AI 编程实时动态与要闻

Google DeepMind 11 月 10 日与 Artificial Analysis 联合推出 MKA（Multimodal Knowledge Agent）基准，测 Agent 能否读懂建筑图纸、工程原理图、临床影像等视觉密集文件，并交付幻灯片、表格、报告和标注图。200 个私有任务覆盖 10 个行业、83 种职业，每题约 70 条专家评分项。Artificial Analysis 首批测了 21 个模型：Claude Fable 5.2（max）Climb WSR 57% 居首，Gemini 4 Carbon（high）54%，Claude Opus 5.5（max）53%；Fable 平均每题 31.97 美元，Carbon 为 6.29 美元。另有 10 道公开题已上 Hugging Face。

查看大图

独立评测机构 Artificial Analysis 11 月 10 日公布两项新结果。在考察“让模型当 Agent 用 three.js 搭交互式 3D 网页”的 AA-3D 榜上，Claude Fable 5.2（Max）拿到 1271 Elo，比第二名 Claude Sonnet 5.5（1204）高 67 分，95% 置信区间 1246–1297 与其他模型不重叠，领先超出误差范围；比上一代 Fable 5.1（1139）高 132 分，也高于 OpenAI 最高的 GPT-6 Astra（1168）和 Google 最高的 Gemini 4 Argon（1147）。在生命科学图像推理榜 VIALS-AA 上，Fable 5.2 得 67%，超过此前领先的 Gemini 4 Carbon（64%）和 GPT-6 Astra（63%）。AA 还发现两家路线相反：Fable 每题平均约 37 次工具调用，Astra 只有约 8 次。

查看大图

北京时间 11 月 10 日凌晨，AI at Meta 官方账号发布 Muse Ember，称其是 Meta 目前最小、最高效的模型，面向 Agent 每天反复执行的工作：工具调用、编码子任务、路由、信息抽取和长文档解析。Muse Ember 支持 1M token 上下文、最多 512K 输出，原生理解文本、图像、音频和视频。定价为每百万 token 输入 0.10 美元、缓存输入 0.004 美元、输出 0.50 美元，已在 Meta Model API（模型名 muse-ember-1.0）和 Muse Code 上线。Artificial Analysis 测得其智能指数 36 分，与 Claude Haiku 5.5（max）持平，但单任务成本约 0.14 美元，只有后者的约三分之一。它是第一个用 Muse Wonder Full 训练出来的模型，权重不开放。

查看大图

11 月 8 日（北京时间 11 月 9 日早上），独立评测机构 Artificial Analysis 发布决策模型榜单 Decision Index 第二版。新版把头号指标换成同时看「答对没有」和「置信度准不准」的 Decision Score，私有数据占比从 v1 的 25% 提到 45%，新增 1,500 份私有文档的 AA-Paperclip 和测一致性的 AA-Symmetry。决策模型中 Nace AI 的 Drex Max v1.1 与 Fastino 的 GLiDE v1.2 同为 73 分，Drex Max 以小数微弱领先，Base Labs 的 Mammoth 27B 72 分。通用大模型 Claude Haiku 5.5 (Max) 77 分、GPT-6 Luna (Max) 76 分更高，但每百万任务成本分别为 6,240 和 1,530 美元，远高于 Drex Max 的 102 美元。

查看大图

2026-11-06，Artificial Analysis（@ArtificialAnlys）发布 VIALS-AA：独立复跑 Handshake AI 的 VIALS（161 题、8 个科学图像域），用开源 harness Stirrup 配代码执行与看图工具，每题 3 次，主指标为三连全对（pass^3）。厂商口径：Gemini 4 Carbon (high) 约 64%，GPT-6 Astra (max) 约 63%，Claude Opus 5.5 (max+fallback) 约 61%；开源权重侧 Kimi K3.1 Pro 约 45%。

查看大图

2026-11-06，Artificial Analysis 发布 Endpoint Accuracy Index v1.1：以自建官方权重部署为 100% 参考，用 BFCL-500、HLE-250、AA-LCR-25（等权）衡量各厂商 serverless 端点保住了多少精度。官方口径：已测 100+ 端点中近四分之一低于参考；AA-LCR-25 升至 v1.1 且重复从 10 提到 25（平均 95% CI 约 ±4.7→±2.6）；覆盖扩至六款开源权重模型，新增 GLM-5.3 Flash 与 Muse Spark Open。

查看大图

Thinking Machines Lab 于 11 月 5 日发布第二代首款模型 Inkling 2 Small：594B 总参 / 17B 激活 MoE，支持图像输入与可变 thinking effort。官方博客称 Artificial Analysis Intelligence Index 约 31，编码、视觉与知识工作相对上一代明显提升。现可在 Tinker 上推理与微调（闭源权重）；完成外部安全测试后拟以 Apache 2.0 释出全量权重。Tinker 标价约 $0.30/$1.00 每百万 input/output token（64K）。

查看大图

BenchFlow 团队于 11 月 5 日公开 FrontierPhysics（arXiv:2611.06910）：由 42 位物理学家基于本人研究贡献 56 项任务，覆盖 9 个领域；智能体需完成文献、计划、实验与可验证产出及论文。22 个模型、26 种配置下，没有任何配置在 168 次 rollout 中通过超过 46 次；最高约 27.4%（Claude Opus 5.5 + Claude Code）。人工复盘显示主要短板是严谨推理与专家直觉，而非缺物理知识。Artificial Analysis 表示将合作托管评测。

查看大图

独立评测机构 Artificial Analysis 11 月 5 日（UTC 08:28）公布腾讯混元 Hy4 的 Intelligence Index v5 成绩：综合 35 分，与 Grok 4.7（xhigh）持平，落后 Claude Haiku 5.5（max）1 分；在中国实验室模型中仅次于 Kimi K3.1 Pro（46）。Agent 编码方面 FrontierCode 2.0 为 31%、Terminal-Bench 4.0 为 37%；单任务成本约 0.78 美元，约为同分 Grok 4.7 的十分之一。

查看大图

独立评测机构 Artificial Analysis 11 月 4 日在 X 上宣布，把金融会计、战略运营、法律、医疗、工程、经济六个 Capability Indexes 升级到 v2.0，与 Intelligence Index v5.0 的评测对齐，并更重视 Non-Hallucination（不编造）和 Agentic Tool Use。各指数统一把 HLE 换成 HLE-Diamond、AA-Omniscience 升到 v1.1，并移除 GDPval-AA；工程指数新增 Science 能力项。官方结果：Claude Opus 5.5 (max) 六项全部领先，GPT-6 Astra (max) 在金融会计、法律、工程排第二；开放权重阵营中 Kimi K3.1 Pro（权重尚未发布）六项都领先，排在第 5 到第 8 名。

查看大图

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