AI 编程实时动态与要闻

11 月 2 日 15:50（UTC），X 简介为「Codex & ChatGPT @OpenAI」的 Tibo（@thsottiaux）在 X 上发帖称，OpenAI 正在扩展驱动 dots 的前沿模型家族，包括 GPT-6 Astra 和 GPT-6.1 Terra，未来还会有其他模型；他说 Terra 带来速度和「不错的性格升级」，将帮助把 dots 带给更多人。dots 是 ChatGPT 里常驻运行、自带云电脑的智能体，发布时由 GPT-6 Astra 驱动。这是员工本人的第一手说法，OpenAI 尚未发布正式公告，上线时间和适用套餐未公布。

查看大图

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

Y Combinator 的研究项目 YC Labs 与多智能体环境公司 Olam Labs 10 月 29 日发布《Agents in Games》实验报告：50 个 GPT-6.1 Sol 智能体在 Minecraft 生存模式里「建设繁荣文明」3 小时，最后挤在避难所里配给口粮，发了约 5,900 条消息，搞出配给账本、许可证和各种岗位；9 局 Bed Wars 中 10 个 GPT-6.1 Sol 对 10 个 Claude Opus 5.5，GPT 以 6–3 获胜；Mindustry 50 对 50 共 7 局约 9.5 小时，GPT 以 6–1 获胜。报告还发现领导者几乎总是名册上排第一的智能体，GPT 卡住时会自己上网读游戏源码。Minecraft 智能体框架已开源。这是单一机构的实验观察，不是标准化跑分。

查看大图

Kaggle 官方账号宣布与 IBM Research 合作上线 ScarfBench，用 204 个任务测试编码智能体能否把企业 Java 应用在 Jakarta EE、Quarkus 和 Spring 之间迁移且行为不变。IBM 10 月 27 日的技术说明显示，Gemini 4 Argon + Antigravity 以 75.2% 冒烟分居首，Claude Opus 5.5 + Claude Code 全通过率最高（72.1%），GPT-6.1 Sol + Codex 每解决一个任务成本最低（1.25 美元）。

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

AI 编程 Agent 公司 Factory 10 月 29 日 22:31（UTC）在 X 和官方博客发布 Droid 1.0，称这是其 agent harness 迄今最大的一次更新。核心变化是把程序化工具调用（PTC）设为默认：模型写一段 JavaScript 脚本，在沙箱里一次跑完多达上百次工具调用。官方自测 Terminal-Bench 4 中，用 GPT-6.1 Sol 通过率 57.6%（每个通过任务 $0.79），用 Claude Opus 5.5 通过率 65.2%（$4.73），均高于同模型下的 Codex、Claude Code、Cursor、OpenCode 和 Devin。

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

OpenAI 10 月 26 日发布 GPT-6.1 Terra，定位是兼顾视觉推理、精确电脑操作和自然写作的高效模型，今天起向 ChatGPT Work 和 Codex 的 Plus、Pro、Enterprise、Edu 用户开放，API 模型名 gpt-6.1-terra。标准 API 价格为输入 $1、缓存输入 $0.05、输出 $5（每百万 token），官方称比 GPT-5.6 Terra 和 GPT-6.1 Sol 低 50%；上下文 1,050,000 token。官方口径下，它在 Agents' Last Exam 上中等推理强度比 GPT-5.6 Terra 高 15 个百分点、成本约三分之一，Terminal-Bench 4.0 最高强度 50.3%。

查看大图