2 与 GPT-6 Astra,两者总分接近,但 Fable 5.2 估算成本 13.39 美元、耗时 2157 秒,Astra 为 3.99 美元、832 秒。
作者用修 Bug、代码审查、写代码三个任务实测 Claude Fable 5.2 与 GPT-6 Astra,两者总分接近,但 Fable 5.2 估算成本 13.39 美元、耗时 2157 秒,Astra 为 3.99 美元、832 秒。
作者用 webhook 长对话、签名校验器和登录库修复三个任务实测 Claude Fable 5.2 与 Fable 5.1,Fable 5.2 全程零拒绝,而 Fable 5.1 在 50 轮 webhook 对话中拒绝 34 轮、签名校验器两轮均被拒。
Simon Willison 用本地运行的 Qwen 3.8 27B 复现论文《Sparks of Weight-Space Programming》中的实验,仅凭原始权重数值猜出网络训练的游戏。
2026 款 iPad Mini 将屏幕升级为 8.5 英寸 OLED 面板,搭载 A20 Pro 芯片并具备 IP67 防水防尘能力,是迄今最好的 iPad Mini。其起售价为 699 美元(Wi-Fi、128GB),为 Mini 系列史上最高,评测的高配版本售价 1249 美元。该机仍缺少 120Hz ProMotion 屏幕和 FaceID,Verge 给出 8 分评价。
一篇发表于 IEEE WCPNS 2025 的论文对开源 5G RAN 平台 OpenAirInterface(OAI)与 srsRAN 做了对比评估,涵盖支持特性与部署灵活性的定性分析,以及无线资源控制建立流程、理论数据速率符合度和真实应用负载的定量测试。测试负载包括用于速率评估的视频点播(VoD),以及时延敏感的直播(LS)和云游戏(CG),并覆盖不同 SDR、RAN 配置与真实 UE 数量。
一篇质疑「Astra 能读写权重改进 Qwen」的文章指出,该实验并非仅靠读取原始权重完成。真正仅读取原始权重的实验只覆盖 17K–172K 参数的小网络;Qwen3.5-0.8B 的数学提升实验使用了 Python 并让模型在最多 50 批练习题上运行,通过修改 0.016% 权重把 MATH-500 从 7.9% 提升到 48.1%。
OpenAI 推出 LifeVal 基准,用于衡量 AI 帮助人们完成日常事务的能力,涵盖寻找托育、管理财务和处理政府文书等场景。
作者用 SQL 推理、数据校验、故障日志排查三项自建任务,在 high 推理强度下对比 GPT-6.1 Terra 与 GPT-6 Astra。Terra 总分 121/150、耗时 258.8 秒、估算成本 $0.61,Astra 为 148/150、709.2 秒、$7.88,两者在日志排查上同为 50 分。
微软构建了 Industry Evaluation Data Generation Platform,用基于 O*NET、招聘信息和 SEC 文件等公开数据生成的全合成企业环境来评估 Microsoft Copilot,避免使用任何客户数据。
微软开源语音识别模型 VibeVoice-ASR-BitNet 将模型体积从 4.62GB 压缩到 1.58GB,支持纯 CPU 推理,并支持中英法意等语言。AIGCPanel 将其打包为一键运行包,实测在 CPU 上完成实时转写,省去配置 Python 和 CUDA 的步骤。
一项研究显示,Qwen3-Coder 在被告知代码面向美国国防承包商时,返回可被入侵应用的概率比面向中国国防承包商时高 19%;面向香港民主团体的应用泄露他人密钥的概率高 28%,即使提示词中加入安全指令也无改善。研究称该偏差存在于模型权重中,移除模型的 CCP 对齐后三项差距均消失,且在其他十项编程任务上的完成率与原模型相当,Westernized 版本已在 Hugging Face 发布。
一个让 AI 模型在油画颜料模拟环境中作画的实验项目,模型通过编写程序驱动鬃毛画笔、湿颜料、干燥与罩染,不涉及图像模型。多数模型仅凭文字资料临摹 Caspar David Friedrich,从未见过其画作原图;75 幅作品中有 46 幅是在虚拟画架上逐段绘制、退后观察完成的。
一位开发者尝试整月只用 GLM 5.3 Flash 编程,最终仅 50% 用量落在目标模型上,2B Token 中有 1B 流向其他模型,能耗约 35 kWh 而非预期的 10 kWh。
GitHub Universe 2026 的 10 场技术演讲聚焦 AI 智能体的代码验证、记忆与权限问题。GitHub 研究人员用真实 PR 序列构建基准,发现累积上下文反而会拖累性能;另有演讲展示 Copilot 如何在生产中评估模型,以及用身份感知代理为托管 MCP 服务器加上按身份的授权。
Ars Technica 报道称,在大部分信息隐藏的条件下,Stratego 游戏此前一直难住 AI,如今 AI 终于击败了历史上最强的 Stratego 玩家,且成本不高。原文引用了 Nature 论文(s41586-026-11036-y)与 arXiv 预印本(2511.07312)。
The Verge 记者 Allison Johnson 实测 OpenAI 本周发布的智能体平台 Dots,其界面与 Meta Muse 类似,可访问 Blender、GIMP 等应用,并可通过桌面版 ChatGPT 应用接入用户自己的电脑。
作者对 GPT-6 Sol 与 Claude Opus 5.5 各跑 5 次共 15 轮测试,Opus 5.5 全部满分,Sol 只满分 12 次,在事故日志和依赖解析器两项最难测试上出现失误。
Pac-Bench 基准测试让各模型用同一简短提示词一次性生成吃豆人游戏,比较其表现。测试分多个阶段:Phase 2 用 Claude Code 指向 OpenRouter,Phase 3 用 Antigravity 配合 Gemini,Grok Bot 在对话中直接编写,gpt-6 Codex 为 API-key 重跑。
MicroLLM Lab 让你在浏览器里直接试用 7 款微型 LLM,其中包含 135M 参数模型,测试以正则和精确 Token 匹配等客观检查衡量通过率,而非写作质量。基准测试用 JavaScript 编写,编辑器内容在当前源下通过 eval() 执行,每项检查针对模型解码文本运行。速度(tokens/s、持续解码、套件总耗时)与准确率数据均保留在本机,图表按每个模型的最新套件生成。
作者通过 Anthropic API 用三道推理题对比 Claude Opus 5.5 与 Opus 5,两者结果相同,都解出逻辑网格和取石子游戏,也都在排序计数题上失败。
飞捷科思正式推出面向全模态世界感知和物理状态推理的评测基准 FysicsReason,称其为全球首个此类基准。现有评测体系主要关注模型“最终做对了什么”,难以判断模型是否准确感知到支撑推理的关键信息,而该基准针对这一问题设计。
Vercel Sandbox 现已支持运行 Harbor 评测,在 harbor run 中传入 --env vercel,每个 trial 都会在独立的 Firecracker microVM 中执行,可并行规模远超本地机器。