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

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

Google DeepMind 于 10 月 31 日宣布，与英国政府、Google Cloud 和 Faculty 共同开发的规划审查工具 PlanAssist（基于 Gemini）将新增开放给 12 个英格兰地方规划机构，参与总数达到 15 个，进入为期 12 个月的 Beta 阶段并处理真实申请。官方称，在 Barnet、Camden、Dorset 三地的早期试点中，规划官员花在住宅类申请评估上的平均时间下降 58%，超过 70% 的 AI 草拟报告无需修改即获通过；最终决定仍由规划官员作出。

查看大图

X 与 SpaceXSI 设计负责人 Benji Taylor 10 月 31 日在 X 上发布 Stageshow：一个给编程 Agent 用的开源 skill（MIT 许可），帮助 Agent 生成更像真实产品的“假 UI”静态图、光标演示动画和 bento 网格，产出是普通 React 组件。一条命令即可安装，作者说适用于 Grok Build、Claude Code、Codex、Gemini 等。首帖约 4,500 赞、6,500 次收藏。作者本人说明它不保证一次成功，多数演示仍需几轮反馈。

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

Google 10 月 29 日宣布，Gemini Notebook（原 NotebookLM）向学生免费开放数百本来自美国和印度出版方的教科书，包括 OpenStax、Open Textbook Library 和 S Chand Publishing。加入笔记本后，回答完全以教材为依据，带行内引用和原文链接，还能生成学习指南、练习测验和闪卡。入口在「Add sources」里的「Textbooks」。

查看大图

Google 于 10 月 28 日推出 Connected Apps Platform 预览版，开发者通过云端托管的 MCP 服务器或 Android MCP（Jetpack AppFunctions）接入，在 Google Connected Console 注册、测试、提交审核，并选择上线到搜索、Gemini 应用或两者。目前面向美国开发者分批开放，需申请加入预览。

查看大图

Alphabet 10 月 28 日美股盘后发布 2026 年第三季度财报：营收 1276 亿美元，同比增长 25%；Google Cloud 营收 307 亿美元，同比增长 103%，官方称由企业 AI 基础设施、AI 解决方案和 TPU 系统销售拉动。Sundar Pichai 在财报和 X 上表示，一方模型 API 每分钟处理近 320 亿 token，是一年前的四倍多，Gemini App 用户达到 10 亿。代价是本季资本开支 514 亿美元，自由现金流为负 91 亿美元。

查看大图

Google DeepMind 10 月 28 日发布 Gemini 4 Carbon，称其为目前最强模型，距 Gemini 4 Argon 上线仅两周。官方博客称它在 Artificial Analysis 智能指数 v5.0 以 59 分排名第一，并在网络安全三项评测领先：SEC-bench Pro 找漏洞 88.2%、ExploitGym 漏洞利用 54.8%、CWE-bench 打补丁 71.0%；WebDev Arena 涨 89 分至第 4（1769）。本周起先向 Fairwind 计划中的部分网络防御者开放，之后再面向开发者、企业和消费者。介绍期价格与 Argon 相同，每百万输入 / 输出 token 2 / 10 美元，之后为 4 / 20 美元。

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

Google DeepMind 10 月 27 日发布 Genie 4，称其为迄今最逼真、交互性最强的世界模型。它基于 Gemini Omni，提升了物理和人物动作的真实感，首次原生生成环境声和可互动的角色对话，并由 Gemini 3.8 Flash 在回路中规划复杂事件。目前只向受信测试者开放研究预览，即将登陆 Google AI Ultra（Project Genie）及 Gemini API / AI Studio 早期伙伴；官方未公布量化跑分。

查看大图