AI 编程实时动态与要闻

独立评测机构 Artificial Analysis 10 月 31 日发布知识与幻觉基准 AA-Omniscience v1.1，作为 Intelligence Index v5 的组成部分。新版题库从 6,000 题精简为 3,000 题，删掉已公开和已饱和的题目、修正错误与歧义并补充新题，同时在 Hugging Face 公开一套 300 题、难度与私有集校准的公开集，两者 Net Score 的 Pearson 与 Spearman 相关系数均为 0.99。结果显示 Gemini 4 Carbon（high）以 54 分领先，Claude Opus 5.5 为 48、Claude Fable 5.1 为 46；Fable 5.1 准确率最高（68%），Gemini 4 Argon 幻觉率最低（4%）。模型平均比 v1 低约 1.9 分，MiniMax M3.1 Flash 下滑 22 分。以上均为 Artificial Analysis 口径。

查看大图

语音模型公司 Cartesia 于 10 月 29 日发布 Managed Agents，一个面向企业电话场景的端到端语音 agent 平台，把自家语音识别、语音合成模型与 agent 框架一起设计调优，并自带电话接入、知识库、工具调用和批量外呼。官方称它在 Artificial Analysis 的 Speech Agent Arena 中以 1115 Elo 排第 1，在 ServiceNow 的 EVA-Bench 上拿到 87.4% 准确率和 90.7% 体验分（均为厂商口径，推理模型为 GPT-5.5）；上线期价格打五折，为每分钟 0.03 美元。

查看大图

GitHub 10 月 28 日在 Universe 2026 宣布 Copilot Fusion 正式可用（GA）。它把此前研究预览的 Project HydraFusion 多模型编排和 Copilot auto 模型选择合并：用户在模型选择器里选 Copilot Fusion 和努力档位（Standard / High / Max），由系统按任务决定用哪些模型、走 Single、Cascade 还是 Critique 流程。官方称 Fusion Max 在 Artificial Analysis 编码智能体指数得 60 分，比 Claude Code + Opus 5.5 Max 低 2 分，但每任务 API 成本约一半、token 约一半、耗时少约 40%。按所用模型标准价计费，付费用户到 11 月 30 日享 30% 折扣。

查看大图

Google DeepMind 10 月 28 日发布 Gemini 4 Carbon，称其为目前最强模型，距 Gemini 4 Argon 上线仅两周。官方博客称它在 Artificial Analysis 智能指数 v5.0 以 59 分排名第一，并在网络安全三项评测领先：SEC-bench Pro 找漏洞 88.2%、ExploitGym 漏洞利用 54.8%、CWE-bench 打补丁 71.0%；WebDev Arena 涨 89 分至第 4（1769）。本周起先向 Fairwind 计划中的部分网络防御者开放，之后再面向开发者、企业和消费者。介绍期价格与 Argon 相同，每百万输入 / 输出 token 2 / 10 美元，之后为 4 / 20 美元。

查看大图

NVIDIA AI 官方账号 10 月 28 日发布 Nemotron 3.5 Transcribe，权重已上架 Hugging Face 和 ModelScope。它是可用自然语言指令驱动的离线语音模型，一个检查点同时做 40 种语言转写、31 种语言与英语互译、13 种语言的说话人标注和音频问答，可处理最长 1 小时录音、最多标注 8 位说话人。官方称它在 Hugging Face Open ASR 英文榜以 5.33% 平均 WER 居开源模型第一；Artificial Analysis 测得 AA-WER 2.8%，与 24B 激活参数的 Voxtral Small 并列开源第一。权重、Granary v2 训练数据和微调配方一并开放。

查看大图

独立评测机构 Artificial Analysis 10 月 28 日发布 Intelligence Index v5，是 1 月 v4 以来最大一次改版：新增 Cognition 的 FrontierCode 2.0 和 Terminal-Bench-Science，用 HLE-Diamond 替换 Humanity's Last Exam，60% 的权重来自私有或答案保留的测试集。榜首为 Claude Opus 5.5（max）58 分，GPT-6 Astra 57、GPT-6.1 Sol 55；开源权重最高的 Kimi K3.1 Pro（权重尚未发布）46 分，与榜首差距从 v4.3 的 3 分扩大到 12 分。同时推出跨年代对比的 Progress Index v1。

查看大图

蚂蚁百灵（Ant Ling / inclusionAI）10 月 27 日开源 Ling-3.1-flash-1019，是 10 月初 Ling-3.1-flash 的再后训练升级版：总参 560B、每 token 激活 25B、1M 上下文，MIT 许可。官方称它在 Artificial Analysis 智能指数 v4.3.2 上得 44 分（前代 41），AA-Briefcase、AutomationBench-AA 等智能体任务明显提升；同时开源可继续训练的 Ling-3.1-flash-base。

查看大图

Artificial Analysis 于 2026-10-23 发布 Coding Agent Index v2.0，评测对象是「模型 + Agent 外壳」的组合，覆盖 290 道任务，三项基准等权：Cognition 的 FrontierCode v1.1（100 道真实开源仓库任务，按维护者是否会合并打分）取代 DeepSWE v1.1，SWE-Atlas-QnA 改为评分更严格的 SWE-Atlas-QnA-AA，Terminal-Bench 4.0 不变。Claude Code + Claude Opus 5.5（max）以 61.7 分居首，Sonnet 5.5 59.3、Muse Wonder Full 58.9 紧随。新版整体分数下降：21 个两版都测过的配置平均分从 54.8 降到 47.4。

查看大图

国际权威模型独立评测机构 Artificial Analysis 正式发布针对 DeepSeek 官方搜索增强 API（DeepSeek Search）的详尽基准测试数据。评测显示，挂载 DeepSeek 搜索模块后，基座模型的全域搜索综合指数从原先的 33 分暴涨至 69 分（净增 36 分，位列全部 27 款受测搜索 API 的第 17 位）。在成本维度上，DeepSeek Search 展现出无与伦比的颠覆性定价：每 1,000 次搜索请求仅收费 0.75 美元，折合单任务平均成本仅约 0.032 美元，成为全网受测商业搜索 API 中最经济的选项；在事实性问答基准 AA-Omniscience 达到 70% 准确率，而在复杂长程网页浏览任务 BrowseComp 则达到 63%。

查看大图

独立评测机构 Artificial Analysis 正式上线全新基准维度 AA-PersonalityBench，专门量化评估前沿大语言模型的拟人化心理特征，重点聚焦两大关键指标：置信度（Confidence / 不确定性承认度）与谄媚度（Sycophancy / 迎合用户错误倾向）。实测数据显示：在置信度维度上，Google Gemini 3.8 Flash 斩获 100 分满分，Gemini 4 Argon 达到 97 分，展现出极强的决策断言能力，但同时也是最不愿意承认自身不确定性的模型；在谄媚度测试中，开源大模型 Llama 4 Maverick 达到 97 分（极易毫无底线附和用户），而 Claude Fable 5.1 仅得 4 分（最坚持事实原则），为对齐工程提供了量化标尺。

查看大图

国际权威模型独立评测机构 Artificial Analysis 正式发布针对医疗专业领域的权威评测基准 HealthBench Professional 与消除长度偏差的全新指数 MLCR-AA。评测揭示了一个震撼业界的普遍现象：传统基于 LLM-as-a-Judge 的评估机制存在严重的“长回复字数偏好（Verbosity Bias）”——模型回答越长越容易被判定为优秀。在原始 HealthBench 中，Anthropic 模型的回答平均比竞品长 4 到 6 倍，Claude Opus 5.5 以 71.4% 斩获第一；然而在通过长度归一化严密矫正的 MLCR-AA 榜单中，GPT-6 Astra（Max）与 Claude Sonnet 5.5 并列全球第一，而 Claude Opus 5.5 的真实排名则直接从第 1 位暴跌至第 6 位，为全球大模型评测的公正性敲响了警钟。

查看大图

10 月 21 日，Baseten 旗下研究团队 Base Labs 发布开源决策模型 mammoth-1（27B）与 elephant-1（9B），基于 Qwen3.5 全量微调，不生成文本，一次前向传播即返回每个选项的概率，适合分流、分类、打分和路由。官方口径下 mammoth-1 以 71.24 分登顶 Jev Decision Index 0.4，elephant-1 在 Artificial Analysis Decision Index 上并列第一。权重已上 Hugging Face，Baseten API 免费开放至 10 月 27 日。

查看大图

权威独立 AI 基准测试机构 Artificial Analysis 正式发布针对 Cognition 旗下最新编程智能体 Devin Fusion 的全面实测报告。Devin Fusion 采用了革命性的“异构双模型并行协同架构”：由旗舰级的 Claude Opus 5.5（Max）担任总架构师与核心决策大脑，配合轻量极速的 GPT-6 Luna（High）作为并行子智能体执行具体检索与代码试跑。在 Coding Agent Index 综合大考中，Devin Fusion 斩获 68.1 分的高分，位居全球最顶级智能体梯队；而在经济性方面，单任务综合调用成本从 Claude Code Opus 单模型的 13.04 美元骤降至 9.01 美元（成本节省达 31%），单任务平均耗时由 65 分钟缩短至 55 分钟。

查看大图

Mistral AI 正式推出 Voxtral 3 语音多模态大模型家族与配套的实时 Voice-Agent API。该套件包含 40 亿参数的 Mini 转录模型、超越 Whisper 与 Gemini 3.5 的 Small 转录模型，以及基于 LiveKit 的端到端语音智能体 SDK。系统支持 50 种语言高精听写与说话人分离、跨 35+ 语言带情感标签的情感语音合成（TTS）以及 30 分钟音频专业级声音克隆。在 Artificial Analysis 独立基准评测中，Small Transcribe 3 以 2.1% 极低字错率登顶全球语音识别榜单季军，Realtime 转录单步延迟低至 500ms 以内，每分钟语音智能体调度成本低至 0.04 美元。

查看大图

10 月 20 日，Krea 宣布其 10 月 15 日发布的图像编辑模型 Krea 3 进入多个第三方榜单。Arena 多图编辑榜上 Krea 3 Ultra 以 1435±11 分排第 4（初步结果，2,991 票），前三名均为 OpenAI 模型；单图编辑榜排第 8。Artificial Analysis 图像编辑榜上 Ultra 为 1151 Elo、排第 5，Fast 版 1125 Elo 排第 11。Krea 3 主打 2K 原生编辑、多数 8 秒内返回、每张 0.06 美元。

查看大图