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

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

10 月 21 日，初创公司 Breken 发布同名产品，定位“生产工程”：在隔离环境里重建整套软件，以 4000 倍速长出生产数据，让带意图和耐心的合成用户与 Agent 去使用，并逐一改变重试、丢包、时钟跳变等条件找故障，复现稳定后给出状态、trace 和修复草稿 PR。同时公布开放基准 ESCAPES：33 个开源项目、327 个已上线后被用户报告的 Bug，按 7 月 1 日代码扫描一次，Breken 抓到 235 个中的 76 个（32%），Claude Code 跑 Claude Fable 5.1 抓到 37 个（16%）。数据为厂商自测。

查看大图

独立评测机构 Artificial Analysis 于 2026-10-14 发布 AA-Robotics v0.1 研究预览：在 Codex、Claude Code、Antigravity 等编码智能体框架中，让前沿大模型通过 HTTP API 直接控制一台 6 轴机械臂完成 8 项桌面任务。GPT-6 Astra 得分 69.4 居首，GPT-6.1 Sol 64.6、Gemini 4 Argon 55.3、Claude Opus 5.5 48.8、Claude Fable 5.1 46.3；模型平均每项约 30 分钟，人类约 20 秒。

查看大图

Anthropic / Claude（@claudeai，@AnthropicAI 转发确认）宣布 Claude Opus 5.5 今日可用，为新 Claude 5.5 系列首个模型。官方称多数任务表现达到 Claude Fable 5.1 水平，相对 Opus 5 在 agentic coding、computer use 与知识工作上显著提升；默认设置下典型负载运行成本约低 40%。同步提高 Pro/Max/Team 五小时用量上限，并为订阅用户提供可留存的速率限制重置。

查看大图

@ArtificialAnlys 评测 Grok 4.7（xhigh）：Intelligence Index 46（较 4.6 +2），SpaceXAI 进入前四实验室；Grok 4.7 + Grok Build 的 Coding Agent Index 为 56（较 4.6 +9），在原生 harness 中排名第四，仅次于 Claude Fable 5.1、GPT-6 Astra 与 Claude Opus 5。定价仍为 $2/$6 per 1M in/out，缓存命中 $0.50，上下文 500k。

查看大图