AI 编程实时动态与要闻

联邦学习框架 Flower 背后的 Flower Labs 于 11 月 3 日发布 Endeavor 1.1，这是其今年第三个模型（继 4 月的英国主权 7B 模型 Lizzy、9 月的 Endeavor 1.0 之后）。新版本新增图像输入、可选欧盟境内 GPU 推理，支持 Flower 托管、私有云或本地部署，并承诺用户可查看完整思维链、拥有推理输出并用于训练自有模型。官方口径 GPQA 94.4、HumanEval 99.9、AIME 2026 99.9、MMMU-Pro 81.1，但对比对象是 GPT-5.6 Sol 与 Claude Fable 5 而非两家最新模型，且目前仅开放申请试用。

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

Anthropic 10 月 29 日在 X 上介绍「自我评估」（self-assessment）：Claude 每次回答后，对整段对话给出一份结构化的初步安全评估，用于离线复核。官方 Safeguards 博客称，在 Claude Fable 5 上，1% 误报率下它能覆盖更强的提示词分类器所标记对话的 78%、高优先级对话的 94%；因对话已在 KV cache 中，平均只多生成约 10 个 token，估计增加不到 2% 推理算力。该技术自 6 月起在生产中运行，但官方也说明它挡不住专门针对它的攻击者，只作为纵深防御的一层。

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

旧金山实验室 Paper Instruments 于 2026-10-15 00:02（新加坡时间）发布 Ultramarine 1 Flash：在开源底座 GLM-5.3 Flash 上用大规模「非可验证」强化学习（任务级 rubric 奖励）后训练，面向金融、法律、咨询、运营类知识工作。官方技术报告称其在 6 项知识工作基准上平均比底座高 4.1 分、输出 token 少 6.5%；在内部 PI Knowledge Work 套件上以 $0.13/任务得 59.3 分，高于 Claude Fable 5（$8.19，57.8）。OpenAI 兼容 API（ultramarine-1-flash）已上线；CEO 称权重约两周内发布、后训练成本约 30 万美元。成本对比依赖其内部基准，尚无独立复现。

查看大图

随着 AI 编程智能体在“氛围编码”（Vibe Coding）热潮中广泛接管软件生产，生成代码的安全性成为行业焦点。新加坡国立大学与莫纳什大学等团队发布 Last Secure Code Benchmark，这是首个全面评估编程智能体安全代码生成能力的权威基准。涵盖 7 种主流编程语言、24 类 CWE（包括 2025 CWE Top 25 中的 21 类及 Top 10 KEV 中的 8 类）以及 450 项源于 150 个真实 CVE 漏洞的实战任务。评测揭示：前沿模型在功能测试上通过率达 73.6%~91.3%，但即使最强的 Claude Fable 5，在同时满足“功能可用且无安全漏洞”的严苛检验下通过率仅为 25.1%，其余主流 Agent 仅为 16.4%~24.7%。

查看大图

Arena（原 LMArena）发布 Agent 版 Max 路由器：基于 250 万+ 次真实 Agent Arena 会话训练，按任务复杂度、类型与成本在 Fable 5.1 (Max)、Astra (Max) 与 Astra (Medium) 间动态选模型。实测中它以 +14.7% 得分登顶 Agent Arena，单任务中位成本 3.27 美元，比当时第一的 Fable 5.1 (Max) 高 0.3% 且便宜 37.5%；代码会话 67% 被路由到更便宜的 Astra (Medium)。现可在 Agent Mode 限时免费试用，API 需填表申请。

查看大图

Anthropic 于 2026-10-01 发布 Claude Code 2.1.287（npm @anthropic-ai/[email protected]）。Claude Mods 允许插件用进程内 JS/TS hooks 改写工具调用与界面；内置可选 You should know 侧路 agent；MCP URL elicitation；Opus 4.7+/Fable 在 Bedrock/Vertex/Foundry/apps gateway 默认 1M 上下文。Agent SDK TS 0.3.287 对齐。

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

Anthropic（@AnthropicAI）确认 Claude Opus 5.5 今日可用；详见同日 @claudeai 发布主帖。该模型为 Claude 5.5 系列首发，多数任务达 Fable 5.1 水平，典型负载成本约比 Opus 5 低 40%。

查看大图