AI 编程实时动态与要闻

独立评测机构 Artificial Analysis 11 月 5 日（UTC 08:28）公布腾讯混元 Hy4 的 Intelligence Index v5 成绩：综合 35 分，与 Grok 4.7（xhigh）持平，落后 Claude Haiku 5.5（max）1 分；在中国实验室模型中仅次于 Kimi K3.1 Pro（46）。Agent 编码方面 FrontierCode 2.0 为 31%、Terminal-Bench 4.0 为 37%；单任务成本约 0.78 美元，约为同分 Grok 4.7 的十分之一。

查看大图

独立评测机构 Artificial Analysis 11 月 4 日在 X 上宣布，把金融会计、战略运营、法律、医疗、工程、经济六个 Capability Indexes 升级到 v2.0，与 Intelligence Index v5.0 的评测对齐，并更重视 Non-Hallucination（不编造）和 Agentic Tool Use。各指数统一把 HLE 换成 HLE-Diamond、AA-Omniscience 升到 v1.1，并移除 GDPval-AA；工程指数新增 Science 能力项。官方结果：Claude Opus 5.5 (max) 六项全部领先，GPT-6 Astra (max) 在金融会计、法律、工程排第二；开放权重阵营中 Kimi K3.1 Pro（权重尚未发布）六项都领先，排在第 5 到第 8 名。

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 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

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

蚂蚁百灵（Ant Ling / inclusionAI）10 月 27 日开源 Ling-3.1-flash-1019，是 10 月初 Ling-3.1-flash 的再后训练升级版：总参 560B、每 token 激活 25B、1M 上下文，MIT 许可。官方称它在 Artificial Analysis 智能指数 v4.3.2 上得 44 分（前代 41），AA-Briefcase、AutomationBench-AA 等智能体任务明显提升；同时开源可继续训练的 Ling-3.1-flash-base。

查看大图

阶跃星辰于 2026-10-15 履约放出 Step 5 Preview 开源权重：600B 总参、每 token 激活 27B 的稀疏 MoE，支持最长 1M token 上下文与视觉输入，定位智能体与软件工程。权重已上 Hugging Face（FP8/BF16/NVFP4）与 ModelScope；官方评测 StepCodeBench 49.0%、FrontierFinance 66.4%、Artificial Analysis Intelligence Index 44。此前 9 月仅有 API/指数报道，本次是权重本身首次公开可下载。

查看大图

2026-10-12 Meta 正式发布 Muse Wonder 与 Muse Wonder Full，定位为个人与专业智能体任务的前沿模型。官方强调 Active Memory（跨会话保留并召回关键上下文）与 Active Focus（遇阻换路、错误恢复、重要动作前确认）。Muse Wonder 即日起通过 Meta Model API 与 Muse Code 开放；Wonder Full 仅面向 Muse Code 订阅用户。第三方 Artificial Analysis Intelligence Index（max 推理）给出 Wonder Full 56、Wonder 52（此前 Spark 1.3 Max 为 48）。 10-16 更新：Muse Wonder 已上线 Cursor，300k 上下文（Max Mode 1M 同价），$4/$20 每百万 token，Cursor 官方口径 CursorBench 46.1%。

查看大图

@ArtificialAnlys 评测阶跃星辰 Step 5 Preview（600B 总参/27B 激活 MoE）：Artificial Analysis Intelligence Index 44，与 Kimi K3 (max) 同分，每任务约 $0.72，约为同分 Kimi K3 的 1/2.8。定价约 $1/$2.70 每百万输入/输出 token，缓存输入 $0.05/M；1M 上下文，计划 10 月 15 日开源权重。智能体评测（GDPval-AA、Terminal-Bench 4.0 等）仍落后同分段对手。

查看大图

@ArtificialAnlys 报告小米刚发布开源权重模型 MiMo-V2.6-Pro：Artificial Analysis Intelligence Index 达 46（前代 V2.5-Pro 为 26），成为当前开源权重榜首；约 $0.13/任务、输入 $0.435/百万 token（99% cache-hit 折扣）与输出 $0.87/百万 token 价格不变。模型为 MoE，总参 1.02T、激活 42B。

查看大图

@ArtificialAnlys 评测 Grok 4.7（xhigh）：Intelligence Index 46（较 4.6 +2），SpaceXAI 进入前四实验室；Grok 4.7 + Grok Build 的 Coding Agent Index 为 56（较 4.6 +9），在原生 harness 中排名第四，仅次于 Claude Fable 5.1、GPT-6 Astra 与 Claude Opus 5。定价仍为 $2/$6 per 1M in/out，缓存命中 $0.50，上下文 500k。

查看大图