AI 编程实时动态与要闻

Y Combinator 总裁兼 CEO Garry Tan（@garrytan）于 2026-11-08 18:09 UTC 在 X 发帖，称出于好奇在做「frontier 模型 + harness」的开源评测，并贴出初步结论截图；随后公开了 GitHub 仓库 garrytan/g-harness-evals（MIT）。仓库做法是固定模型（Opus 5.5 或 GPT-6.1 Sol）和任务，只换 harness（系统提示、工具、记忆）。截图称 7 种组合在同样 20 道编码任务上通过率都在 71–79%，其中 14 道题在所有组合里结果相同，所以「测试太简单、分不出高下」，更难的 Terminal-Bench 复跑正在进行。成本差距明显：Opus 上 OpenClaw 约 $0.44/题、Claude Code $0.22、Hermes $0.24、QM $0.19；Sol 上 Codex 最便宜最快，$0.17。抓取时原帖约 312 赞、84 回复、117 收藏、约 4.2 万展示。仓库自带利益披露：QM 属于 YC 项目，YC 投资了 Hermes。

查看大图

公益公司 Robocurve（@robocurve）于 2026-11-06 19:44 UTC 发布研究《You Can't See Everything: Perceptual Attacks on Embodied AI》，并将在 CoRL Late Breaking Results 展示。团队让 Claude Fable 5.1、Claude Opus 5.5、GPT-6 Astra、GPT-6.1 Sol、Gemini 4 Argon 通过 Inspect Robots 框架闭环控制真实双臂机器人，执行 5 项不安全任务，共 900 次试验。论文口径：画面正常时模型在 81/300 次（27%）中尝试执行，高斯模糊后升至 263/300（88%），逐帧篡改后达 291/300（97%）；「刺娃娃」任务在篡改画面下为 60/60。所有道具均为空瓶或断电电器。抓取时原帖约 1.1 万赞、363 万展示。

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

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

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

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

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

OpenAI 官方正式发布面向低资源与古老编程语言（COBOL、Fortran、Visual Basic、OCaml）的代码模型前沿突破与 MultiLangBench 基准。针对全球银行、政务与大型机基础设施中数千亿行遗留代码迁移痛点，测试要求模型用 20 种语言从零构建 SQLite 兼容的数据库引擎。最新旗舰 GPT-6 Astra 平均通过率从 26.8% 暴增至 87.4%，COBOL 从 10.9% 升至 72.1%，在真实 COBOL 迁移测试中 GPT-6.1 Sol 斩获 97.9% 准确率，且成本削减 39%。

查看大图

独立评测机构 Artificial Analysis 10 月 19 日上线两张医疗对话榜单，评测基于 OpenAI 的 HealthBench（5000 段真实健康对话）和 HealthBench Professional（525 段临床医生对话），由医生编写的评分细则打分，同时公布原始分和 OpenAI 采用的长度调整分。Professional 榜上 GPT-6 Astra（max）长度调整分 66.0% 第一，GPT-6.1 Sol 65.1%，Claude Sonnet 5.5 63.0%；Claude Opus 5.5 原始分最高（71.4%），但平均约 5900 字符的回答被扣分后跌到第六（59.9%）。HealthBench 榜上 Claude Sonnet 5.5 以 62.1% 第一，DeepSeek V4.1 Flash 60.9% 紧随其后，单任务成本约为前者的 1/16。

查看大图

OpenAI 10 月 19 日发文，称最新模型在 COBOL、Fortran、Visual Basic、OCaml 等训练语料稀少的「低资源语言」上大幅进步，并开源评测 MultiLangBench：让模型用 20 种语言各自从零写一个兼容 SQLite 的数据库引擎。GPT-6 Astra 平均测试通过率 87.4%（GPT-5.6 Sol 为 26.8%），20 种语言里 19 种超过 83%，COBOL 仍最难，为 72.1%。另一项 COBOL 迁移评测要求把程序迁到 C++、Java、Kotlin、Python 或 Rust 并做到输出逐字节一致，GPT-6.1 Sol 低推理档 86.6%（GPT-5.6 Sol 仅 5.4%），高推理档 97.9%。以上均为 OpenAI 自测口径。

查看大图

OpenAI 开发者博客详述 Core Experimentation 团队如何用 Codex 搭配 GPT-6 Astra 清理死代码与陈旧 Statsig 实验：查 Slack、遥测与特性开关证据后开小 PR。官方称约两周兼职合并超 1400 个维护 PR、删除逾 80 万行；同流程下 GPT-6.1 Sol Ultra 以约 14% API 成本拿到 Astra Ultra 约 92% 的有效发现（厂商口径）。

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