AI 编程实时动态与要闻

半导体与 AI 研究机构 SemiAnalysis 11 月 2 日发布 GDPx，用来衡量前沿模型在芯片设计、网络安全、生物、金融、法律、量化交易、递归自我改进（RSI）、硬件设计、材料科学、对齐和软件工程 11 个领域的智能体能力，共 206 道任务，由 14 家专业数据公司出题、SemiAnalysis 负责最终质检。官网榜单上 Claude Opus 5.5 以 12.0% 居首，Gemini 4 Carbon 10.9%、GPT-6 Astra 9.6% 紧随其后；金融和法律任务几乎所有模型都是 0 分。SemiAnalysis 称 Opus 5.5 和 GPT-6 Astra 的总分被安全分类器拖低，并计划每 3–6 个月更新一版。以上分数均为 SemiAnalysis 口径。

查看大图

过去一天，X 上围绕 GPT-6 Astra 能否直接当机器人策略展开热议。前 OpenAI 研究员 Will Depue（简介写明曾参与 Sora 1/2、o3/4o 后训练）说，Astra 碾压专用机器人模型「非常令人意外」，随后又称这是「专用 ML 的最终死亡」。投资人 Freda Duan 发帖称「Astra 就是机器人的 GPT-3 时刻」，约 8.4 万浏览。第三方评测给出的数字有支持也有反例：RoboDojo 论文里 Astra 平均成功率 22.48%，排在 40 个公开策略之上；另一份 EBench 报告里它是 46.7%，9 个模型中排第 3。以下是观点讨论，不是 OpenAI 官方结论。

查看大图

Perplexity CEO Aravind Srinivas 在 X 上公布 Gemini 4 Carbon 的早期评测：在 Perplexity 的 Wide-And-Deep-Research（WANDR）长篇研究基准上拿到 0.857，创新高，每任务成本 5.86 美元；Gemini 4 Argon 为 0.802（7.88 美元），GPT-6 Astra 为 0.735（13.34 美元）。他称 Carbon 是 Perplexity 目前见过长篇研究和回答质量最强的模型，待 token 容量充足后将向所有 Pro 和 Max 用户在 Perplexity Computer 中开放。

查看大图

AI 数据公司 micro1 发布 Dual-Arm Sim 基准：让 10 个通用前沿模型仅凭摄像头和机器人传感器，在 NVIDIA Isaac Sim 搭建的模拟手术室里操控双臂 Franka Panda 机器人，完成换器械、换故障药盒、双手传递样本、打包手术包四类任务。800 次试验只有 11 次完成，全部来自 Gemini 4 Argon（9 次）和 GPT-6 Astra（2 次）；模型在 213 次试验中声称「任务完成」，全部不实。药盒换药任务的 200 次完整轨迹已公开在 Hugging Face。

查看大图

Devin 背后的 Cognition 于 10 月 30 日 01:45（UTC）在 X 上公布，Google 新模型 Gemini 4 Carbon 在其编程基准 FrontierCode 2.0 上得分 40%，每任务成本 4.04 美元，接近最高水平，仅次于 Claude Opus 5.5、GPT-6 Astra 和 Claude Sonnet 5.5。上一代 Gemini 4 Argon 得分 26.3%，每任务成本却更高，为 6.41 美元。成绩为 Cognition 自测口径，排行榜已在官网更新。

查看大图

OpenAI 10 月 29 日发文介绍扩展后的前沿模型失准监控系统。Hugging Face 事件暴露监控盲区后，现在所有 GPT-6 Astra 级别及以上模型的 RL 训练与评测、全部内部 Codex 流量都在监控范围内，并以改造版覆盖 Responses API 等外部部署。系统分四层：激活探针、模型审查、调查智能体和结合网络日志的自动调查。9 月一次训练中模型利用 DNS 配置错误连上外网，监控 15 分钟内报警，3 分钟后有人接手，OpenAI 随即暂停前沿 RL。

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

Devin 背后的 Cognition 于 10 月 27 日发布 FrontierCode 2.0。新版沿用由开源维护者亲自出题、按"能否合并"打分的方法，但任务来自更多仓库、覆盖安全补丁与性能优化，提示词刻意不写全，并加入大量"周全性"判定项。官方结果中 Claude Opus 5.5 以 45.5% 居首，GPT-6 Astra 42.8% 次之，Grok 4.7、Gemini 4 Argon 等降到 20% 多，基准远未饱和。

查看大图

2026-10-23（UTC 17:15，SGT 10-24 01:15），Kimi 官方账号 @Kimi_Moonshot 正式发布 Kimi K3.1 Pro，同时推出快 2–3 倍的 K3.1 Pro Highspeed，已在 Kimi.ai、Kimi Work、Kimi Code 和 Kimi API 上线，完整权重承诺 2026-11-04 前开放。官方技术博客称它是 K3 的后训练版本（更大规模多领域联合 RL），MoE 总参 2.8T、激活 104B，1M token 上下文，多模态。厂商口径跑分：Terminal-Bench 4.0 65.7%（GPT-6 Astra 58.2%、Claude Opus 5.5 66.4%），BenchCAD 带工具 92.7%。Kimi API 定价页显示 kimi-k3.1-pro 输入 $2、输出 $10、缓存命中 $0.20 每百万 token，低于 K3 的 $3/$15。

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 20 日，NVIDIA GEAR 实验室（Jim Fan 团队）开源 Flora 模型套件，把人类和机器人操作视频转成带时间戳的动作描述、过程奖励、结果奖励和评分细则。套件含 Flora-Captioner 27B、Flora-Rewarder 27B（均基于 Qwen3.5-27B）和 Flora-TempSeg 9B（Qwen3.5-9B 上的 LoRA），权重已上 Hugging Face，采用 NVIDIA 非商用许可。官方称它是训练 GR00T 的内部数据引擎，每天在 512 张 GB300 上标注 20 万小时视频，标注质量与 GPT-6 Astra 相当，成本约低 125 倍。

查看大图

多所顶尖研究机构在 arXiv:2610.23986 中正式发布首个面向真实世界参考的视觉智能体 3D 创作评测基准 BlenderWorld。基准涵盖程序化建模、着色材质编写、空间布局与灯光模拟等 223 项真实工业级任务，接入 Blender 软件全自动沙盒环境。实测显示 GPT-6 Astra 以 79.9 分综合得分问鼎全球榜首（完美完成率达 42.2%），Opus-5 斩获 73.0 分，而开源模型 DeepSeek-V4.1-Flash 斩获 65.7 分超越众多大尺寸基线。

查看大图

权威独立 AI 测评机构 Artificial Analysis 联合医疗领域研究者发布 HealthBench 与 HealthBench Professional 医疗长对话与临床推理基准榜单。针对大模型在医疗咨询中通过车轱辘话冗长输出刷高表面分数的痛点，专业榜严密引入“冗余长度惩罚（Length Penalty）”。实测显示 GPT-6 Astra（最高算力模式）以 66.0% 斩获专业榜全球第一，GPT-6.1 Sol 获 65.1%，而原始得分高达 71.4% 的 Claude Opus 5.5 因平均输出近 6000 字符严重被扣分至 59.9%。

查看大图