AI 编程实时动态与要闻

独立评测机构 Artificial Analysis 11 月 10 日公布两项新结果。在考察“让模型当 Agent 用 three.js 搭交互式 3D 网页”的 AA-3D 榜上，Claude Fable 5.2（Max）拿到 1271 Elo，比第二名 Claude Sonnet 5.5（1204）高 67 分，95% 置信区间 1246–1297 与其他模型不重叠，领先超出误差范围；比上一代 Fable 5.1（1139）高 132 分，也高于 OpenAI 最高的 GPT-6 Astra（1168）和 Google 最高的 Gemini 4 Argon（1147）。在生命科学图像推理榜 VIALS-AA 上，Fable 5.2 得 67%，超过此前领先的 Gemini 4 Carbon（64%）和 GPT-6 Astra（63%）。AA 还发现两家路线相反：Fable 每题平均约 37 次工具调用，Astra 只有约 8 次。

查看大图

Anthropic 发布 Claude Fable 5.2 后一小时内，Cursor 和 Perplexity 先后上线该模型并公布各自的内部评测。Cursor 官方账号称，Fable 5.2 在 CursorBench 上默认档（High）得分 56.9%，高于 Fable 5.1 的 49.2%；开到最高档时为 60%，是该榜第一。Cursor 配图显示默认档平均每任务成本约 9.70 美元。Perplexity 官方账号称，Fable 5.2 在其 WANDR 评测中得分 0.851，为该榜纪录，每任务成本 14.51 美元，位于性能与成本的帕累托前沿；Gemini 4 Argon 为 0.802（7.88 美元），GPT-6 Astra 为 0.735，Fable 5.1 为 0.684。两项都是厂商自家评测，并非独立公开基准。

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

2026-11-07 起，X 上大量开发者吐槽 Claude Opus 5.5 在 Claude Code 里「变笨」：不听指令、反复犯错、动辄拉起子 Agent。用户 Shane Melaugh（@shanemelaugh）发帖称，他让 Gemini 4 Argon 分析了自己 1,400 个 Claude Code 会话，发现 11 月 3 日前后模型名没变、推理方式却明显转向；该帖抓取时约 966 赞、134 条回复、11 万展示。T3 CEO Theo（@theo）随后称，他进一步排查后认为 Anthropic 似乎在按账号逐步调整推理摘要器（reasoning summarizer），他本人没看到能力下降。截至发稿 Anthropic 未就此公开回应。这是社区讨论，不是已证实的降级，也不是官方公告。

查看大图

YC W26 公司 CellType 11 月 4 日发布 BioSimBench 1.0，用真实实验室数据测试大模型能否预测细胞在药物、基因敲低和免疫信号作用后哪些基因上调或下调。12 个前沿模型中，Gemini 4 Argon 以总分 0.184 排第一，Claude Sonnet 5.5（0.160）和 GPT-6 Astra（0.159）随后，而两次实验室重复之间的一致度为 0.462。CellType 用自家 RL 环境 BioSimGym 训练的 27B 模型在四个预测赛道都超过最强前沿模型。

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

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 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 官方账号 @googlegemma 10 月 26 日发帖称，借助 Gemini 4 Argon 完成的一组 vLLM 优化，让 gemma-4-E2B-it 在单张 A100 上的吞吐从约 37,900 提升到 108,000+ tokens/秒，约 2.85 倍，且输出 token 100% 一致。对应 PR 由 Google DeepMind 的 Luciano Martins 提交，大部分仍在评审中。

查看大图